数据分析怎么做?评估活动的有效事项

伴随着移动互联网用户的增速越来越趋于饱和，用户增长的破局方法不得不从拉新获客转换为如何促活存量用户。

通过第三方广告媒体app（比如微信、抖音等）投放针对老用户的素材对用户促活，已经成为很多公司用来提升存量老用户活跃度的有效方法（后续会统称为“渠道拉活”）

某公司的市场投放部门也开始投入预算试水「渠道拉活」这一项目，在项目启动一段时间后，已经回收累积了大量的用户数据，但是：

1、渠道拉活对于DAU的带动贡献究竟有多大？

2、是否值得持续投入更多的资源？

3、活动情况的ROI如何？是否符合预期？

4、活动是否存在改进空间？

这些领导和业务方非常关注的问题，需要分析师基于数据给出公正和客观的答复。

数据指标：

站外转化漏斗（举例：广告曝光-广告点击-成功调起app-deeplink抵达特定页面）

站内核心行为的转化漏斗（举例：活动页-列表页-详情页）

可解决的问题：

评估用户从站外渠道到抵达App的路径是否顺畅，发现产品bug或者可以改善的机会点

评估活动的站内承接策略是否合理

三、分析过程

3.1、活动效果评估以及活动ROI分析

在量化DAU (或者活跃天数) 贡献时，需要减去用户的自然活跃量，即计算“净增量”贡献。该贡献可以分为当日贡献和长期贡献。

当日贡献是指：当日的召回用户对于当日DAU的增量贡献

长期贡献是指：由于召回用户的后续回流，在后续特定时间范围还会持续贡献的用户天数增量。比如，活动后的50个参与用户，在后续30天内人均活跃天数比活动前提高10天，那么促活的增量贡献就是1500天。

不得不承认，AB实验最擅长处理归因和量化的问题。它的思想是，将流量随机分为数量均匀和特征均匀的两组（即对照组和实验组），实验组用户只有在产品策略上与对照组不同，因此我们可以认为两组用户在同一时间维度上的指标差异，可以完全归因于策略上的差异。

然而，该广告拉活项目无法设计对应的AB实验，但我们可以基于AB测试的思想，构造与实验组“相似”的用户群体作为对照组。具体过程如下：

实际上，对于拉活对DAU的单次短期贡献，有更为简便的方法，即基于“首次归因”的思想，通过“拉活首次调起app的uv”进行量化评估，即如果用户多次启动过app，那么只有当通过促活广告首次调起app了，才会计入到促活广告的功劳。

值得一提的是，“首次归因”的方法也可以应用至“产品新上线功能评估”的效果量化中，通常我们可以将“启动app后首次访问该功能的用户量”作为该功能对dau的贡献量。

对于活动成本的核算，我们可以通过 “总成本消耗量 / 总DAU增量”，计算每个DAU增量的成本，以评估ROI是否符合预期。

可以以「大盘未参活用户」、「同期同类活动」、「往期同类活动」分别作为对比基准，基于用户行为漏斗、留存率、核心行为pv、人均使用时长等指标，识别本次促活策略是否有薅羊毛或者作弊严重的渠道，并评估活动拉来的用户质量好坏。但这里不作为本次分享重点，因此不再展开赘述。

1、如何构建活动评估的指标体系；

2、如何量化归因活动的短期贡献（即“首次归因”法）；

3、如何在无法开展AB测试的情况下，通过构造对照组的方式，快速地量化评估长期的增量贡献；