管道轉化與用戶增長越來越差，因為你不懂歸因分析!
APP研發好了，廣告做了，管道選了，預算也到位了（雖然總是覺得不夠吧），廣告投放出去效果卻不夠好，這時我們會去反推APP產品是不是哪裡優化不夠好？廣告文案不夠勾引？管道策略出了問題？等等，
廣告投放是直面用戶的最後一環，也是最重要一環，如果你沒法去追溯（歸因）出投放的效果（此處說的不是一般意義上管道給你看的那些華麗但摻假的資料），那麼你真的很難做好下一步的優化。前面所做的努力很可能不知不覺慢慢損耗在最終投放環節。
現在誰還在做粗放式效果評估就太被動了
互聯網線上廣告比之傳統廣告來說，其資料被記錄下來，可以用於資料分析，優化投放效果。線上媒體管道仗著這些優勢打著精准投放的概念一路收割廣告主的預算。
資料總是會讓人產生莫名的迷戀，我們帶著固有的認知與局限，看到資料是美好的，然而結果卻差強人意，尤其現在管道轉化越來越差，用戶增長越來越難，
我們知道用戶點了這家管道的廣告，但是點了後安裝沒安裝？
除了用戶引流之外，這個後期轉化應該算誰的？怎麼算更科學更合理？
互聯網行銷與傳統行銷最大的差別是：可定向、可追溯
傳統廣告的特點是覆蓋廣泛、粗略區分目標人群、不能追蹤效果。
甲爪cpa聯盟（www.jiazhua.com）瞭解到：大部分廣告主在投放APP時都會採用多管道組合推廣的方式，比如一個海外APP投放，會採用Facebook、Google、蘋果競價廣告或其他媒體管道等多種管道組合的廣告購買行為。
對於廣告主而言，我需要明確廣告投放出去使用者是從哪個管道來的，這個用戶的品質怎麼樣，廣告購買和用戶獲取以及用戶在APP內行為之間的關係是什麼，
換句話說，通過一個平臺的歸因服務，可以明確出廣告投放效果資料。比如告訴廣告主，Google管道帶來的APP用戶，內部付費率是多少，付費單價是多少，你可以根據這個資料做一個判斷，就知道下次應該怎樣投放。如果說Google的量很好，可以加大投放預算。此外，如果某一個管道帶來的新增量級很大，但內部轉化行為非常差，後續就可以降低這部分推廣預算，甚至說直接把該管道pass。可追溯就提供了科學優化的強大依據。
歸因也講方法論，多觸點歸因才是科學的歸因分析法
嚴格意義上講，歸因模型大約有10種左右，而歸因分類則大體分為單觸點和多觸點兩類。為了方便理解，溪姐給大家介紹四種常見的歸因模型。
1、最終互動模型：100%分配給轉化前用戶最後一次接觸的媒體，這樣也容易測量，但屬於單觸點模式，不完善，適合轉化型廣告主。
2、首次互動模型：100%分配給第一次接觸的管道，只考慮最初的品牌認知、不考慮轉化，適合全新品牌。
3、時間衰減互動模型：配比按時間遞減，適合臨時促銷廣告。
4、自訂互動模型：自訂個階段配比，適合銷售和品牌同樣重視的廣告。
在實際使用者轉化路徑中，使用者在今日頭條看見並點擊了蘋果手機廣告，又在朋友圈點擊了推送廣告，回去之後在PC端用百度搜索了蘋果新機型，然後點擊百度上京東商城廣告，在京東商城完成購買行為，這是比較常見的從廣告展現到使用者轉化的流程，如果採用最終互動歸因模型，只會對百度出現的京東商城廣告做效果考核，而那些前置廣告因素所產生的廣告行為則不計算，等於說100%給最終接觸的管道。
