APP求增長離不開對數據的應用，應用程度的深淺決定著增長效果的好壞。

基礎的應用是把數據當作驗收工具，用來衡量和評價APP增長各個環節的效果；進階的應用是把數據當作重要信息，對反饋數據進行全面洞察，找到用戶真正的需求；更深入的應用則是把數據當作APP增長的重要資源，對數據進行動態的管理和挖掘，建立數據模型將數據背后的價值開發出來，為APP增長各個環節的優化提供數據依據和驗證。

本系列文章將通過拆解一個與某共享單車APP合作完成的“增長”全案，解讀數據在APP增長全流程中擔任的角色，以及如何發揮其作用。

人群洞察科學驗證經驗預判

策略是APP增長的基石，而人群洞察是幫助APP驗證和明確目標人群的“數字導航儀”。

APP在開展人群洞察前不能無的放矢，必須先要有預設的目標人群。APP運營者可以結合行業了解、經驗總結和APP自有數據，綜合分析擬定目標人群。本案例中的共享單車APP在進行數據洞察之前就將大學生群體作為本次增長的重點目標人群。

APP在擬定了目標人群后，首先要做的是去驗證目標人群的發展潛力，是否具有“增長”價值。數據洞察可以從APP的用戶畫像、用戶構成以及線下場景等維度，通過行業對比的方式，進行驗證。

案例從共享單車行業整體人群畫像、該單車APP用戶人群畫像兩大維度進行對比分析。

通過兩組用戶畫像的對比，得出以下結論：

• 25-44歲人群是共享單車類APP主流人群；18-24歲人群占比達6%，是主流人群之外很有競爭力的人群；
• 該單車APP人群年齡結構中18-24歲人群占比為12.6%，略低于行業人群年齡結構中12-24歲的人群占比，這說明單車APP對18-24歲人群的拓展還有增長空間。

案例在用戶人群結構占比洞察中，根據人群標簽對共享單車人群進行人群結構分析，得出以下結論：

• 大學生人群是單車行業第二大用戶群體；
• 該單車APP用戶中大學生人群占比僅為7.3%，遠低于行業占比，大學生人群潛在市場空間較大。

線下場景洞察打破空間次元壁

APP對于用戶洞察的維度不能僅限于線上行為，還要考量線下場景因素。因為，線下生活場景也會對用戶APP使用行為產生影響。

APP在洞察中加入線下場景，可以打破空間次元壁，實現線上、線下的有機聯動，助力用戶增長。正如電商們追逐的“新零售”概念，其核心在于打通線上、線下場景，通過線下需求線上服務解決的方式促進增長，而這一增長策略的背后需要強大的線下場景洞察。

本案例中，共享單車APP的“增長”策略同樣需要線上與線下緊密結合，因此除了線上人群的對比，線下場景洞察同樣重要。

案例對于共享單車用戶線下場景（樣本地：成都、成都）進行人口熱力圖分析，尤其關注大學城、創業園等學生群體密集區域。熱力圖通過顏色深淺的色塊來顯示人群密集程度，顏色越紅人群越密集。

如上圖所示，無論是成都，還是成都，大學城所在位置都是區域人群高度集中的區域（即紅色色塊），具有拓展價值。

上述數據洞察發現，大學生人群確實是具有價值的目標人群。共享單車APP將大學生人群作為增長目標用戶是可行的。

但是，大學生人群體量有限，也并非共享單車行業的主流用戶人群，APP將增長目標人群僅瞄準于大學生人群顯然覆蓋度不夠。APP仍需尋找新的增長目標用戶來做補充。

根據先前人群洞察的結果，上班族是共享單車APP的“大戶”，共享單車解決了通勤人群最后一公里的問題。基于對行業的理解，案例將洞察的方向轉至通勤人群，并結合交通接駁的線下場景，對成都和成都地鐵沿線站點進行人群洞察。

此次洞察將用戶線上行為偏好和線下場景相結合進行驗證，結果顯示：

• 早高峰時地鐵站點周邊單車人群更為密集；
• 晚高峰時期，地鐵站點周邊單車人群更為活躍；
• 地鐵站點半徑1km的范圍內，單車潛在用戶較為集聚。

洞察發現，地點站點周邊半徑1KM區域是共享單車APP增長新場景，能夠覆蓋更多的活躍人群。

案例進行到這里，增長策略制定期的數據洞察暫時告一段落。

共享單車APP通過以上數據洞察不但驗證了大學生人群是有價值的目標人群，還發現地鐵站點周邊區域目標通勤人群較為聚集、APP活躍度較高是有效的“增長”線下場景。

接下來，APP可以根據數據洞察的結果對增長策略進行優化，比如對大學城、創業園區等大學生人群密集場景加強推廣；在早晚高峰時段，對地鐵沿線進行單車調度運營和活動運營等。

