APPユーザー増加データロジック！

APP の成長はデータの適用と切り離せないものであり、適用の深さが成長の有効性を決定します。

基本的な応用は、データを受け入れツールとして使用し、APP 成長の各リンクの有効性を測定および評価することです。高度な応用は、データを重要な情報として使用し、フィードバック データを包括的に洞察し、ユーザーの真のニーズを見つけることです。より詳細な応用は、データを APP 成長の重要なリソースとして使用し、データを動的に管理およびマイニングし、データ モデルを確立してデータの背後にある価値を開発し、APP 成長の各リンクの最適化のためのデータの基礎と検証を提供することです。

この連載記事では、シェアサイクルアプリとの連携で実現した「成長」の事例を分析し、アプリの成長プロセス全体におけるデータの役割とその役割の発揮方法について解説します。

クラウドインサイト 科学的検証 体験予測

戦略は APP の成長の礎であり、クラウド インサイトは APP がターゲット ユーザーを確認し、明確にするのに役立つ「デジタル ナビゲーター」です。

群衆洞察を実施する前に、APP は目的もなく行動することはできず、まずターゲット ユーザー層を事前に設定する必要があります。 APP オペレーターは、業界の理解、経験の概要、APP 独自のデータを組み合わせて包括的な分析を実施し、ターゲット グループを策定できます。この場合のシェア自転車アプリは、データ分析を行う前に、大学生を成長の主要ターゲットグループとして特定しました。

APP が対象人口を策定した後、最初に行う必要があるのは、対象人口の発展の可能性と「成長」価値があるかどうかを確認することです。データの洞察は、APP ユーザーのポートレート、ユーザー構成、オフライン シナリオなどの次元からの業界比較を通じて検証できます。

この事例は、シェア自転車業界の全体的な人口構成と自転車アプリユーザーの人口構成という 2 つの側面から比較・分析されています。

2 つのグループのユーザー ポートレートを比較すると、次の結論が導き出されます。

• 25〜44歳のグループは自転車シェアリングアプリの主流グループであり、18〜24歳のグループは6％を占め、主流グループ外の非常に競争の激しいグループです。
• 自転車アプリ人口の年齢構成では、18～24歳が12.6％を占めており、業界全体の年齢構成における12～24歳の割合よりわずかに低い。これは、自転車アプリの18～24歳人口への拡大にはまだ成長の余地があることを示しています。

利用者人口構造分析では、シェアサイクル人口を人口タグに基づいて分析し、以下の結論を導き出しました。

• 大学生は自転車業界で2番目に大きなユーザーグループです。
• この自転車アプリのユーザーのうち、大学生はわずか7.3%で、業界シェアよりはるかに低い。大学生の潜在的な市場スペースは比較的大きい。

オフラインシーンの洞察が空間次元の壁を打ち破る

APP のユーザーインサイトの次元はオンライン行動に限定されるものではなく、オフラインのシナリオ要因も考慮する必要があります。オフラインの生活シナリオもユーザーのアプリ使用行動に影響を与えるからです。

インサイトにオフラインシナリオを追加することで、APP は空間次元の壁を打ち破り、オンラインとオフラインの有機的な連携を実現し、ユーザーの成長を促進できます。電子商取引企業が「ニューリテール」という概念を追求しているように、その核心はオンラインとオフラインのシナリオを結び付け、オンラインサービスを通じてオフラインのニーズを解決し、成長を促進することにあります。この成長戦略には、強力なオフラインシナリオの洞察が必要です。

この場合、シェア自転車アプリの「成長」戦略には、オンラインとオフラインの緊密な統合も必要です。したがって、オンライン人口の比較に加えて、オフラインシーンの洞察も同様に重要です。

このケースでは、シェアサイクル利用者のオフラインシナリオ（サンプル場所：上海と成都）の人口ヒートマップ分析を実施し、特に大学都市や起業家パークなどの学生人口が密集している地域に焦点を当てています。ヒート マップは、さまざまな色合いのブロックを通じて群衆の密度を示します。色が赤くなるほど、群衆の密度が高くなります。

上図に示すように、上海にしろ成都にしろ、大学街の所在地は地域人口が集中しているエリア（赤いブロック）であり、拡大価値がある。

上記のデータの洞察は、大学生が確かに貴重なターゲット層であることを示しています。自転車シェアリングアプリが成長ターゲットユーザーとして大学生をターゲットにすることは可能です。

