酒香也怕巷子深,如何避开应用市场中的这些坑?

酒香也怕巷子深,如何避开应用市场中的这些坑?

软件仓库woniu2024-01-20 23:53:2217A+A-

“术”当然包括各种技能,数据分析的技能也是生财之术的一种,不夸张的说,数据分析能力的强弱是决定商业变现收入高低的重要因素之一。


今天我邀请的分享者Chow,他的分享主题是国内工具类产品的数据分析方法论,文中有不少有价值的思路和观点,比如:


酒香也怕巷子深,如何避开应用市场中的这些坑?

1. “品牌”、“安卓版本”、“渠道”、“软件版本”、“新用户占比”是安卓产品数据分析的 5 个主要纬度;

2. 好的产品不玩套路,真诚对待用户,LTV 自然就会很高;

3. 在定位问题前要清楚“有没有问题?”和“预期是什么?”;

4. 最终所呈现出来的都是一个数据的故事:“因为……,导致了…,它的影响是…,在…预期内(外),可以做...”。


如果在做产品,不管是产品经理、运营或者是开发,都可以看看。更多具体内容,请大家自行挖掘,以下是分享原文,enjoy!


———————


大家好,我是 Chow,18 年毕业,现商业 pm ,感谢亦仁的老师的邀请,为大家分享一些关于国内工具类产品的方法论。


狄更斯曾说到:“It was the best of the times, it was the worst of times”,这句话映射到当前的中国互联网可谓是再合适不过:巨大的人口市场、完善的互联网基础设施都让人觉得遍地是“黄金”,但同时,巨头们的触手已经伸向生活方方面面,既然小公司在财力上很难与大厂抗衡,那么精细化运营就是必不可少的手段,数据分析就是精细化运营中必不可缺的一部分。


这次和大家分享的数据分析方法论,主要聚焦国内安卓市场的工具类产品(特指清理安全)开头前,先介绍下一般清理工具类产品的变现模式——广告,嗯,安卓基本上就只有广告,产品上要做的核心就是想办法提高留存,只要留存不掉,收入就蹭蹭蹭往上涨。


首先,影晌产品数据分析主要有 5 个维度,分别是品牌”、“安卓版本”、“渠道”、“软件版本”、“新用户占比”



关于品牌


国内目前主流的安卓品牌就 4 个,华为、oppo、vivo、小米,这跟数据分析有什么关系呢?


主要是“权限”。因为 Google 在中国有太多干儿子,各家品牌的 ROM 把安卓改的连亲妈都认不出来。比如在 oppo、vivo 上,锁屏属于悬浮窗权限(注:锁屏界面岀产品界面),系统不会默认给,就需要做推广页向用户要权限,有推广的地方就不可避免的会有流失。所以若是产品涉及到安卓定要清楚不同品牌对权限的影响。


其次,不同品牌 ROM 在后台杀进程的效率也不一样;这里分享一个曾经做过的 AB 测,在某品牌手机上要了“自启动权限”,结果,留存还变差了,后台认为 app 太耗电,悄咪咪把它杀死了。综上,品牌 R○M 在数据分析的时候是一个 X 因素,需要额外注意下。



关于安卓版本


安卓版本也主要跟权限有关,越低的版本越可以拿到更多的权限,收入当然也会越高。不过,看看欧洲颁布的 GDPR 法律,国内的隐私政策也会变得越来越严,未来,谁拥有好的产品谁就是核心竞争力,就像亦仁说的—“社群运营的核心在于真诚”’,同样的道理,好的产品不玩套路,真诚对待用户,LTV 自然就会很高。


话说回来,若主要靠广告变现的产品,可以多看看海外 Facebook、 Google的广告政策,海外的政策就是未来中国的样板。



关于渠道


最重要的是清楚自然量和买量的用户表现。


先说说自然量,一般所说的自然量都是商店量,主流的商店也就是刚才所说的那四个品牌的应用商店,但这里头有一个商店叫应用宝,应用宝虽然没有自己的品牌手机,但市场占有率大概在 30%,并且应用宝审核较松,产品很容易上线,为了预防各个商店抓包的情况,最好新版本上线同时提审,不要单独提审一个商店。


此外,如果产品上有些改动,比如广告是有远端开关控制的,提审通过后一定要记得打开。华为和小米商店审核最严,一般产品提审前都会把广告关掉,过审后打开,一定要记得打开!不然一天没打开,一天的收入就都没有,这都是血泪的教训。


