京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何用数据来做渠道效果的分析
日前和几个 BD 朋友聊天,听到说“现在很多渠道投放的效果犹如雾里看花,点击很多,激活很少,留存更是骨感……”想到自己对当下的统计后台还算了解,所以想从数据角度讲下渠道效果分析的几点经验。
几乎所有的运营人员都会接触到渠道推广。这些渠道推广可能是付费渠道,可能是免费渠道,无论是哪一种渠道推广,都是需要我们付出成本的。在与渠道打交道的过程中,有时候涉及到跟渠道分成或者跟渠道合作,我们需要统计从渠道获取的用户的数量;有时候涉及到渠道付费,我们需要鉴别渠道用户的质量的好坏,控制并提高渠道的效果。
工欲善其事,必先利其器。我们可以利用第三方统计工具来对渠道投放进行监控,通过一些指标来有效的监控渠道投放的数量和质量。
工具
一般来说,统计工具具备很完整的Android渠道监控的功能了。我们可以选择集成了统计分析SDK,来使用其中的Android渠道监控的功能。我在下面列举了一些统计分析工具。
国外的统计工具:mixpanel、flurry、localytics、google analytics for mobile。
如果我们的应用是做海外发行,建议优先选择国外的统计工具。除了时差的问题(大部分统计工具采用服务器时间进行计算),由于伟大的墙的存在,数据包从国外传输到国内会存在一定比例的丢失。
国内的统计工具:友盟、腾讯移动统计、talkingdata、avodcloud、dataeye。
如果我们的用户主要集中在大陆地区,可以优先使用国内的统计工具。一个好的统计工具,它的服务是稳定的,数据是安全的,指标和维度具备完整性,拥有自由灵活的高级功能。
友盟是国内最早的统计分析工具,在数据稳定性和功能完整性上的表现是很优秀的。
talkingdata和dataeye是做游戏分析起家的,在游戏领域,talkingdata和dataeye分别在华北和华南地区具备很大的知名度。他们在游戏指标和维度上的设计也是很专业的。
腾讯的优势是具备强大的社交关系链。这个优势也输出到了腾讯统计分析中。腾讯统计分析具备强大的用户画像功能,这个数据能够帮助开发者更好的了解用户。
独立部署企业版本:talkingdata企业版本、ly、Cobub razor。
我们也可以购买独立部署的数据服务,将数据的收集、计算、展示都放到私有云上。
统计原理
Android平台的应用市场比较多,推广方式也很丰富。我们可以通过分包发布来区分不同的渠道。
简单的说,就是开发人员为每个渠道生成一个渠道包,每个渠道包用不同的渠道字段来标示。运营人员再将这些渠道包上传到渠道中,当有用户下载激活app时,就可以在报表页面中查看到不同渠道来的用户的数据了。
用友盟统计分析举个例子。开发人员可以在manifest文件的<application>节点中添加下面这行配置。
<meta-data android:value=”Channel ID” android:name=”UMENG_CHANNEL”/>
将“Channel ID”改成需要标示的渠道,比如小米、豌豆荚等。
关于数据准确性的问题
一般来说,统计工具是使用IMEI+MAC来唯一标示一台Android设备。当然这是一个简化的说法,实际上,Android的设备id存在很多缺陷,比如mac存在漂移,imei存在冲突,所以一个好的统计工具会有自己的id组合策略,而非单一的设备id来唯一标示一台设备。不同的统计系统的id方案不一样,所以我们会发现不同的统计系统会存在微小的偏差。如果这个偏差在一定范围内,是可接受的。
除了可接受的误差之外,我们可能还会遇到很多其他的数据问题。我总结了一些列举在下面。
为什么渠道后台的数据大于统计系统的数据
渠道是基于下载计算的,统计工具是基于激活计算的。也就是说,
- 用户下载了app但未运行,统计系统无法统计到;
- 用户使用app时未联网,统计系统也获取不了这个用户数据;
- 用户之前安装过该app,从某渠道下载了一个新版本,这个用户只能算一个老用户,不计入该渠道的新增用户中。
这些情况都会导致渠道后台的数据大于统计系统的数据。
为什么渠道后台的数据小于统计系统的数据
安卓市场情况非常混乱,会存在小渠道抓包发布的情况。同时,各渠道之间有资源互通的合作,例如豌豆荚与二十多家渠道互通资源,如果一个应用的新版本未在豌豆荚发布,豌豆荚本身的搜索引擎性质仍能通过豌豆荚下载其他渠道(如安智)的安装包,此时应用在本身安智渠道的下载量并不会增加,但友盟统计后台安智渠道会新增用户+1
