四步构建App跨渠道归因分析方法

通常来讲，在互联网场景中，最简单也最常用的App归因模型就是基于最后一次点击来源进行归因转化，因为越靠近决策环节的时刻通常影响就越大。

不过有机构对营销测量的研究发现，只有11%的营销人员对他们的归因模型的准确性感到“非常有信心”。毕马威 (KPMG)的数据显示，只有35%的受访企业高度信任其公司内部对数据分析的使用。

原因在于，大多数情况下，用户来源路径并非一成不变，很多触点隐藏在线上线下不同的环境中，想要知道各类参数信息，比如用户用来购买的设备、用户扫描的二维码、用户点击的广告和关键词等数据，再把这些数据来源建立一个统一的归因模型，并且整理合并是相当困难的。

目前常见的用户触达路径如下：

纯线上：在网上搜索或者接触到App信息下载转化。
线下体验线上购买：在实体店感受或购买产品，然后通过App购买。

接下来给大家介绍如何通过几个重要步骤和一个简单的解决方案，在分散的数据和可操作的分析之间架起一座桥梁，建立一个有效的归因分析流程。
在这里插入图片描述

一、明确你想要归因的场景

首先提出你想要解决的问题。比如你想知道一场活动营销能吸引多少线下用户转化到线上下载App，或者你想知道推广渠道的哪个环节是影响用户的最关键因素，就将你想知道的关键指标记录下来，并对他们进行优先级排序，以此定义你归因的最小可行性场景。

二、打通数据源

在明确分析的归因场景后，就可以整合手上相关的数据源，包括广告平台、分销渠道、电子邮件、公域官网、私域社群等。

然后让不同数据源的参数字段进行合并整理，形成统一可视化的数据分析报表，很多公司最大的问题就是无法为线上线下的用户行为进行追踪和分析。

通常来说，很多公司会采用这几种方式来打通线上线下渠道，并归因来源信息：

1、绑定手机号码或邮箱
企业通常会在活动或者内容中激励用户事先在落地页注册，其中就包括了作为唯一识别ID的手机号码或者邮箱地址等。比如：用户可以填写手机号码领取福利折扣；提供邮箱地址发送获取教程和手册等。后续在安装App注册时再通过该号码或邮箱登录，就能知道该用户的来源。

2、邀请码绑定
通常是引导用户在注册时填写自己的邀请码或者地推码等信息，用来绑定双方的邀请身份，完成绑定后，通过ID即可跟踪用户跨线上线下渠道的行为路径。
在这里插入图片描述

3、线上主动引导客户进店
举个例子，有家波兰的家具和装饰品生产商开发了一款App，用户可以在线上App中设计自己想要的家具，然后该应用会根据定位邀请他前往线下最近的门店咨询，到达店铺后任务会发送给商店助理接待。这个流程很有效的帮助企业获得线上线下连贯打通的行为数据。

4、统一企业内部用户ID
规划企业内部唯一ID生成体系，将网站、App、CRM和POS上的行为数据串联。

更简单高效的解决方案
以上多种传统打通方法都太过复杂，容易造成流失和不精准的情况，比如：

事先填写手机号码，那就无可避免需要再填一次验证码；
邀请码绑定，那肯定就需要分享并说服好友填写；
企业自行建立用户ID或搭建数据分析报表也成本太高。

只需要采用第三方渠道统计平台openinstall就能快速实现跨渠道、全场景的归因追踪分析，并且全程省去多次填写手机号码、绑定邀请码、构建用户ID等复杂成本。

在这里插入图片描述

App只需接入SDK，后续为每个渠道生成独立的推广链接或者推广二维码，然后投放到线上线下需要归因来源的场景中即可，openinstall会对用户访问的落地页参数信息进行传递分析，将活动类型、团队归属、渠道来源等信息与本次转化做精准的归因匹配，并打通渠道后续的用户行为数据，帮助运营人员实现对线上线下不同渠道或活动的全流程数据监控。

案例一：
某亚洲最大的连锁便利商店品牌，在采用openinstall H5传参方案后，对官网、公众号、社群、KOL、短信等线上矩阵渠道配置“渠道-媒介-内容-活动-关键字”等标识参数，并用同样的方法映射到线下几百家门店和导购员的层级推广中，比如“区域-省份-城市-门店-导购员”这样的参数，后续所有线上线下、公域私域引流的用户，都会被归因到数据看板中，并对应到相应的报表类型里，企业最终可以一站式查看各渠道的流量数据，对各渠道做KPI考核。

在这里插入图片描述

案例二：
某汽车养护服务平台在旗舰App接入openinstall后，线上官网展示、广告投放、短信召回、私域运营、网红营销、裂变分享等场景，以及线下上万家门店、众多大牌供应商合作等渠道带来的用户及行为，都通过openinstall先进的传参归因技术打通信息壁垒，以实时全链路数据形式归因并纳入到数字化管理平台中，一次性连接并整合多家供应商、数万门店、渠道用户之间流量来源，最终有效分析用户需求、门店业绩、合作效益等多方面价值，实现覆盖整个产业链的数字化一体式管理能力。

在这里插入图片描述

三、数据归因分析

基于上述两个步骤后，拥有完整的用户视图下，数据分析师可以根据业务规则和需求进行挖掘分析。结合前面两个步骤，我通过一个具体的例子来进行分析：

一个典型的电商平台的运营场景，假如发现昨天平台上的订单量突然下降了20%，想要找出导致订单量下降的原因。

首先确定数据异常的范围和程度，比如订单量下降发生在昨天早上9点到晚上9点之间，下降幅度最大达到30%，与前一周同期相比有明显差异。

然后我们对数据进行拆解和分组，比如按照不同的地域、渠道、商品类别、用户群等维度来切分订单量数据，发现订单量下降主要集中在北方地区、移动端渠道、服装类商品和新用户群上。

我们接着对每个维度进行归因分析，比如：

使用对比分析法来查看北方地区与其他地区之间是否有显著差异，发现北方地区昨天出现了大雪天气（外因），可能影响了物流配送和用户购买意愿；
使用相关性分析来查看移动端渠道与其他渠道之间是否有相关性，发现移动端渠道昨天出现了系统故障（内因），导致部分用户无法正常访问和下单；
使用假设验证来查看服装类商品与其他商品类别之间是否有差异，发现服装类商品昨天没有进行任何促销活动，而其他商品类别都有不同程度的优惠券和满减活动，可能影响了用户的购买选择；
使用假设验证来查看新用户群与老用户群之间是否有差异，发现新用户群昨天没有收到任何引导和激励的信息，而老用户群都收到了积分兑换和会员权益的提醒，可能影响了用户的忠诚度和复购率。

我们最后对每个影响因素和原因进行量化评估，比如使用贡献度分析来计算它们对订单量下降的贡献百分比，再使用敏感性分析来计算它们对订单量下降的影响程度，发现：
北方地区的天气因素贡献了40%，天气因素对订单量下降的敏感性最高；
移动端渠道的系统故障贡献了30%，影响效果次之；
服装类商品的缺乏促销活动贡献了20%，影响相对较低；
新用户群的缺乏引导和激励贡献了10%，影响相对较低。

在这里插入图片描述