構建目標人群模型 動態提升推廣精準度

隨著增長策略的逐步執行，數據洞察的進程也將不斷延續，真正體現數據復合價值的環節才剛剛開始。

我們認為好的數據洞察是貫穿于APP增長推廣的全周期，并能夠生成數據模型，在增長過程中實時積累和處理數據，不斷迭代優化，指導APP增長策略往最優的方向執行。

在案例后續執行和推廣過程中，如何定位這些目標人群，如何更廣泛地觸達目標人群，這就需要APP在投放中使用到目標人群模型。APP想要目標人群模型更精準，就需要有更多維度的數據特征做基礎。

案例中，共享單車APP的目標人群模型建立涉及了5大維度：

1. 單車行業用戶：單車APP安裝與使用特征可用于區分活躍用戶和沉默用戶，將推廣投放人群聚焦在APP新用戶以及有喚醒價值的沉默用戶上；
2. 大學生人群：在大學生人群標簽的基礎上，加上年齡段、常住地等能提高區分度的特征，進一步瞄準學生人群；
3. 白領人群：在白領人群標簽的基礎上，加上工作時間段、職業場景等能提高區分度的特征，進一步篩選白領人群；
4. 地鐵人群：利用LBS地理圍欄技術圈選地鐵站點場景，更精準覆蓋通勤人群；
5. 高密度人群：通過APP滲透率和線下場景結合找到單車需求旺盛的地區和人群。

以上五個維度中，單車行業用戶、高密度人群從宏觀的維度覆蓋到了共享單車APP還未觸達但有需求的用戶；大學生人群、白領人群、地鐵人群相對微觀，起到鎖定目標人群的作用。這樣形成的目標人群模型被應用到APP增長推廣中既能精準鎖定主要目標人群，又能同時兼顧傳播的廣度，影響更多的人。

目標人群模型并不是一成不變的，需要根據每一個投放環節的數據回流進行不斷迭代優化，其精準度才會持續提高。

一次有效的推廣需要關注整個轉化漏斗的各個環節，每個環節都需要收集數據、分析數據、仔細觀察數據背后反應出來的問題。

APP需要以實際投放效果對轉化人群特征進行深層次挖掘，更好地加深對目標人群的了解，進一步優化人群定向，為下一次投放做好準備。

設定自然流量對照組 優化效果歸因模型

效果歸因在增長推廣過程中，一方面幫助APP考評推廣組合的效果，另一方面幫助APP解決錢要怎么花的“現實問題”。

效果歸因最重要的是要了解各種導致轉化的跨渠道之間的交互以及應用于每次交互之間的相對權重。效果歸因的數據越客觀其對最終投放結果的作用就越大。

但是，目前主流的歸因邏輯還是存在不夠客觀的弊端。比如Facebook和Applovin提供的歸因模型，都無法去除自然增長流量對推廣效果帶來的干擾。

本案例將目標人群按照9:1的方式分為推廣樣本集和對照樣本集。

對投放樣本集中的人群進行推廣，并按照主流歸因邏輯進行統計。對照樣本集的人群則不進行推廣，統計其自然增長的情況。在最終的數據歸因階段，通過去除對照樣本集采集到的自然流量增長率來減弱主流歸因邏輯中自然流量的干擾，挖掘更優質的推廣渠道。

當然,對照樣本集的自然安裝率是通過抽樣樣本計算所得，相對于實際的自然安裝率存在誤差，這就需要APP根據實際情況做一些優化調整。

多元數據洞察 優化APP推廣執行細節

在APP增長過程中，還有很多細節是可以通過數據洞察找到最優解決方案的。比如，黑流量識別與防護、尋找最優出價區間、曝光次數與推廣效果關聯關系、線下推廣場景優選等。

本案例中對曝光次數與推廣效果的數據洞察幫助共享單車APP以最優的成本獲得最佳的推廣效應。

洞察發現，曝光5次以下，曝光次數與推廣效果成正相關，且CPA成本能控制在6.24元左右；曝光5次及以上，曝光次數與推廣效果無直接關系，且CPA價格成倍增長。另一方面，從邊際CPA分析得出，每多曝光一次所帶來的推廣效果并沒有發生太大變化。

由此可以得出結論：高成本未必會換回好效果。

APP不需要做過多無謂的曝光，將曝光次數控制在5次以下的方案性價比最高，可以以最少的成本取得最好的效果。

總體來說，隨著數據智能在互聯網行業的逐步落地，大數據將成為新一代增長“黑科技”。

大廠們在這一方面布局很早，在模型和數據量上都有了一定積累。其他APP開發者也可以通過第三方數據服務商提供的工具和服務，快速實現數據的應用。

在硬件和軟件都準備充足的背景下，APP還需要對數據智能更多一點點的耐心，畢竟數據模型的迭代和優化需要慢工出細活

作者：運營派

來源：運營派