論渠道之怪相

有的運營人員做渠道投放，每個渠道都投放了，點擊量特別高，但激活量只有個位數。也有可能點擊激活數量都很高，但是留存率很低。費用都花光了，但是效果沒有出來。自己做數據分析，但是卻得不到結論。

我們做數據分析的前提是需要拿到靠譜的數據。如果數據不準確，基於這個數據分析出來的結論是沒有意義的。

獲取準確的數據，首先需要我們選擇靠譜的統計分析平臺。即便在平臺靠譜的情況下，也有可能出現一些不靠譜的情況。俗話說，有榜單的地方就有刷榜，有數據統計的平臺就有數據作弊的作坊。

在移動互聯網生態中存在很多不為人知的渠道刷量工作室，這些工作室以非常低廉的價格貢獻質量同樣低廉的用戶數據。

早期的統計分析平臺的 SDK 基於明文的 jason 數據包，工作室可以很方便的用程序偽造這些數據包，模擬出新增、活躍、留存、時長等用戶數據。隨著統計分析平臺的發展，很多分析平臺推出了基於二進制協議的 SDK ，開發人員還可以自行調用加密開關。這些技術的提升使統計平臺的安全性和數據準確性得到了提高。如果 APP 升級到安全協議版本的 SDK ，刷量工作室已經很難採用直接模擬數據包的形式來刷量了。

所謂道高一尺魔高一丈，平臺有平臺的方法，刷量工作室有刷量的方式。他們可能是採用分佈式人肉刷量的方式來刷量（形式可以參考基於任務的積分牆）；也有可能是採用更為智能的方式，通過編寫程序腳本，修改真機參數，驅動真機運行（有興趣的同學可以瞭解一下igrimace這個 iOS 的刷量工具）。這些行為已經跟真實的用戶行為幾乎沒有差別了，很難從技術上分辨這些數據。

其實有經驗的運營人員還是可以通過一些數據指標來分辨出真假用戶的差異。今天推文的二條中有關於渠道刷量的公益直播課，點開二條文章即可免費領取！

渠道效果評估

1. 留存率

有時候渠道刷量會選擇在次日、7日、30日這些重要時間點上導入用戶數據。我們會發現 APP 在次日、7日、30日這些關鍵時間點上的數據明顯高於其他時間點。其實真實的用戶的留存曲線是一條平滑的指數衰減曲線，如果你發現你的留存曲線存在陡升陡降的異常波動，基本上就是渠道干預了數據。可想而知，這樣的用戶的質量是非常差的，也不具備商業價值。

留存曲線不僅可以幫助我們判斷渠道的質量，還可以在運營推廣和產品優化上給出很多參考性建議。留存率這麼重要，那麼，留存率是怎麼計算的呢？

某一天的新增用戶，在 n 天后回訪的比例，就是這天的 n 日留存率。舉個例子，如果我們在2月1日獲取了1000個新增用戶，這批用戶在2月2日有400個用戶回訪，2月8日有200個用戶回訪，那麼2月1日新用戶的次日留存率是40%，7日留存率是20%。

留存率是業內判斷用戶質量的通用指標。移動互聯網行業內，如果一個 APP 的次日留存率達到40%，7日留存率達到20%，30日留存率達到10%，這個 APP 的留存率就高於了業內標準了。一般來說，工具類應用的留存率高於遊戲類應用的留存率，高頻應用的留存率高於低頻應用的留存率。除了應用類型，留存率還跟 APP 的用戶體驗、推廣方式等因素相關。

2. 用戶終端

每個渠道都有自己覆蓋的用戶群，他們的用戶終端會有區別。比如說小米應用商店的用戶可能TOP10的機型都是小米手機，而移動的用戶可能絕大部分是移動運營商的用戶。排除這些有特殊渠道的應用商店，大部分渠道的用戶終端跟整個移動互聯網終端分佈是類似的。我們可以通過查看移動互聯網數據報告或者數據指數產品來了解這些數據，把這些數據作為be n chmark，來對比分析 APP 的數據。

我們可以重點關注設備終端、操作系統、聯網方式、運營商、地理位置這些手機設備的屬性。我在下面列舉了一些tips，歡迎交流與拍磚。

方法 1：關注低價設備的排名

你可以重點分析渠道的新增用戶或者啟動用戶的設備排名。如果你發現某款低價設備排名異常靠前，這種情況值得我們重點關注。這些數據可以在統計平臺的終端屬性分佈中找到。

尤其是 iOS 平臺沒有模擬器，所有的用戶數據需要通過真機觸發。很多刷量的工作室會選擇購買二手的iPhone 5c來做刷量真機。有個做渠道推廣的朋友踩過這樣的坑，發現某個渠道有75%的設備是iPhone 5c，比top5的 iOS 設備佔比還多。繼而又發現這個渠道的留存率等指標都差強人意，最終查出這個渠道使用了大量的iPhone 5c來刷量。

方法 2：關注新版本操作系統的佔比

經過本人多年工作經驗發現，很多渠道刷量工作室在操作系統版本的適配上會有延時。所以建議渠道人員在查看渠道用戶的操作系統時，可以和全體手機網民的操作系統的分佈做比較。如果你發現某個渠道下面，不存在新版本的操作系統（比如 iOS 8.x），有一種可能性就是這個渠道合作的工作室的技術還沒有適配最新的操作系統。

