最近，国内知名第三方研究机构QuestMobile发布了中国APP TOP 2000实力榜，该榜单盖了众多APP多维度的数据排名及综合表现，一时间在移动互联网圈层掀起不小波澜，甚至一度成为“地图大战”的数据源头。

地图大战中，大家提到QuestMobile的SDK， 实际是QuestMobile Growth产品矩阵中的增长业务之一，主旨帮助各家企业系统化提升精细运营的能力，通过实时刷量防御，营销与分发渠道，用户标签与事件等精细化分析，帮助APP提高营运效率，实现流量和收入稳定增长。

某在线音乐APP设定了“拉活沉默用户、召回流失老用户”这一目标，使用QuestMobile的“Growth”产品矩阵，对渠道进行实时跟踪，及时发现水分渠道和转化最好的获客途径，调整推广策略，提高ROI达32%。同时锁定高风险流失用户群，通过对其进行个性化用户分群，成功帮助一次召回近160万用户。

为了便于形象化理解数据运作，QuestMobile通过精分案例的形式展现。

《在线音乐APP激活沉默用户案例分享》

一、合作背景：

作为中国数字音乐的知名品牌，我们免费向用户提供方便流畅的在线音乐，生成了丰富的音乐流媒体生态系统。在中国在线音乐排行榜上，作为APP，我们用户日活跃量超千万。取得如此傲人成绩，很大程度上得益于用户对自身品牌的认可。

在此基础上，希望QuestMobile助力其延续在线音乐差异化优势，在移动端市场日益饱和的情况下，最大限度提高渠道ROI，以及对其长期沉默用户进行精准分类锁定，实现用户体验最大化召回。

二、我为什么要与QuestMobile发生关系?

在潜心修炼产品，精心维护运营、细心创造内容时，发现用户粘性就是不见起色(见图一)，到底是推广力度不够?还是存在太多水分?同时花费大量预算通过不同渠道推广而来的用户(见图二)，有多少是属于高质量用户，有多少又是低价值用户?又如何预测和精准锁定渠道并进行精准的分配推广费用，获得最好的ROI?因为只有测算清楚了各渠道的ROI，才能针对实际效果做调整，砍掉ROI过低的渠道，把更多营销费用放在ROI高的渠道。

图一、用户价值度评估，人均使用次数趋势数据样例(QuestMobile Truth标准版)

图二、渠道转化漏斗分析数据样例(QuestMobileTruth渠道版)

另外，对于应用中的大量沉默用户，如何预判他们的流失风险，并如何制定沉默召回策略?对此需要能够及时识别用户生命周期，以及细分用户特性群。也需要在正确的时间，使用正确的增长工具，甚至合适的场景给该部分用户呈现惊喜的内容。

三、我与QuestMobile发生了什么关系?

首先，通过“Truth”横向对比分析行业和竞品数据，发现问题真相后，再利用“Growth”运营精分平台纵向对产品和用户生命周期的转化漏斗进行指标拆解(见图三)，精细化到每一个运营环节，包括：

? 用户获取阶段的假量判别、渠道粘性同期分析和留存转化效率;

? 用户活跃阶段的用户事件追踪和全网用户标签聚类;

? 用户转化后流转去向和流失预测，以及拓展性归因路径;

? 同时解决方案绝不会止步于数据，还会拓展出新的领域来找到增长办法，比如通过“Growth”增长网络，实现精细化锁定沉默和流失用户，帮助精准召回等;

图三、转化漏斗指标拆解(部分)

1、刷量防御：通过使用“Growth”渠道精分中刷量防御模块，快速直接的辨别出哪些新增激活用户是假量、哪些新增激活用户是在骗CPA的激活费用。“Growth”采用复合大数据模型进行融合迭代验证，对每个新安装的设备进行辨别，通过超过15余种混合标识锁定不同渠道、版本，以及用户实际安装状态进行秒级实时排查。在该案例中，及时判别出某一渠道的12%假量，并当即识别出某地区的一台移动设备刷量近万。

图四、拉新用户分析数据样例(部分)

2、渠道质量跟踪：在各种推广渠道，以各种方式获取目标用户，通过时间、地域、版本和推广渠道等不同维度来实时监控活跃、留存、贡献时长、次数、付费等，并拆解分析新增、总数、增长率，组合各种维度来分析营销渠道的用户获取效果以及目标用户分布，对各种营销渠道的效果进行评估，从而更加合理的确定投入策略，最小化用户获取成本。

图五、渠道活性质量分析 - 新增用户分析数据样例(部分)

对渠道价值的评估，通常通过三个方面综合评估：渠道有效性、渠道留存度、渠道ROI。好的推广渠道一定有针对性地圈定目标人群，带来的用户和目标人群吻合度比较大，这样的用户通常比较容易成为活跃用户。另外“Growth”的渠道留存度(次日、3日、7日、14日、30日)也是衡量用户粘性和质量的主要指标，同时也是评判应用能否留下用户以及活跃用户规模增长的手段。在“该APP”不断提升产品优化迭代与满足用户需求的产品更新之外，“Growth”帮助精分出效果最佳组合渠道，并有的放矢、持续投入。

图六、渠道粘性质量分析 - 使用次数同期分析数据样例(部分)

3、沉默与流失召回：“Growth”结合使用历史行为和事件数据，制定一些定制化算法模型，预测用户的流失Likelihood，算法将用户分类出三组Linklihood：高流失风险、中流失风险、低流失风险。同时对高流失风险和中流失风险人群，提供全网用户画像模型，挖掘其特征和喜好、生活轨迹和使用场景等，为后续执行召回营销锁定最恰当、最契合的用户群。

最终，“该APP”通过“Growth”运营精分服务平台，相比使用前，整体渠道ROI提升了32%，同时在最近的推广活动中，利用锁定高风险流失用户群，再结合该人群不同特征和场景网络，帮助一次性成功召回近160万用户。