活动分析：如何分析活动效果并给出有效建议？

本文介绍如何做活动分析。

由于活动的类型非常多，所以这里不打算以一个单独的案例来贯穿。将以活动分析的做法为主线穿插一些工作中的案例，来帮助理解活动分析的常见步骤和具体的做法。这样，面对不同类型的活动分析，都能组织出分析思路。

第一步：活动效果怎么样

活动分析的第一步是分析这个活动做得究竟好不好。因为做活动肯定有投入，对老板来说他并不关心具体操作，而是关心这次的活动花了多少钱，带来了多少收益。所以如果我们做活动分析，只保留一个最终结论的话，那么一定是这次活动的效果。我们要知道这次活动一共投入了多少，产出了多少，有没有达到预期。

评价活动做得究竟好不好，我们得有一个评判的指标。不同活动的目的不同，所以指标也不同。活动的类型基本都是围绕着 AARRR 模型展开的，大致分为这样几种：拉新、促活、留存、裂变，但他们的目标都是不同的。

拉新活动的目标是获取更多的新用户，而转化活动的目标是去卖出更多的产品，获得更多的销售额等。所以，我们首先要确定这次活动属于上面的哪一种类型，然后根据类型的不同选择评判这次活动效果的指标。

指标一般来说有一个结果指标作为主指标，另外还要加一些过程指标来辅助。因为单纯地提高某一个指标是很简单的事，难的是在限定的条件下提高这个指标。比如你单纯要做拉新，那么要想把拉新的人数做高，猛砸钱就可以了，不用考虑拉新的成本。所以拉新的时候我们不仅要考察新用户数这个主指标，还需要一些辅助指标比如：总拉新成本、单个用户的成本、ROI 等。

不同类型的活动，常见的衡量指标如表中所示。

有了评价指标之后，我们还不能够判断活动到底好还是不好，我们还需要有一个参考标准。

参考的标准有好几种，最重要的是活动在规划时制定的活动目标，因为这个目标是要给老板审批预算用的，所以老板最关心的是这个目标的达成率。

现在很多业务部门做活动是没有目标的，而是看到竞品在搞活动，所以自己也要搞。这种情况呢，我们在分析之前要和业务人员沟通好，没有具体活动目标，那么我们给活动做数据分析就只能提供具体的数据，没办法给出结论来说明活动效果到底好还是不好。毕竟没目标，你一个数据分析师说好还是不好，很容易背锅，凭什么你说好就是好，你说不好就是不好呢？

除了用活动目标做评判标准之外，我们还可以和活动上线之前做对比、和历史的活动做对比。

• 与活动上线之前对比，可以看出做活动相比不做活动带来的增量有多少。

• 与历史活动做对比，可以看出本次活动相比之前的活动，效果如何？

• 如果有做 A/B 测试，那上面的结论就更可信了。

通过和这些标准之间进行对比，可以给这次活动的效果做一个评价：这次活动究竟做得好不好？相比不做活动提升了多少，相比过去做得好还是不好等。这样就可以产生以下的结论。

• 本次拉新活动期间共有新用户 8 万人，目标完成率 80%。

• 相比活动上线前，活动带来的新用户预计有 5 万人。本次活动共投入 50 万元，单个新用户的成本是 10 元

• 相比上个月的拉新活动，本次活动拉新人数提升了 30%。

第二步：效果为什么是这样

当我们确定了活动好还是不好，我们下一步要分析原因，找出为什么活动效果好，为什么活动效果不好？

一个活动包含策略和执行两个部分。我们首先会制定一个活动的策略，比如我们这次活动的目的是拉新，主要的策略是发红包吸引新用户，红包发多少，要达到什么要求才发等。然后就是我们具体的执行，包括落地页的设计和开发，埋点开发等。

执行出了问题，我们要改动还比较方便，而策略出了问题，要改动就很难了。

一个活动上线前就要准备大半个月，而我们开展活动的时间一般来说比较短，可能为期三天或者长一点的话一周，所以在活动进行过程当中分析策略的问题没有意义，就算找出了策略问题，我们也没有时间进行更改。

在活动进行时，我们一般针对执行层面去分析原因。如果效果不好，是不是我们的执行出现了问题：是不是哪个落地页埋点写错了，是不是某个服务器挂了，等等。

排查执行问题的这一步，分析的部分并不多，我们更多的是提供高效准确的数据反馈。一般，我们会在活动上线前建立好相关的报表。数据的维度选择一般是按照活动流程，以漏斗的形式对每一个环节进行监控。如果某一个环节的数据明显偏低，业务人员和开发人员可以自行找出执行过程的问题。

再来看看活动策略的问题。分析活动策略的问题是在活动结束之后。这时候分析的目的已经不是为了本次活动如何优化，而是为了总结这次活动的经验教训，找到活动的亮点，为下一次的活动提供指导。