不同的统计工具,数据对不上
正如前面所说,不同的统计系统的id方案不同,会存在微小的偏差。
此外,如果一个统计工具是基于账号系统,一个统计工具基于设备,可能会存在一个设备登陆好几个账号,或者一个账号跨屏登陆的情况,这两个系统数据肯定是对不上的。
原理
相比Android平台,iOS是一个封闭的生态(暂不考虑越狱渠道)。我们不能通过分包发布来区分渠道用户,只能通过短链分发来监控渠道的效果。
具体的说,每个app在appstore上对应了一个唯一的链接,我们可以将这个原始链接封装成不同的短链接,将短链接交给渠道,这样就可以区分来源于不同渠道的用户了。
从技术步骤上来看,一个终端手机用户如果点击了渠道上这个短链接,会跳转到appstore页面上。这个过程会触发一个服务器端的请求,服务器会记录这次点击的设备信息,包括ip地址、机型等。如果这个终端用户下载并激活了这个app,会向服务器发送一个激活包的信息。短链监控平台将激活信息与点击信息进行匹配,从而计算出点击、激活等数据。
工具
我们可以自建短链监控系统,也可以选择国内外成熟的解决方案来进行iOS渠道的监控。
- 广告平台自带广告监测工具:Inmobi AdTracker、google adwords
- 第三方广告监测平台:umtrack、appcpa、mobile app tracking、Tapstream
一般来说,选用第三方平台会比广告平台自带的监控工具更加具备公正性。我们需要尽早做好准备,在一个app还没有进入推广期时,就选择接入第三方广告监测平台。这样,第三方平台中保存了这个app的历史数据,在进行渠道推广时能够判断新老用户,从而数据会更加准确。
关于数据准确性的问题
精确性
有的运营人员做渠道投放,每个渠道都投放了,点击量特别高,可能达到上万,甚至两三万,但激活量特别低,呈现个位数。费用都花光了,但是效果没有出来。自己也做分析,投放的平台也做分析,但是却得不到结论。
我们做数据分析的前提是需要拿到靠谱的数据。如果数据不准确,基于这个数据分析出来的结论是没有意义的。
我们做iOS正版的渠道推广,需要注意的是,第三方短链服务存在一个精确度的问题。
具体来说,用户点击短链的时候,服务器端只能获取到ip地址,获取不了openudid这样设备标示符的信息。我们知道ip地址是一个会变化的地址,并不能唯一的标示一台设备。
比如我在公司wifi下点击下载app,但是回家才打开app体验产品,因为ip地址切换了,这个激活是匹配不上的;另外一个例子就是,一个咖啡店中,一个客人点击短连接,另一个客人去appstore上搜索并下载激活了这个app,因为这两个客人都连接了咖啡店的wifi,属于同一个ip地址,系统会认为这个点击和激活是可匹配的。
所以用ip地址进行匹配的原理存在天然的缺陷,是一种有误差的统计。
合作平台
正是因为这种统计原理的缺陷,监控平台会通过跟DSP、网盟这样的渠道建立合作来避免和消除不准确性。
当有用户点击短链接时,渠道回传可靠的设备标示符给监控平台(如idfa、idfv、openid等)。用户激活时,监控平台可以使用设备标示符来匹配激活和点击的数据,从而提高了整个系统的数据准确性。
如果我们使用付费推广的方式来获取新用户,一定要提前了解监控平台是否与对应的渠道建立了合作关系,如果有合作,那么监控平台上的数据是非常准确,广告平台也认可用这个数据来结算的。
与此同时,总有一些推广渠道是监控平台合作所覆盖不到的。比如社会化营销推广,这种推广的效果只能使用ip地址来匹配。
这种不准确的效果数据对我们的意义就在于:粗略地了解每一次推广的趋势,通过相对的对比来分析每一次推广的效果,优化营销推广方案。
写在最后:
正确的选择渠道监控工具只是我们数据分析的第一步,我们还需要学会使用数据指标和高级功能来分析渠道的效果。下一篇,我将重点针对这个主题,谈谈有哪些指标和维度可以用来反映渠道的用户质量,如何通过数据分析来辨别渠道作弊,分析渠道的效果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05在CDA(Certified Data Analyst)数据分析师的能力模型中,“指标计算”是基础技能,而“指标体系搭建”则是区分新手与资深分析 ...
