“互联网下半场”的概念在2016年由美团CEO王兴提出，大概意思是——中国互联网人口红利吃了二十多年，也该吃光了，互联网公司的发展的方式已经由上半场的“速度和流量”，转变为“深度和创新”。
如果以2016年作为互联网的上下半场分界线，那么下半场已经到了第3个年头了，好多人到现都还没摸透上半场规则，我们便赶鸭子上架般的来到下半场了。
上半场可以追溯至1995年，到2016年已经走过了21个年头，若按照足球比赛来讲，上下半场时间相同，可事实真的如此么？
我唯一能够确定的是留给我们的时间真的不多了，艰难程度堪比国足出现。
我们都看过了ofo完成E2-1轮融资8.66亿，也看过了退款人数超过千万；看过了拼多多一夜爆红，也看过了一夜被“盗”千万。
人们都认定互联网就是烧钱的行业，烧钱不一定成功，但不烧钱一定不会成功。
上半场我们就是这么走过来的，不管孰对孰错，接下来我们关心的是——应该做什么，做什么才能活下去，不被时代所淘汰。
于是乎，更多的人恍然大明白，认识到了用户增长的重要性。没错，下半场我们的课题就是用户增长。
个人理解，能用钱办到的事那都不叫事儿，也不叫增长，换谁都能做。但如何用更少的钱（不花钱）带来更优质的量，那才叫用户增长，才叫学问，也是下半场的核心玩法。
今天我们围绕渠道，分享一些用户增长的心得，具体内容如下：
- 渠道现状
- 模型概述
- 模型算法
- 模型的应用
- 模型的推广
一、渠道的现状
“下半场”渠道三大难题：
- 获取用户流量难
- 投放资金少
- 用户留存难
现在渠道流量难题可用一句话描述：预算少、求用户、质量差。
更恶劣的是，渠道流量作弊现象十分猖獗，虚拟机、设备重复激活、异常设备等刷量普遍存在。
如何在这种困难模式的大环境下，还能保证渠道投放精细化运营，做到用户增长呢？
我们今天就来聊一下渠道评估模型，通过多维度评估渠道流量质量，把钱花在刀刃上。
在讲模型前，先简单的介绍几种常见的渠道投放的结算方式：
- CPA：cost per action按用户激活付费
- CPC：cost per click按点击收费
- CPD：（1）cost per download 按下载计费（2）cost per day 按天计费
- CPS：cost per sale按销售额计费
- CPT：cost per time按时间计费
- CPM：cost per mille按千人展示计费
通常互金行业用的比较多的方式是CPS，而像汽车之家、易车网等咨询类平台多用CPC、CPD的方式进行结算。
互金行业的拉新相对水分较小（只是相对哈），互金商业模式加上CPS的结算方式，需要用户手机号、身份证等信息，还要进行实际的投资，所以使得渠道新增作弊成本较高。
对渠道后续评分也相对简单，多以转化、首投金额（GMV）、购买产品期限、产品交叉购买、复投率、资金复投率等指标来综合判断渠道拉新用户质量。
咨询类平台多以CPC、CPD结算，相对水分就很大了，因为没有强制用户注册登录，可以用访客身份登录，致使许多用户的关键信息是抓取不到或者抓取不全的。
所以无论是机器刷还是人刷的现象超乎你的想象，加上后期留存、GMV、UGC、有效行为等等问题，需要多维度因素评估渠道质量。
举个简单的例子，某咨询类APP，渠道A的结算方式是CPD，即按下载收费，会出现以下几种情况：
（1） 花了很多钱，用户只是下载，但没打开过APP
（2） 花了很多钱，用户下载打开APP，但留存差到爆炸
（3） 花了很多钱，用户下载打开APP，留存也ok，但没有任何其他有效行为
（4） 花了很多钱，用户下载打开APP，留存有效行为都ok，但是发现是虚拟机、设备异常或者重复激活（卸载APP再重新安装）
（5） 用户下载打开APP，留存有效行为都ok，机器也ok，但花了很多很多钱
上述只是简单的罗列了几种情况，其实实操起来问题更多。
什么是好渠道，什么是坏渠道，不是简简单单的留存高、用户行为好、成本低或者是GMV高就能说这个渠道质量好，怎样综合考虑渠道质量，今天就给大家介绍渠道评估模型。
模型就以困难模式下的咨询类渠道拉新为例讲解，我相信这类渠道评估模型要是玩明白了，其他类型平台应该是得心应手。
二、模型概述
先把成品给大家展示一下，让大家对这个模型有个初步印象，接下来再具体讲解细节。
模型首页展示图
算法页图
算法页放大图
简单的讲就是，模型是通过算法页的不同变量（指标），对渠道进行标准化打分，再根据各项指标不同的权重，汇总一个总得分，各项指标可以向下拆分一级、二级或更多级指标。
在样例模型中：
渠道总得分=数量得分*权重1+行为得分*权重2+商业得分*权重3+成本得分*权重4+质量得分*权重5
大体模型介绍完毕，下面来深入讲解模型算法：
（如果对于算法不感兴趣的朋友，可以跳过第三章，直接看第四部分的模型应用和模型推广）
三、模型算法
纳入评级库标准
（1）所有新增渠道
（2）数据异常无法获取正确信息的渠道不参与评分
打分方法
（1）各项一级指标、二级指标在0到100分范围内打分，无及格分数线
（2）对于可获取数据的定量指标，采用标准化的方式打分；若数据量级相差较大，可以先取对数，再进行标准化（减小量级差异造成的影响）