如果按首次互動模型，則將效果歸因給今日頭條廣告，無論是首次互動還是最終互動，這兩種都屬於單觸點歸因模式，在多管道組合投放中這種歸因方式比較片面。用戶接觸的各個管道，它體現了展示率，而且可能對用戶來說產生了轉化，採用單觸點歸因，對於其他廣告形式來說是非常不公平的，因為它在用戶整個購買過程中也起了作用。
更科學的歸因方法需要考慮使用者的綜合行為，也就是我說的多觸點歸因，它通過一套演算法或者模型去做分配，舉個例子，用戶在百度看見廣告，但是沒有完成購買行為，第二天再通過今日頭條完成了購買行為我會分出70%的效果給今日頭條，而30%的效果則給百度。多觸點歸因會通過跨設備，跨屏，跨管道去綜合評估，給出一個更合理的效果分配比例。上圖中提到的時間衰減互動和自訂互動模型則屬於多觸點歸因。
蘋果後臺提供的競價廣告歸因屬於粗放式歸因
蘋果競價投放如何獲取更有價值的歸因分析？
只有更詳細更科學的歸因數據，才能更好地指導蘋果競價廣告ASM投放的優化工作，量江湖歸因作為獨立協力廠商歸因工具，通過監測點擊資料和轉化資料，將外部資料匯總，此外，通過SDK去採集APP內部資料，然後通過APP資料進行一步一步的歸因，最終歸到哪個關鍵字帶來這個使用者，他有沒有註冊，有沒有付費，甚至說有沒有其他的深度行為，歸因做的其實是一個連接作用，將資料全部打通，從而得到更準確的分析資料。
除了嵌入SDK外，更重要的是做定制化埋點方案。在什麼地方做埋點很重要，舉例說，在APP註冊頁埋一個點，就可以得到使用者註冊資訊，在會員服務處埋點，就能知道哪些使用者購買了相關服務，諸如服務的種類、服務的金額、使用者的帳戶，在各個關鍵部位埋點能説明完整記錄使用者每一步的行為，獲得各類資料。
ASM歸因只是一個小局部，精細化運營才是目的
上文只是以蘋果競價廣告歸因為例，在實際操作中歸因還可以結合大資料技術展開更多有實用價值的精細化運營動作，比如針對多管道進行多觸點歸因分析、資料反作弊、APP使用者畫像分析。當然，這些都是為了更高效的控制成本，提升轉化。
1、監控基於ASM投放、不同管道、不同廣告組的CPA轉化資料，用於優化投放方案
有些廣告主，只想看用戶註冊率是多少，我們只需在註冊頁面做埋點即可。有些廣告主KPI要求不一樣，比方說電商類我會在購物車、購買成功的環節都去做埋點，然後收集相關資料做分析。此外，還能監測非ASM的其他管道的CPA轉化資料，從而獲取推廣投放的全路徑資料，提供即時可自訂的資料包告和管道品質評估分析，有助於廣告優化並最大化提升APP推廣效果。
2、建立APP用戶畫像分析，用於用戶精細運營
在APP內通過SDK採集到的使用者資料並不是特別的多，但是如果有大資料基礎的話，則可以針對該使用者結合其他週邊海量資料做分析，獲得更全面的APP用戶畫像分析，所謂更全面的用戶畫像，是指你獲得60%用戶畫像是不足以支撐使用者運營，但是如果資料非常多的情況下，可以把準確率提高到90%，資料的量級，會決定後續資料分析的準確性。而用戶畫像分析則可以用於用戶運營優化的各個層面。
3、為競價廣告投放提供反作弊服務，節省運營成本
這裡所說的反作弊主要是針對ASM競價廣告的反作弊，主要針對競價中關鍵字被惡意刷點擊的情況，在操作中通過設置一個閾值來進行即時智慧處理，比如一分鐘內，如果平均展示量是100，點擊次數50，當數值超過以往平均值的數倍，系統自動進行暫停的動作。這個可以有效防止ASM惡性競爭和管道作弊行為，有效阻止虛假流量，你的真實流量自然就上來了。（關於安卓系的反作弊更為複雜，感興趣的同學可以關注量江湖APP反作弊）
