酒香也怕巷子深，如何避开应用市场中的这些坑？

“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：

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。