当前位置:首页-投稿-正文

活动效果怎么写?活动开展效果

导语:相信对于很多刚入门的分析师小白来说,评估活动效果、洞察业务机会,是所有工作中最可以体现价值感的事情,但也可能是令我们最头疼的事情。本文作者基于自身浅薄的工作经历,结合一个实际的运营活动,对活动评估中可以复用的数据分析套路进行总结和整理,希望能够给初接触数据分析的同学带来帮助。

活动效果怎么写?活动开展效果 - 第1张

 

一、活动背景

伴随着移动互联网用户的增速越来越趋于饱和,用户增长的破局方法不得不从拉新获客转换为如何促活存量用户。

通过第三方广告媒体app(比如微信、抖音等)投放针对老用户的素材对用户促活,已经成为很多公司用来提升存量老用户活跃度的有效方法(后续会统称为“渠道拉活”)

某公司的市场投放部门也开始投入预算试水「渠道拉活」这一项目,在项目启动一段时间后,已经回收累积了大量的用户数据,但是:

  • 渠道拉活对于DAU的带动贡献究竟有多大?
  • 是否值得持续投入更多的资源?
  • 活动情况的ROI如何?是否符合预期?

这些领导和业务方非常关注的问题,需要分析师基于数据给出公正和客观的答复。

 

二、分析框架和指标体系

1. 分析框架

2. 指标体系

(1)流量规模

数据指标:

  • DAU
  • 参与活动的用户数(举例:渠道拉活成功召回的用户数)
  • 通过活动首次调起app的uv(举例:通过渠道拉活首次调起app的uv)
  • 通过活动首次调起app的uv占day的比例(举例:通过渠道拉活首次调起uv的dau占比)

可解决的问题:

  • 观察促活的核心指标DAU是否达到预期目标;
  • 评估渠道拉活能够召回的用户量级有多大;
  • 评估对DAU的净增量贡献有多大;

(2)用户质量

数据指标:

  • 留存率(次日回访率、7日回访率、30日回访率)
  • 日均使用时长
  • 核心功能渗透率
  • 核心功能人均PV
  • 人群画像(性别、城市、消费能力)

可解决的问题:

(3)用户行为

数据指标:

  • 站外转化漏斗(举例:广告曝光-广告点击-成功调起app-deeplink抵达特定页面)
  • 站内核心行为的转化漏斗(举例:活动页-列表页-详情页)

可解决的问题:

  • 评估用户从站外渠道到抵达App的路径是否顺畅,发现产品bug或者可以改善的机会点
  • 评估活动的站内承接策略是否合理

 

三、分析过程

1. 活动效果评估以及活动ROI分析

在量化DAU (或者活跃天数) 贡献时,需要减去用户的自然活跃量,即计算“净增量”贡献。该贡献可以分为当日贡献和长期贡献。

  • 当日贡献是指:当日的召回用户对于当日DAU的增量贡献
  • 长期贡献是指:由于召回用户的后续回流,在后续特定时间范围还会持续贡献的用户天数增量。比如,活动后的50个参与用户,在后续30天内人均活跃天数比活动前提高10天,那么促活的增量贡献就是1500天。

不得不承认,AB实验最擅长处理归因和量化的问题。它的思想是,将流量随机分为数量均匀和特征均匀的两组(即对照组和实验组),实验组用户只有在产品策略上与对照组不同,因此我们可以认为两组用户在同一时间维度上的指标差异,可以完全归因于策略上的差异。

然而,该广告拉活项目无法设计对应的AB实验,但我们可以基于AB测试的思想,构造与实验组“相似”的用户群体作为对照组。具体过程如下:

活动效果怎么写?活动开展效果 - 第2张

  1. 将拉活渠道唤起app的用户作为实验组,未曾被拉活召回的存量用户作为对照组;
  2. 选取可能影响用户未来活跃度的特征(比如机型、新增渠道、历史活跃度、…),基于“特征相同”的原则,对两组用户划分为 N 对实验组和对照组。注意尽量将特征通过区间离散化,避免划分出的某一组落入的样本数过少,导致两组样本的指标差异不可信,比如特征「新增日期间隔」可以离散化为:7天内、8-14天、14天以上;
  3. 计算 N 对实验组和对照组的每一组的指标差异值,以及实验组的总指标差异(等于每一组指标差异*人群占比的相乘结果求和)

通过以上方法,可以计算出拉活对于当日DAU的贡献、以及拉活对于未来30天DAU的总增量贡献。

实际上,对于拉活对DAU的单次短期贡献,有更为简便的方法,即基于“首次归因”的思想,通过“拉活首次调起app的uv”进行量化评估,即如果用户多次启动过app,那么只有当通过促活广告首次调起app了,才会计入到促活广告的功劳。

值得一提的是,首次归因的方法也可以应用至“产品新上线功能评估”的效果量化中,通常我们可以将“启动app后首次访问该功能的用户量”作为该功能对dau的净贡献量

对于活动成本的核算,我们可以通过 “总成本消耗量 / 总DAU增量”,计算每个DAU增量的成本,以评估ROI是否符合预期。

 

2. 用户行为分析、和用户质量评估

可以以「大盘未参活用户」、「同期同类活动」、「往期同类活动」分别作为对比基准,基于用户行为漏斗、留存率、核心行为pv、人均使用时长等指标,识别本次促活策略是否有薅羊毛或者作弊严重的渠道,并评估活动拉来的用户质量好坏。但这里不作为本次分享重点,因此不再展开赘述。

 

四、结语

作为数据分析师,实际工作中遇到的促活策略往往是五花八门,但是活动效果好坏的评估过程依然是有章可循的。最后,简单总结下本文对于后续活动评估的可复用之处:

  • 如何构建活动评估的指标体系;
  • 如何量化归因活动的短期贡献(即“首次归因”法);
  • 如何在无法开展AB测试的情况下,通过构造对照组的方式,快速地量化评估长期的增量贡献;
版权声明:本文内容由互联网用户投稿自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,请发送邮件至 weichuming@126.com 举报,一经查实,本站将立刻删除。

相关推荐

换一批