しかし、大学生の人口規模は限られており、シェアサイクル業界の主流ユーザーグループではありません。APPの成長ターゲットグループは大学生のみであり、明らかに十分ではありません。 APP は、補完するための新たな成長ターゲット ユーザーをまだ見つける必要があります。

以前のクラウドインサイトによると、オフィスワーカーは自転車シェアリングアプリの主要ユーザーであり、自転車シェアリングは通勤者のラストマイルの問題を解決します。このケースでは、業界の理解に基づいて、洞察の方向を通勤者にシフトし、交通接続のオフラインシナリオを組み合わせて、上海と成都の地下鉄沿線の駅で群衆洞察を実施します。

この洞察は、ユーザーのオンライン行動の好みとオフラインのシナリオを組み合わせて検証し、次のような結果を示します。

• 朝のラッシュアワー時には、地下鉄駅周辺に自転車利用者が増えます。
• 夕方のラッシュアワー時には、地下鉄駅周辺の自転車利用者が増えます。
• 潜在的な自転車利用者は地下鉄駅から半径1km以内に集中しています。

調査結果によると、ロケーションステーションの周囲 1km の半径エリアは、よりアクティブな人々をカバーできるシェア自転車アプリの新たな成長シナリオとなっています。

ここでケースは終了し、成長戦略策定期間のデータインサイトは一旦終了します。

上記のデータ分析を通じて、シェアサイクルアプリは大学生が貴重なターゲット層であることを証明しただけでなく、ターゲットの通勤層が地下鉄駅周辺に比較的集中しており、アプリの活動が比較的高いことも判明しました。これは効果的な「成長」オフラインシナリオです。

次に、APPは、データインサイトの結果に基づいて、大学街や起業家パークなど、大学生が密集するシナリオでのプロモーションを強化したり、朝晩のピーク時に地下鉄沿線で自転車配車業務やイベント運営を実施したりするなど、成長戦略を最適化できます。

プロモーションの精度を動的に向上させるターゲット母集団モデルを構築する

成長戦略が徐々に実行されるにつれて、データインサイトのプロセスは継続され、データの複合的な価値を真に反映する段階が始まったばかりです。

私たちは、優れたデータ インサイトが APP の成長とプロモーションのサイクル全体にわたって実行され、データ モデルを生成し、成長プロセス中にリアルタイムでデータを蓄積および処理し、継続的に反復して最適化し、APP の成長戦略を最適な方向に実行できるように導くことができる必要があると考えています。

その後のケースの実行とプロモーションでは、これらのターゲット グループをどのように見つけ、より広範囲にリーチするかについて、APP はターゲット グループ モデルを使用して配信する必要があります。 APP がより正確なターゲット人口モデルを必要とする場合、基礎としてより次元の高いデータ機能が必要です。

この場合、シェア自転車アプリの対象人口モデルには 5 つの次元が含まれます。

1. 自転車業界のユーザー：自転車アプリのインストールと使用特性を利用して、アクティブユーザーとサイレントユーザーを区別し、覚醒価値のある新しいアプリユーザーとサイレントユーザーに焦点を当てたプロモーションを行うことができます。
2. 大学生: 大学生人口ラベルに基づいて、年齢層や永住地などの差別化を改善できる機能を追加し、学生人口をさらにターゲットにします。
3. ホワイトカラー労働者：ホワイトカラー労働者のラベルに基づいて、勤務期間や職業シーンなどの差別化を改善できる機能を追加し、ホワイトカラー労働者をさらに選別します。
4. 地下鉄の混雑: LBS ジオフェンシング技術を使用して地下鉄駅のシーンを選択し、通勤者をより正確にカバーします。
5. 人口密度が高い地域: APP 普及率とオフライン シナリオを組み合わせて、自転車の需要が高い地域と人口を見つけます。

上記5つの次元のうち、自転車業界のユーザーと高密度人口は、マクロの視点で見ると、シェアサイクルアプリがまだリーチしていないがニーズのあるユーザーをカバーしており、大学生、ホワイトカラー、地下鉄利用者は比較的ミクロであり、ターゲット層を固定化する役割を果たしている。このようにして形成されたターゲット人口モデルは、APP成長促進に適用され、主要なターゲット人口を正確に固定できるだけでなく、普及の広さも考慮され、より多くの人々に影響を与えることができます。