分析策略问题的主要流程，依然是先找表面原因，再找根本原因。

先找表面原因，我们通过漏斗分析，定位问题出现的环节。看看活动的问题究竟是出在曝光，还是点击，又或者是后续的转化等。找到了表面原因，我们再看一下如何分析出根本原因。

只通过单独一个活动找出根本原因比较困难，最好的办法是和历史上同类活动的数据进行对比。比如我们分析表面原因的时候发现进入拉新页面的人较少，那么我们看一下这一次投放了哪些渠道？用了什么样的拉新文案？然后将这些和历史上同类型的活动对比一下，看看历史上都投放哪些渠道，用了什么拉新文案？从这些对比中总结出一些原因，原因的类型可以通过用户属性和用户行为两个方面入手。

比如我们根据过去的经验，发现过去投放的渠道中效果比较好的渠道，往往都是用户以女性为主的渠道。而这一次投放的渠道男性用户占比较多。所以这一次进入拉新页面的人较少可能是因为渠道的用户属性和目标人群不匹配导致的。

因为经常要和历史上的活动进行对比，所以我们平时需要注意搜集和整理历史活动的数据。至少要记录历史活动的时间、形式、埋点等，否则回溯起来非常麻烦。历史上每一次的活动，就算是效果非常失败的活动，也是一笔宝贵的财富，就算当时不知道为什么失败，活动做得多了，归纳总结之后就能找出其中的问题。如果没有历史的活动数据，那么活动做得再多，也没办法沉淀出业务经验，团队的活动规划能力就始终得不到提升。

这里分享一个我遇到的活动分析案例。

有一个转化类的促销活动，活动的主题是七夕节搞打折促销，活动的产品是一款投资辅助工具。业务人员给这个活动设计了两个版本的落地页做了一次 A/B 测试。

左边的 A 落地页的文案都是围绕着打折促销的，比如版头的图片提示活动价 5.2 折，然后页面主体部分显示惊喜特惠 88 元/月等信息。总之整个页面就是不断地告诉你：现在在促销，别错过赶紧买。

右边的 B 落地页的设计是围绕着产品特性和功能的介绍，虽然折扣和价格其实是和 A 版本一样，但页面上的内容只是列举出了产品的具体功能，只在最下方写上价格，并且不仔细看的话也不会注意到这个是在搞促销活动。

这样两个页面，最后的结果是左边的 A 方案，也就是突出打折促销的活动效果更好。

一般来说，我们的分析到这一步就差不多了。A 方案效果好，那就把 B 方案下线，全部替换成 A 方案就好了。

但是我们继续深挖了下去，对用户的属性进行了区分。我们站在用户的角度，根据用户决策过程模型思考了一下这个问题。打折促销这个卖点是满足用户的什么需求？是引起用户的兴趣吗？不一定。现在打折促销活动这么多，用户根本看不过来。

如果是你完全用不到的东西，打折你也不会买，就像我看到口红打折之类的，我是完全无感，因为口红对我这个直男来说完全没价值。

打折促销应该面向的是那些正在“评估价值”的用户，这些用户知道这个产品还不错，但是之前觉得贵了，现在打折了就赶紧来买。

所以对那些都不知道这个产品是什么的人来说，你跟他说打折促销，他完全无所谓，你至少得先让他对产品产生兴趣，然后再用价格去吸引他，这才符合他的购买逻辑。

所以，我们提出了一个假设。

• 在这次活动前，看过该产品页面的用户，用打折促销效果更好。

• 在这次活动前，没看过该产品页面的用户，用产品介绍效果更好。

经过数据分析，验证了我们的假设。也就是说，虽然第二个页面的整体转化率低，但是对于那些对产品还不了解的用户来说，这个落地页的转化率反而是高的。

直接粗暴地下架这个页面不是最优的方案，我们应该针对不同的人群投放不同的页面。

你看，这就是失败活动的价值。我们总能从失败中获得一些教训，甚至找出一些失败案例中成功的部分。

第三步：我们该怎么办

最后一步，我们把分析时候找到的原因汇总起来，并给出后续的行动建议。比如我们通过分析原因找到了这样一些结论。

• 页面埋点错误，主要是因为新员工的埋点设计稿不规范。

• 新用户适合产品介绍类型的承接页，老用户适合价格促销的承接页。

• 女性用户占比较大的渠道投放效果更好。

有了这些原因，提出建议就很简单了。

• 对新员工进行埋点设计规范培训

• 之后的转化类活动可以对新用户和老用户分别投放产品介绍页面和价格促销页面

• 渠道投放应尽量选择女性为主的渠道，比如渠道 A、渠道 B。

小结

活动分析是我们日常工作中碰到的最常见的分析类型之一。在分析活动效果的时候，我们必须搞清楚活动的类型、目的以及评判标准。没有搞清楚活动的目标，那么就没有办法做后续的分析。

在分析活动好坏原因的时候，我们不能够单独只看这么一个活动，而是要把过去所有的活动串联起来，总结出规律，为之后的活动提供支持。

思考题：假设 1 元活动的主要目的是拉新，你如何评价这个活动的效果？