實現以上這些功能需要基於大量資料積累，專業的資料建模能力，分散式即時處理資料的能力，以及後期資料分析的維度，這些都會使結果趨於更準確。比如採用即時流式計算平臺，轉化資料通知無延遲、無丟失，即時處理上也就會有更高的準確性。關於技術的部分就不多贅述。
後記：
沒有歸因分析，不去做追溯，你就無法知道廣告花費到底浪費在哪個環節，在傳統廣告時代，根本無法進行科學的效果評估，在大資料技術逐漸完善的今天，有了實現歸因分析的土壤，歸因才得以展現運營的價值。歸因是精細化運營必不可少的利刃，一次歸因可能會讓成本節省30%，讓轉化提升50%。說到底，歸因就是要撕開一條新鮮的運營口子，抓住被忽視卻大有價值的流量與新增。
本文部分轉載自互聯網！版權部分歸原作者所有 文章甲爪cpa廣告聯盟編輯整理！原文連結：http://www.jiazhua.com/wz/871.html
就知道下次應該怎樣投放。如果說Google的量很好，可以加大投放預算。此外，如果某一個管道帶來的新增量級很大，但內部轉化行為非常差，後續就可以降低這部分推廣預算，甚至說直接把該管道pass。可追溯就提供了科學優化的強大依據。歸因也講方法論，多觸點歸因才是科學的歸因分析法
嚴格意義上講，歸因模型大約有10種左右，而歸因分類則大體分為單觸點和多觸點兩類。為了方便理解，溪姐給大家介紹四種常見的歸因模型。
1、最終互動模型：100%分配給轉化前用戶最後一次接觸的媒體，這樣也容易測量，但屬於單觸點模式，不完善，適合轉化型廣告主。
2、首次互動模型：100%分配給第一次接觸的管道，只考慮最初的品牌認知、不考慮轉化，適合全新品牌。
3、時間衰減互動模型：配比按時間遞減，適合臨時促銷廣告。
4、自訂互動模型：自訂個階段配比，適合銷售和品牌同樣重視的廣告。
在實際使用者轉化路徑中，使用者在今日頭條看見並點擊了蘋果手機廣告，又在朋友圈點擊了推送廣告，回去之後在PC端用百度搜索了蘋果新機型，然後點擊百度上京東商城廣告，在京東商城完成購買行為，這是比較常見的從廣告展現到使用者轉化的流程，如果採用最終互動歸因模型，只會對百度出現的京東商城廣告做效果考核，而那些前置廣告因素所產生的廣告行為則不計算，等於說100%給最終接觸的管道。
如果按首次互動模型，則將效果歸因給今日頭條廣告，無論是首次互動還是最終互動，這兩種都屬於單觸點歸因模式，在多管道組合投放中這種歸因方式比較片面。用戶接觸的各個管道，它體現了展示率，而且可能對用戶來說產生了轉化，採用單觸點歸因，對於其他廣告形式來說是非常不公平的，因為它在用戶整個購買過程中也起了作用。
更科學的歸因方法需要考慮使用者的綜合行為，也就是我說的多觸點歸因，它通過一套演算法或者模型去做分配，舉個例子，用戶在百度看見廣告，但是沒有完成購買行為，第二天再通過今日頭條完成了購買行為我會分出70%的效果給今日頭條，而30%的效果則給百度。多觸點歸因會通過跨設備，跨屏，跨管道去綜合評估，給出一個更合理的效果分配比例。上圖中提到的時間衰減互動和自訂互動模型則屬於多觸點歸因。
蘋果後臺提供的競價廣告歸因屬於粗放式歸因
蘋果競價投放如何獲取更有價值的歸因分析？
