app优化推广是什么意思(3分钟了解app优化推广)
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。
原创文章,作者:admin,如若转载,请注明出处:https://www.qq65hfghe5.com/tg/68668.html