作者介绍 @郝笑笑 目前在互联网公司担任数据分析师，并负责DAU流量的增长策略与数据监控。 希望可以和各位一起交流学习。 1 导语 相信对于很多刚入门的分析师小白来说，评估活动效果、洞察业务机会，是所有工作中最可以体现价值感的事情，但也可能是令我们最头疼的事情。本文作者基于自身的实际工作经历，结合一个真实的运营活动，对活动评估中可以复用的数据分析“套路”进行总结和整理，希望能够给初接触数据分析的同学带来帮助。 一般来说，互联网公司的运营活动按照目的可以分为3种：拉新、促活、品牌宣传，尽管每种活动关注的核心绩效指标完全不同，但是分析的思路还是可以套路化的。接下来，本文将以某次促活活动为案例，分享下如何对一场活动的效果进行量化评估。 2 活动背景 伴随着移动互联网用户的增速越来越趋于饱和，用户增长的破局方法不得不从拉新获客转换为如何促活存量用户。 通过第三方广告媒体app（比如微信、抖音等）投放针对老用户的素材对用户促活，已经成为很多公司用来提升存量老用户活跃度的有效方法（后续会统称为“渠道拉活”） 某公司的市场投放部门也开始投入预算试水「渠道拉活」这一项目，在项目启动一段时间后，已经回收累积了大量的用户数据，但是： 渠道拉活对于DAU的带动贡献究竟有多大？ 是否值得持续投入更多的资源？ 活动情况的ROI如何？是否符合预期？ 活动是否存在改进空间？ 这些领导和业务方非常关注的问题，需要分析师基于数据给出公正和客观的答复。 3 分析框架和指标体系 3.1 分析框架
活动整体增量效果评估 (包括短期效果分析、长期效果分析)
ROI 核算（计算单用户的拉新或者促活成本）
参活用户质量评估
活动存在问题分析
3.2 指标体系
3.21 流量规模
数据指标：
DAU
参与活动的用户数（举例：渠道拉活成功召回的用户数）
通过活动首次调起app的uv（举例：通过渠道拉活首次调起app的uv）
通过活动首次调起app的uv占day的比例（举例：通过渠道拉活首次调起uv的dau占比）
可解决的问题：
通过对比事先制定好的活动KPI指标，评估目标完成率；
与其他活动对比，评估促活的核心指标（通常是DAU）是否达到预期；
评估渠道拉活能够召回的用户量级有多大；
评估对DAU的净增量贡献有多大；
3.22 用户质量、用户画像
数据指标：
留存率（次日回访率、7日回访率、30日回访率）
日均使用时长
核心功能渗透率
核心功能人均PV
人群画像（性别、城市、消费能力）
可解决的问题：
评估渠道召回用户的质量
监测是否存在刷量作弊渠道
3.23 用户行为
数据指标：
站外转化漏斗（举例：广告曝光-广告点击-成功调起app-deeplink抵达特定页面）
站内核心行为的转化漏斗（举例：活动页-列表页-详情页）
可解决的问题：
评估用户从站外渠道到抵达App的路径是否顺畅，发现产品bug或者可以改善的机会点
评估活动的站内承接策略是否合理
4 分析过程
4.1 活动效果评估以及活动ROI分析
在量化DAU (或者活跃天数) 贡献时，需要减去用户的自然活跃量，即计算“净增量”贡献。该贡献可以分为当日贡献和长期贡献。
当日贡献是指：当日的召回用户对于当日DAU的增量贡献
长期贡献是指：由于召回用户的后续回流，在后续特定时间范围还会持续贡献的用户天数增量。比如，活动后的50个参与用户，在后续30天内人均活跃天数比活动前提高10天，那么促活的增量贡献就是1500天。
不得不承认，AB实验最擅长处理归因和量化的问题。它的思想是，将流量随机分为数量均匀和特征均匀的两组（即对照组和实验组），实验组用户只有在产品策略上与对照组不同，因此我们可以认为两组用户在同一时间维度上的指标差异，可以完全归因于策略上的差异。
然而，该广告拉活项目无法设计对应的AB实验，但我们可以基于AB测试的思想，构造与实验组“相似”的用户群体作为对照组。具体过程如下：
将拉活渠道唤起app的用户作为实验组，未曾被拉活召回的存量用户作为对照组；
选取可能影响用户未来活跃度的特征（比如机型、新增渠道、历史活跃度、…），基于“特征相同”的原则，对两组用户划分为 N 对实验组和对照组。注意尽量将特征通过区间离散化，避免划分出的某一组落入的样本数过少，导致两组样本的指标差异不可信，比如特征「新增日期间隔」可以离散化为：7天内、8-14天、14天以上；
计算 N 对实验组和对照组的每一组的指标差异值，以及实验组的总指标差异（等于每一组指标差异*人群占比的相乘结果求和）
通过以上方法，可以计算出拉活对于当日DAU的贡献、以及拉活对于未来30天DAU的总增量贡献。
实际上，对于拉活对DAU的单次短期贡献，有更为简便的方法，即基于“首次归因”的思想，通过“拉活首次调起app的uv”进行量化评估，即如果用户多次启动过app，那么只有当通过促活广告首次调起app了，才会计入到促活广告的功劳。
值得一提的是，“首次归因”的方法也可以应用至“产品新上线功能评估”的效果量化中，通常我们可以将“启动app后首次访问该功能的用户量”作为该功能对dau的贡献量。
对于活动成本的核算，我们可以通过 “总成本消耗量 / 总DAU增量”，计算每个DAU增量的成本，以评估ROI是否符合预期。
4.2 用户行为分析、和用户质量评估
可以以「大盘未参活用户」、「同期同类活动」、「往期同类活动」分别作为对比基准，基于用户行为漏斗、留存率、核心行为pv、人均使用时长等指标，识别本次促活策略是否有薅羊毛或者作弊严重的渠道，并评估活动拉来的用户质量好坏。但这里不作为本次分享重点，因此不再展开赘述。
5 结语
作为数据分析师，实际工作中遇到的促活策略往往是五花八门，但是活动效果好坏的评估过程依然是有章可循的。最后，简单总结下本文对于后续活动评估的可复用之处：
如何构建活动评估的指标体系； 如何量化归因活动的短期贡献（即“首次归因”法）； 如何在无法开展AB测试的情况下，通过构造对照组的方式，快速地量化评估长期的增量贡献；
发表评论 取消回复