（3）从公司角度考虑，设置正向和反向指标，如新增人数为正向指标，成本为反向指标，即成本越高得分越低。
以新增得分为例：
其中，Qi为某个渠道的新增人数，Q为库中所有渠道新增人数的最大值，或者Q也可以为预设的上限值。
以成本为例：
其中，Gi为某个渠道的成本，MAX( G )为库中所有渠道人均成本的最大值，或者MAX（G）也可以为预设的上限值。
比如G设定为10，那么高于10元的用户此项得分会被评为0分。
MIN（G）为库中所有渠道人均成本最小值，或者MIN（G）也可以为预设的下限值。
权重确立方法：层次分析法（AHP）
介绍一下层次分析法（AHP），AHP能把复杂系统的决策思维进行层次化，将决策过程中定性和定量的因素相结合。
通过判断矩阵的建立、排序计算和一致性检验得到的最后结果具有说服力，避免由于人的主观性导致权重预测与实际情况相矛盾的现象发生，在多目标规划领域具有广泛的应用价值。
首先我们确立5项一级指标：数量得分，行为得分，商业得分，成本得分，质量得分，计算主要步骤如下：
构造判断矩阵：
（PS：层次分析法的软件也可以从网上下载免费版本）
所以有下图一级指标权重：
权重分配图
二&三级指标筛选（聚类）
1. 盲选：将根据经验得到的、现有的备选聚类变量全部纳入模型，暂时不考虑某些变量是否合适。
2. 贡献量分析：通过方差分析，观察分类是否存在显著差异，踢出对模型聚类没有贡献的变量。
3. 相似矩阵分析：输出相似性矩阵，对相关系数进行分析，若两变量相关系数接近1，说明两个变量可以互相替代，踢出一个变量以达到降维目的。
4. 通过上述3步对变量进行筛选，既能踢出贡献度较低变量，又将相关性将强的变量进行整合，最终输出相互间属性独立的变量。
各项二、三级指标的权重也参照一级指标一样，层次分析法进行权重分配，最终得到指标骨架图，如下图所示。
模型指标骨架
模型指标骨架图
骨架填充与BI展示
将数据填充到骨架中，再按照自己想看的维度去做相应的BI展示，本文按周和月监控渠道，也可以按照日为最细颗粒度进行监控。接下来的第四章讲解一些BI展示与应用。
四、模型的应用
使用模型后，就可以全面评估渠道的优劣，就好比料理要色、香、味俱全，渠道也要数量、行为、商业、成本和质量综合评价。
模型制作完毕，接下来就到了应用环节，俗话说得好，一切不能将策略落地的数据分析都是耍流氓。
下面抛砖引玉的介绍一些基础BI展示及应用，其实可深挖的东西很多，待各位读者继续深究。
最细颗粒度渠道总得分 展示图（一）
各渠道近几周（月）的走势图、本周得分、上周得分和环比值，同时在上方有按月和周切换按钮，可以分不同时间维度观测渠道。
简单明了地将渠道最细颗粒度展示出来，劣质渠道关闭或者缩量，将预算转移到好渠道上，使得优势最大化。
付费渠道大盘 展示图（二）
付费渠道总体走势图，按周和月监控所有付费渠道的情况，可以看出大盘的情况。
比如双十一获客非常难，成本偏高、用户停留时间变短、GMV降低等，都可以从总结得出结论，针对618、双十一、双十二等节日做战略性投放。
渠道总得分拆解图 展示图（三）
除了渠道总分，还可向下拆分看一级二级和三级指标情况，以便更好的了解渠道的属性特点，针对不同渠道特性做精细化运营。
要新增量时候投什么渠道，因为有些渠道虽然优秀，但新增数量会遇到瓶颈，渠道的同事经常跟我说钱花不出去，就是这么个道理；
要商业转化的时候投什么渠道，有的量够留存也好，但在商业转化这方面表现一般。
这都是渠道的属性，摸透了渠道会事半功倍，还能捎带手的把KPI完成，岂止一个“稳”字了得。
付费&自然用户对比图 展示图（四）
付费和自然用户对比画像，可以看得出自然用户的行为A、行为B、留存和传播系数K因子要高于付费用户，而付费用户的行为C、行为D和商业转化高于自然用户。
利用用户增长思维，可以继续挖掘，行为A、行为B是否会影响用户的留存和传播系数；行为C、行为D是否会影响用户的商业转化。
就举个Twitter成功案例，Twitter发现新用户在30天内关注了30个好友，这些用户的留存率会非常高，新增的30天和关注30个好友就成为魔法数字，就是你的行为ABCD或者是还未发现的行为EFG，找到它便打开了用户增长的大门。
五、模型的推广
该模型不只局限于渠道评估，还可以做活动评估、用户质量评估、用户积分评级系统等等。把相应的指标替换，赋予相应权重，便可套用此模型。
用户评分 示例
至此，整个模型流程已经介绍完毕，后续还有许多种分析方法以及策略，在这里只是抛砖引玉，就不多赘述了。
最后我们就把今天分析的过程捋一捋：
流程鱼骨图
- 模型确立
- 纳入数据库标准确立
- 打分标准确立
- 权重计算
- 变量指标筛选与调试
- 结果展示
- 分析并制定策略
今天给大家介绍的标准化评级模型就到这里，评级模型常用的有本文介绍的标准化模型，除此之外回归模型也有着广泛的应用，今后也会和大家详细的分享另一类模型在实际业务中的使用方法。
写在后面：希望这篇文章可以帮助广大的运营人士，也能够让用户了解平台运营方式，同时欢迎同行与爱好者一起交流学习，提出您宝贵的意见。
作者： 姜頔
来源：姜頔
扫一扫 微信咨询
商务合作 联系我们
微信扫一扫