再说说买量,买量涉及的范围很广,这里只重点强调不同的渠道买来的用户质量可能不同,比如,抖音上买来的用户可能留存特别差,而趣头条可能又很好。所以,渠道量心理提前要有预期,如果某段时间买量特别大,产品上数据不好但又没查出什么原因,那大概率需要看看渠道的表现了。


由于一个产品一般都会同时存在很多个版本,在这里要注意“商店劫持”。“商店劫持”顾名思义就是用户在看到渠道推广的广告后,点击下载,不过最后跳转到品牌自己的应用商店去下载了。这对数据分析影响其实没那么大,但还是要注意下,起码要清楚劫持比例是多少



关于软件版本


这个就属于正常的版本迭代了,产品上做了哪些功能,对产品上的数据有什么影响,事先要有预期,拿捏不准的地方直接就 AB 测。



关于新用户占比


这点也很好理解,新用户多,产品上的数据肯定好,就不展开多讲了。假如最近没有啥电商造节、没有季度交替、没有双十一……买量的价格肯定便宜,新用户一多,下班也早,哈哈此外,从市场一般情况看,广告商的表现在月初是低点,月未是高点,每季季初( I 月、4 月、7 月、10 月)的降幅会比其他月初降幅稍微明显一些,各季度表现为 Q1<Q2<Q3<Q4,Q2 和 Q3 的差异通常小于 Q3 和 Q4 的差异。所以,数据对比时,月初、月末、周末、工作日数据有差异,不能立马断定是数据异常,更可能是数据波动。


再次温习一遍,‘新用户占比”、“软件版本”、“渠道买量”、“安卓版本”、“手机品牌”是影响工具类产品数据波动的五大维度,国内的竟争相对海外比较激烈,变量还特别多,在数据分析的时候有时难以找到突破口,那么,面对各种“奇怪”的数据,该以何种思维去破解它呢?方法论也特别简单,就一句话:“ Something happened, happens for a reason.”


具体落到实际,有下面四个步骤


1. 定位问题

2. 找变化

3. 形成推论

4. 验证推论



首先,什么是定位问题?


这一点,很多人分析数据时一顿操作猛如虎,把能想到的数据全部 po 出来,这样做基本解决不了任何问题。在定位问题前要清楚“有没有问题?”和“预期是什么?


什么叫“有没有问题”和“预期是什么?


比如,工具类产品周末 DAU 会下降,用户行为数据也会下降。如果此时进行分析,数据下降不能归为问题,而应该是波动;预期用户行为数据下降在 5%以内,如果数据下降了 10%,这已经超过了预期,需要下一步分析,那此时问题就变成“为什么会下降 10%?”



找变化


这一步主要是分各种维度看数据,回到上一部分所讲的 5 大维度,“各个渠道买量最近留存如何?”、“新老用户占比有变化吗?”、“产品上做了什么改动”、“云端配置有变化和吗?”找到变化点,就可以形成推论。这里运用一个句式—“因为…所以...”



验证推论:


有了上一步的推论,接下来要做还有两步


1. 如果推论正确,那么……(数据是否吻合)


这一步目的主要是对数据进行侧面验证。例如,最近的买量很多,但留存很差;留存差,用户使用数据肯定不好,那广告数据肯定也不好,它们的数据跌幅比例是否一致?如果用户使用数据跌了,广告数据没跌,那此时你的聚焦点会稍有变化,变成-“为什么广告数据没跌?”,可能是前几天换了一波广告id?可能最近遇上 818 了?…这时,会再通过广告id数据表现去验证推论。


2.影响是否符合预期(量化影响)


什么叫影响符合预期呢?再拿上面例子,假设留存下降 10%,广告数据也会下降 10%,但数据显示留存下降 10%,广告数据下降 20%;那肯定有其他的原因你没找到,这个时候回到第一步—“定位问题”,再逐级向下分析。



可能找一个问题的原因,会经历多遍上述步骤的往复,但最终所呈现出来的都是一个数据的故事:“因为……,导致了…,它的影响是…,在…预期内(外),可以做...”


广告行业有句话:“我知道我的广告费有一半浪费了,但我不知道哪一半浪费了。”数据分析其实是在很多变量中找到那个“影响因子”,从而及时纠偏。

点击这里复制本文地址以上内容由小高教学网整理呈现,请务必在转载分享时注明本文地址!如对内容有疑问,请联系我们,谢谢!

支持Ctrl+Enter提交
qrcode

小高教学网©All Rights Reserved.  Copyright Your WebSite.Some Rights Reserved1.
Powered by 小高教学网原创
联系我们关于我们留言建议网站管理