只有更詳細更科學的歸因數據，才能更好地指導蘋果競價廣告ASM投放的優化工作，量江湖歸因作為獨立協力廠商歸因工具，通過監測點擊資料和轉化資料，將外部資料匯總，此外，通過SDK去採集APP內部資料，然後通過APP資料進行一步一步的歸因，最終歸到哪個關鍵字帶來這個使用者，他有沒有註冊，有沒有付費，甚至說有沒有其他的深度行為，歸因做的其實是一個連接作用，將資料全部打通，從而得到更準確的分析資料。
除了嵌入SDK外，更重要的是做定制化埋點方案。在什麼地方做埋點很重要，舉例說，在APP註冊頁埋一個點，就可以得到使用者註冊資訊，在會員服務處埋點，就能知道哪些使用者購買了相關服務，諸如服務的種類、服務的金額、使用者的帳戶，在各個關鍵部位埋點能説明完整記錄使用者每一步的行為，獲得各類資料。
ASM歸因只是一個小局部，精細化運營才是目的
上文只是以蘋果競價廣告歸因為例，在實際操作中歸因還可以結合大資料技術展開更多有實用價值的精細化運營動作，比如針對多管道進行多觸點歸因分析、資料反作弊、APP使用者畫像分析。當然，這些都是為了更高效的控制成本，提升轉化。
1、監控基於ASM投放、不同管道、不同廣告組的CPA轉化資料，用於優化投放方案
有些廣告主，只想看用戶註冊率是多少，我們只需在註冊頁面做埋點即可。有些廣告主KPI要求不一樣，比方說電商類我會在購物車、購買成功的環節都去做埋點，然後收集相關資料做分析。此外，還能監測非ASM的其他管道的CPA轉化資料，從而獲取推廣投放的全路徑資料，提供即時可自訂的資料包告和管道品質評估分析，有助於廣告優化並最大化提升APP推廣效果。
2、建立APP用戶畫像分析，用於用戶精細運營
在APP內通過SDK採集到的使用者資料並不是特別的多，但是如果有大資料基礎的話，則可以針對該使用者結合其他週邊海量資料做分析，獲得更全面的APP用戶畫像分析，所謂更全面的用戶畫像，是指你獲得60%用戶畫像是不足以支撐使用者運營，但是如果資料非常多的情況下，可以把準確率提高到90%，資料的量級，會決定後續資料分析的準確性。而用戶畫像分析則可以用於用戶運營優化的各個層面。
3、為競價廣告投放提供反作弊服務，節省運營成本
這裡所說的反作弊主要是針對ASM競價廣告的反作弊，主要針對競價中關鍵字被惡意刷點擊的情況，在操作中通過設置一個閾值來進行即時智慧處理，比如一分鐘內，如果平均展示量是100，點擊次數50，當數值超過以往平均值的數倍，系統自動進行暫停的動作。這個可以有效防止ASM惡性競爭和管道作弊行為，有效阻止虛假流量，你的真實流量自然就上來了。（關於安卓系的反作弊更為複雜，感興趣的同學可以關注量江湖APP反作弊）
實現以上這些功能需要基於大量資料積累，專業的資料建模能力，分散式即時處理資料的能力，以及後期資料分析的維度，這些都會使結果趨於更準確。比如採用即時流式計算平臺，轉化資料通知無延遲、無丟失，即時處理上也就會有更高的準確性。關於技術的部分就不多贅述。
後記：
沒有歸因分析，不去做追溯，你就無法知道廣告花費到底浪費在哪個環節，在傳統廣告時代，根本無法進行科學的效果評估，在大資料技術逐漸完善的今天，有了實現歸因分析的土壤，歸因才得以展現運營的價值。歸因是精細化運營必不可少的利刃，一次歸因可能會讓成本節省30%，讓轉化提升50%。說到底，歸因就是要撕開一條新鮮的運營口子，抓住被忽視卻大有價值的流量與新增。
本文部分轉載自互聯網！版權部分歸原作者所有 文章甲爪cpa廣告聯盟編輯整理！原文連結：http://www.jiazhua.com/wz/871.html