2025-12-05在回归分析的结果解读中,R方(决定系数)是衡量模型拟合效果的核心指标——它代表因变量的变异中能被自变量解释的比例,取值通 ...
2025-12-04在城市规划、物流配送、文旅分析等场景中,经纬度热力图是解读空间数据的核心工具——它能将零散的GPS坐标(如外卖订单地址、景 ...
2025-12-04在CDA(Certified Data Analyst)数据分析师的指标体系中,“通用指标”与“场景指标”并非相互割裂的两个部分,而是支撑业务分 ...
2025-12-04每到“双十一”,电商平台的销售额会迎来爆发式增长;每逢冬季,北方的天然气消耗量会显著上升;每月的10号左右,工资发放会带动 ...
2025-12-03随着数字化转型的深入,企业面临的数据量呈指数级增长——电商的用户行为日志、物联网的传感器数据、社交平台的图文视频等,这些 ...
2025-12-03在CDA(Certified Data Analyst)数据分析师的工作体系中,“指标”是贯穿始终的核心载体——从“销售额环比增长15%”的业务结论 ...
2025-12-03在神经网络训练中,损失函数的数值变化常被视为模型训练效果的“核心仪表盘”——初学者盯着屏幕上不断下降的损失值满心欢喜,却 ...
2025-12-02在CDA(Certified Data Analyst)数据分析师的日常工作中,“用部分数据推断整体情况”是高频需求——从10万条订单样本中判断全 ...
2025-12-02在数据预处理的纲量统一环节,标准化是消除量纲影响的核心手段——它将不同量级的特征(如“用户年龄”“消费金额”)转化为同一 ...
2025-12-02在数据驱动决策成为企业核心竞争力的今天,A/B测试已从“可选优化工具”升级为“必选验证体系”。它通过控制变量法构建“平行实 ...
2025-12-01在时间序列预测任务中,LSTM(长短期记忆网络)凭借对时序依赖关系的捕捉能力成为主流模型。但很多开发者在实操中会遇到困惑:用 ...
2025-12-01引言:数据时代的“透视镜”与“掘金者” 在数字经济浪潮下,数据已成为企业决策的核心资产,而CDA数据分析师正是挖掘数据价值的 ...
2025-12-01数据分析师的日常,常始于一堆“毫无章法”的数据点:电商后台导出的零散订单记录、APP埋点收集的无序用户行为日志、传感器实时 ...
2025-11-28在MySQL数据库运维中,“query end”是查询执行生命周期的收尾阶段,理论上耗时极短——主要完成结果集封装、资源释放、事务状态 ...
2025-11-28在CDA(Certified Data Analyst)数据分析师的工具包中,透视分析方法是处理表结构数据的“瑞士军刀”——无需复杂代码,仅通过 ...
2025-11-28在统计分析中,数据的分布形态是决定“用什么方法分析、信什么结果”的底层逻辑——它如同数据的“性格”,直接影响着描述统计的 ...
2025-11-27在电商订单查询、用户信息导出等业务场景中,技术人员常面临一个选择:是一次性查询500条数据,还是分5次每次查询100条?这个问 ...
2025-11-27