一. 确立与公司目标对齐的推广指标体系
在进行 App 推广之前，我们需要明确一个概念：企业需要建立与经营目标对齐的推广指标体系。
前段时间，某知名餐饮企业因涨价引发热议，迫于舆论压力最后发布致歉信，宣布恢复原价。
疫情期间，为什么企业有如此之重的涨价压力呢？对此，我们可以利用三基分析法，从企业经营的角度进行拆解。
三基分析法是诊断企业经营健康度的重要手段，通过 3 个基本要素就可以推导出第二年大概的业绩增长情况：
用户量，主要指付费用户，可拆解成新用户和老用户；人均消费金额，指新、老用户平均单价；复购率，用来衡量客户对企业的粘性。
如上图的右表中，根据过往两年的数据，我们能够制定下一年的战略目标。在此过程中，留存用户由前年决定，企业会根据增长目标，定下年拉新量。
还是以之前提到的某知名餐饮企业为例，当受疫情影响，用户量不可避免的下降时，它选择了通过涨价来提高人均消费金额，但这条路被证实是十分坎坷的，企业不要轻易尝试，最好还是通过提升拉新量来达成我们的业绩目标。
对于 App 投放来说，提升拉新量是我们的主要目标，那么我们如何建立围绕公司经营目标的投放指标体系呢？
如果直接从很细节的指标出发，从下而上地优化投放，这个方法会很难持续下去，核心原因就在于与公司的经营指标脱节了。
我们建议大家按照公司的经营目标，即 CXO 关注的销售金额和目标增长率，从上至下地拆解一、二、三级指标。
一级指标：部门总监关注的渠道/活动 ROI；二级指标：部门总监关注的不同渠道/活动新客的规模、质量、转化、留存等；三级指标：投放专家通过上图中的具体指标做优化。
这样一来，我们就可以从上至下，将数据驱动持续下去，不断地通过数据推动公司经营目标的达成。
二. 进行全域全购买旅程监测
目前大部分 App 推广都没有真正的做到数据驱动。“没有数据”、”数据不全”、“数据不连贯”等都成为了落地数据驱动的难点，企业也很难科学的衡量 App 推广的 ROI。
我们可以从三个视角来分析这个问题：
1.用户旅程视角
在 AARRR 模型中，App 用户的全生命周期旅程分为了感知价值、下载激活、激活注册、激活次留、激活付费、深度转化六个阶段。
2.触点视角
用户在旅程每个阶段的触点是不一样的。比如在感知价值阶段就有自有渠道推广、广告投放、KOL 传播等触点。
目前的普遍情况是，大多数 App 推广 ROI 的衡量都只停留在了第一个或者第二个阶段。也就是简单的各渠道下载数据、App 激活数据等。
没有真正衡量到“激活付费”和”深度转化“阶段，其实也就没有衡量到一个用户是否真的给我们带来了价值。
为什么会出现这种情况呢？我们可以从数据视角发现问题。
3.数据视角
结合用户旅程视角和触点视角，我们会发现各阶段的数据是相互割裂的。主要的难点就在于：
站外：自有渠道或 KOL 的传播没有数据，头条、微信等各平台统计口径不一致；站内：用户在 App 内浏览内容等关键行为的数据难以被采集；通常情况下，我们通过业务系统看付费情况，这部分数据是很难与前置业务相连贯的。
结合以上三个视角，我们把营销监测数字化技术的进化过程分为了三个阶段，对应 App 推广 ROI 的衡量，大家可以评估一下自己目前处在哪个阶段。
第一个阶段：用来衡量传播声量，主要监测点击、PV、UV；第二个阶段：用来算清用户获取情况，主要监测下载、激活；第三个阶段：用来算清市场对营收的影响，主要监测注册、购买、复购，能将用户旅程连贯起来，监测整体的投放效果。
那么，全域全购买旅程监测是如何实现的呢？
这里给大家简单科普一下 App 获客监测的原理：广告主提供物料、媒体传播物料、用户下载 App 并完成关键行为是一条完整的投放链，在此链条中，GrowingIO 与媒体深度合作，会将用户设备信息回传给我们；