ターゲット人口モデルは静的なものではありません。精度を継続的に向上させるには、各配信リンクから返されるデータに基づいて継続的に反復および最適化する必要があります。

効果的なプロモーションには、コンバージョン ファネル全体のすべてのリンクに注意を払う必要があります。各リンクでは、データの収集、データの分析、データの背後に反映されている問題の慎重な観察が必要です。

APPは、実際の配信効果に基づいて、転換した人口の特性について詳細な調査を行い、対象人口に対する理解をさらに深め、人口ターゲティングをさらに最適化し、次の配信に備える必要があります。

自然交通制御グループの最適化効果帰属モデルを設定する

成長促進のプロセスにおいて、効果の帰属は、一方では APP が促進の組み合わせの有効性を評価するのに役立ち、他方では APP がどのようにお金を使うかという「本当の問題」を解決するのにも役立ちます。

パフォーマンス アトリビューションで最も重要なことは、コンバージョンにつながったさまざまなクロスチャネル インタラクションと、各インタラクションに適用される相対的な重みを理解することです。効果帰属のデータが客観的であればあるほど、最終的な配信結果に与える影響は大きくなります。

しかし、現在主流となっている帰属ロジックには、依然として十分に客観性がないという欠点があります。たとえば、Facebook や Applovin が提供するアトリビューション モデルでは、自然なトラフィック増加によるプロモーション効果への干渉を排除することはできません。

この場合、対象集団は 9:1 の比率でプロモーション サンプル セットとコントロール サンプル セットに分割されます。

サンプル セット内の対象集団にプロモーションを行い、主流の帰属ロジックに従って統計を実行します。コントロール サンプル セット内の集団は昇格されず、自然な成長がカウントされます。最終的なデータ帰属段階では、コントロール サンプル セットから収集された自然トラフィックの成長率を削除することで、主流の帰属ロジックにおける自然トラフィックの干渉が軽減され、より優れたプロモーション チャネルが模索されます。

もちろん、コントロールサンプルセットの自然インストール率はサンプリングによって計算されるため、実際の自然インストール率と比較して誤差があり、APP は実際の状況に基づいていくつかの最適化調整を行う必要があります。

マルチデータインサイトを通じてアプリプロモーション実行の詳細を最適化

アプリの成長過程では、データの洞察を通じて解決できる詳細がまだたくさんあります。たとえば、ブラック トラフィックの識別と保護、最適な入札範囲の特定、露出時間とプロモーション効果の相関関係の特定、オフライン プロモーション シナリオの最適化などです。

この場合、露出時間とプロモーション効果に関するデータの洞察により、シェア自転車アプリは最適なコストで最高のプロモーション効果を達成することができました。

分析によると、露出回数が5回未満の場合は、露出回数とプロモーション効果に正の相関関係があり、CPAコストを約6.24元に抑えることができます。露出回数が5回以上の場合は、露出回数とプロモーション効果には直接的な関係がなく、CPA価格は指数関数的に増加します。一方、限界 CPA 分析では、追加露出ごとにもたらされるプロモーション効果はあまり変化していないことが示されています。

このことから、コストが高いからといって必ずしも良い結果につながるわけではないという結論が導き出せます。

APP では、不必要な露出をあまり必要としません。露出回数を 5 回未満に抑えるソリューションが最も費用対効果が高く、最低のコストで最高の結果を達成できます。

一般的に、インターネット業界でデータインテリジェンスが徐々に実装されるにつれて、ビッグデータは新世代の成長「ブラックテクノロジー」になるでしょう。

大企業はこの分野でかなり早い段階から準備を進めており、ある程度のモデルやデータを蓄積しています。他の APP 開発者も、サードパーティのデータ サービス プロバイダーが提供するツールやサービスを通じて、データ アプリケーションを迅速に実装できます。

ハードウェアとソフトウェアの両方が完全に準備されていても、APP はデータ インテリジェンスに関してもう少し忍耐が必要です。結局のところ、データ モデルの反復と最適化にはゆっくりとした慎重な作業が必要です。

著者:オペレーション

出典: オペレーション