方法 3：關注wifi網絡的使用情況

有的朋友問我，用戶在wifi下面使用的比例達到了90%，這個比例到底正常不正常。

要回答這個問題，首先我們需要對現在的大形勢有些瞭解。現在是一個高速網絡的環境，無論是新增用戶還是活躍用戶，wifi的使用佔比都比較大。

從用戶行為上來說，如果你留心身邊的朋友，會發現大家在下載 APP 的時候傾向於使用wifi（流量貴啊），相比之下，啟動 APP 時，會對當前網絡的敏感性差一些。也就是說，新增用戶的wifi使用比例會大於啟動用戶的wifi使用比例。

另外，wifi的使用比例還跟應用類型相關。如果你是一個在線視頻類型的應用，可能wifi的比例會在90%以上。

如果你是一個小流量的 APP ，同時能夠在新增用戶和活躍用戶的wifi數據對比上看出蛛絲馬跡，可能真的是渠道在搗鬼了。

方法 4：定向投放也很重要

有個行業內做了很久的朋友傳授給我一個經驗，說福建地區的作弊比較多，我們在制定投放策略的時候可以重點考慮屏蔽作弊多的地區。

另外，我們在投放時也可以根據需要重點選擇部分地區投放。比如北上廣這些高消費的地區，比如三四線城市這些相對藍海的區域。查看數據時就需要驗證用戶是否和我們的投放策略相符合了。

3. 用戶行為

方法 1：比較用戶行為數據

如果一個 APP 做的時間比較久，訪問頁面、使用時長、訪問間隔、使用頻率等這些行為數據會趨向穩定的。不同 APP 的行為數據是有差異的。可能刷量工作室可以模擬出看似真實的用戶行為，但是很難跟你的 APP 的日常數據做的完全一致。

一個渠道用戶的使用時長、使用頻率過高過低都值得懷疑。我們在平時做渠道數據分析時，可以將這些數據跟整個 APP 作比較，或者將安卓市場、應用寶這些大型應用商店的數據作為基準數據，進行比較。

方法 2：瞭解新增用戶、活躍用戶小時時間點數據曲線

很多刷量工作室通過批量導入設備數據或者定時啟動的方式來偽造數據。這種情況下，新增和啟動的曲線會出現陡增和陡降。真實用戶的新增和啟動是一條平滑的曲線。一般來說，用戶的新增和啟動會在下午6點之後達到高峰。而且新增相比啟動的趨勢會更加明顯。

我們可以將不同渠道的分時數據進行對比，找到異常。需要注意的是，

方法 3：查看用戶訪問的頁面名稱明細

有些工作室會將 App key打到其它高頻的 APP 中。這樣，我們可能會發現渠道用戶的數據非常漂亮，但是仔細觀察可以發現，頁面名中有大量的頁面不是自己定義的。通過對比頁面名稱，可以定位到這種形式的渠道作弊。

如果是Android APP，這個名稱是activity或者fragment；如果是iOS APP，這個名稱是自定義的view。這段記不住也沒關係。記得找開發人員要一下具體頁面的名稱列表，對比一下統計後臺用戶訪問的頁面明細，就能看出差異了。

4. 轉化率分析

轉化率數據的分析不僅可以幫助我們應對渠道作弊，還可以幫助我們判斷不同渠道的用戶質量，提高投放效率。

每一個 APP 都有自己的目標行為。比如電商類應用的目標行為就是用戶購買商品的情況。遊戲類的應用需要考察應用內付費。社交類應用會關注用戶產生內容的情況。運營人員需要定義和設計應用的目標行為。

如果一個用戶是真實的流量，他會經歷點擊、下載、激活、註冊、直到觸發目標行為的過程。我們可以將這些步驟做成漏斗模型，觀察每一步的轉化率。漏斗的步驟越靠後，作弊的難度越大，所獲取用戶對系統的價值越高，同時我們付出的用戶成本也越高。運營人員需要對目標行為進行監控，在渠道推廣時，考察目標行為的轉化率，提高渠道作弊的邊際成本。

反作弊模塊

除了使用現成的統計分析工具，還可以申請讓研發人員開發自己的反作弊模塊。反作弊模塊在原理上類似於殺毒軟件，我們可以定義一些行為模式，加到反作弊模塊的黑名單庫中。如果一個新增設備滿足定義的行為模式，就會被判定為一個作弊設備。每個運營人員都可以根據自己的 APP 來定義。我列舉了一些常用的行為模式：

• 設備號異常：頻繁重置idfa
• ip異常：頻繁更換地理位置
• 行為異常：大量購買特價商品等
• 數據包不完整：只有啟動信息，不具備頁面、事件等其他用戶行為信息

End.

零基礎入職數據分析就業班

課程的形式主要是“直播+錄播”

報名專享：課程項目作業+1v1班主任監督學習+愛數據學院學員專屬網站+班級答疑群

課程結束後能熟練掌握SQL、Python、Excel、PPT等工具

適合人群：

1.轉行（崗位相關，專業相關、對數據分析感興趣）

2.從事數據分析工作，但是需要提升技能以及增加實戰經驗

3.應屆畢業生入職數據分析

閱讀更多 愛數據網 的文章

關鍵字: 5c 數據分析