而对于没有对接过的媒体，当用户激活成功后，GrowingIO 的 SDK 会直接采集用户行为数据，并与其用户旅程相关联。
我们会对原本杂乱无章的数据进行排序，转化成匹配报告，提供给广告主和媒体。
全链条的数据采集完毕后，会以下表的形式可视化，呈现各个获客渠道的表现。接着，只需用一个简单的函数就可以算出 ROI。
第一阶段：广告阶段的点击量、到站访问量；第二阶段：用户的总量、新增量和回访量；第三阶段：依据平均 DAU、人均访问时长/次数、次日/7 日留存等判断用户质量的好坏；第四阶段：用户行为。我们的平台支持用户自由设置用户的具体行为。
在此过程中，数据的准确度尤为重要。GrowingIO 与上百家主流媒体深度合作，确保这些回传的数据以及在 App 采集的数据是准确的。
另外，我们与头部渠道深度合作，用户无需开发，便可以在媒体方看到注册、下单、留存等转化数据，据此高效调整投放计划。
三. 优化 App 推广策略（4 个方法）
接下来，我将分享 3 个方法，帮助大家更好地利用模型、分析数据，从而优化 App 推广策略。
1.漏斗对比法
在做渠道投放时，我们需要遵循 2/8 法则，即 20% 的渠道承担者 80% 的获客量。
举个例子，下图是一家企业的投放渠道 A 和 B，这 2 个漏斗清晰地显示出，渠道 B 的投放效果更好，可以考虑加大投入。
GrowingIO 运用了这一方法，可以一键实现全渠道漏斗的对比分析，一张表就能直观显示出所有渠道的转化情况。
2.波斯顿矩阵
这是一个相对来说容易上手的分析方法。我们以流量规模的大小为横轴、以流量质量的高低为竖轴建立矩阵，快速地划分出 4 类渠道：优质小渠道、优质渠道、低质小渠道和低质大渠道。
怎样判断流量质量呢？我们可以通过注册、购买、留存、使用关键功能等行为数据来衡量这一指标，但不同行业采取的具体方式是不同的，例如：
高频电商行业以”加购”行为判断用户质量 ；旅游行业以”订单”行为判断用户质量；付费内容&社交行业以”留存”判断用户质量；工具类 App 以”使用关键功能”来判断用户质量，比如 GrowingIO 会根据用户是否体验 demo 来判断其质量好坏。
在上述 4 类渠道中，我们需要重点优化低质大渠道，也就是获客成本高但质量差的渠道。这里也有两个方法分享给大家：
（1）刨根问底，下钻分析
第一，我们假设这个渠道低质的原因在于”人群画像与产品不匹配”，再按照不同的维度去拆解。以地区为维度，如果北区用户的停留时间、注册转化率要优于南区，那么就是南区拉低了整体的渠道效果，这时我们就要考虑调整南区的投放策略。以此类推，当以广告创意为维度拆解时，我们就可以根据效果的好坏，采用更好的那个广告创意。第二，如果原因在于”落地页和广告不匹配”，我们利用热图就可以明显感知到，用户的点击是非常散乱的。第三，如果原因在于”流量承接时出现了故障”，我们可以利用用户细查找到故障，快速修复。
（2）转换思路，站外归因分析
一般来说，我们会用”最终点击归因”的方法来分析投放效果，但事实上，用户在”最终点击”之前还有很长的一段旅程。
所以，我们需要进行”线性归因”和”基于位置归因”，来分析某个渠道的作用是否发生在用户”最终点击”之前。
假设一个丹丹购买口红的场景，在依次浏览了头条、微博上的广告后，她参加了小红书上的注册促销活动，又收到了优惠券，于是在百度上搜索 App，完成下单购买。
如果按照 ROI 分析的逻辑，我们会把所有的权重算在百度这一渠道上，这是典型的以偏概全。
而 GrowingIO 的站外渠道归因分析，可以还原整个用户生命旅程，洞察所有渠道对用户行为的价值或贡献。
