[Tăng trưởng người dùng] SOP tăng trưởng kênh: Dễ dàng triển khai đánh giá và phân tích hiệu quả kênh nội bộ

WeChat là kênh phân phối nội bộ quan trọng, vậy làm thế nào chúng ta có thể nâng cao hiệu quả phân phối thông qua các nút trò chơi trưởng thành? Nhóm dữ liệu đã phát triển một bộ SOP phân tích cho mục đích này. Tác giả bài viết này chia sẻ những vấn đề và giải pháp gặp phải trong quá trình xây dựng SOP cải thiện và tăng trưởng hiệu quả kênh nội bộ.

WeChat là kênh phân phối nội bộ quan trọng. Trung tâm tăng trưởng đã hợp tác sâu rộng với WeChat để nâng cao hiệu quả phân phối trò chơi IEG trên WeChat thông qua nhiều phương tiện như hoạt động của nút trò chơi trưởng thành. Growth Data Group đã phát triển một bộ SOP phân tích xung quanh việc tăng hiệu quả kênh nội bộ để nhanh chóng xác định các vấn đề gặp phải trong quá trình giao hàng. Tiếp theo, tôi sẽ chia sẻ với bạn những vấn đề gặp phải trong quá trình xây dựng SOP tăng trưởng hiệu quả kênh nội bộ và phương pháp tháo gỡ của chúng tôi.

1. Bối cảnh kinh doanh

Trước tiên, để dễ hiểu hơn, chúng ta hãy giới thiệu sơ qua về kịch bản phân phối của WeChat.

Hình dạng sản phẩm được thể hiện ở hình dưới đây. Các nguồn phân phối chính bao gồm tài khoản chính thức, chương trình nhỏ, trung tâm trò chơi tài khoản video, v.v. Trong số đó, tài khoản chính thức "WeChat Games" và quảng cáo trung tâm trò chơi red dot + trang khám phá là các nguồn quảng cáo kênh nội bộ được phân phối thông qua cơ chế phân bổ vàng ảo.

Liên kết phân tích dữ liệu là phát hành gói → đẩy → trò chơi red dot/tin nhắn tài khoản công khai → nhấp → tải xuống → đăng ký.

2. Khung phân tích tổng thể và các chỉ số tập trung

Quy trình phân phối của WeChat là sau khi thuật toán tạo ra gói người dùng trò chơi A, WeChat sẽ lọc người dùng dựa trên dữ liệu như hoạt động của người dùng, sau đó đấu thầu với các gói dân số trò chơi khác. Sau khi đấu giá thành công, tin nhắn trò chơi sẽ được đẩy đến tài khoản công khai WeChat và vị trí chấm đỏ để thu hút người dùng nhấp vào và tải xuống.

Chỉ số North Star cho toàn bộ chiến dịch là Tỷ lệ đăng ký tải xuống tiếp xúc (EVR). Dựa trên số liệu North Star, chúng ta có thể chia kênh chiến dịch thành hai phần: hiệu ứng mô hình và hiệu suất kênh. Hiệu ứng mô hình chủ yếu đề cập đến quá trình nhận dạng người dùng và hiệu suất kênh chủ yếu đề cập đến dữ liệu hiệu ứng ở phía kênh sau khi quá trình nhận dạng người dùng hoàn tất. Bằng cách chia nhỏ quy trình, mỗi bước của kênh phân phối đều có mục tiêu kiểm tra rõ ràng và các chỉ số đáng quan tâm, để có thể xác định chính xác những thay đổi trong chỉ số North Star.

1. Đầu tiên, chúng ta sẽ sử dụng một loạt các chiến lược để sàng lọc tập hợp ứng viên để sắp xếp. Tập ứng viên là một gói người dùng lớn. Thuật toán sắp xếp tinh chỉnh tiếp theo sẽ sắp xếp trong phạm vi người dùng này để tìm ra những người dùng có khả năng đăng ký cao hơn. Do đó, phạm vi bao phủ của ứng viên đối với người dùng mục tiêu là chỉ số cốt lõi đầu tiên. Bằng cách đánh giá tỷ lệ người dùng đã đăng ký trong nhóm ứng viên so với đăng ký chuỗi quan hệ WeChat trong cùng thời kỳ, chúng ta có thể biết liệu nhóm ứng viên có đủ hay không. Ví dụ, có 100 người dùng đã đăng ký trong một khoảng thời gian nhất định và chỉ có 50 người dùng đã đăng ký trong nhóm ứng viên. Bất kể cách sắp xếp tiếp theo được thực hiện như thế nào, số lượng người dùng đã đăng ký cuối cùng sẽ không vượt quá 50.
2. Trong giai đoạn xác định người dùng của mô hình, chúng tôi chủ yếu tập trung vào hiệu ứng mô hình, nghĩa là liệu mô hình có thể sàng lọc ra những người dùng đã đăng ký có tiềm năng cao hay không. Do giới hạn về số lượng gói tin, chúng ta cần tối đa hóa độ chính xác của việc nhận dạng người dùng cuối, tức là tỷ lệ nhớ lại 5 triệu người dùng hàng đầu của mô hình.
3. Sau khi gói người dùng được cấu hình trong WeChat, việc phân phối lớp mô hình gốc sẽ thay đổi sau khi WeChat lọc và đấu giá. Vì bước này hiện là hộp đen nên chúng tôi chỉ có thể đánh giá tác động của bộ lọc WeChat đối với quá trình đăng ký bằng cách so sánh tỷ lệ đăng ký ngoài gói và tỷ lệ đăng ký được hiển thị.
4. Sau khi WeChat đưa quảng cáo đến người dùng mục tiêu, chất lượng của bản sao quảng cáo và tài liệu sẽ ảnh hưởng trực tiếp đến mức độ hiển thị và tỷ lệ nhấp chuột.
5. Nếu người dùng quan tâm đến trò chơi và tiếp tục nhấp để tải xuống, bước này sẽ khiến gói kênh bị thay thế do bị một số nhà sản xuất chặn. Chúng ta có thể đánh giá sự mất mát của bước này thông qua kênh chia sẻ và chuỗi chia sẻ quan hệ.
6. Cuối cùng, khi đến giai đoạn đăng ký, chúng ta có thể so sánh tình hình tải xuống của người dùng và phân tích tình hình của những người dùng đã đăng ký nhưng không tải xuống, cũng như những người dùng đã nhấp để tải xuống nhưng cuối cùng không chuyển đổi, bên cạnh những người dùng đi qua kênh thông thường. Điều này sẽ giúp chúng tôi hiểu được sự đa dạng của các liên kết chuyển đổi người dùng.

Thông qua phân khúc người dùng, chúng ta có thể kiểm tra xem mô hình có xác định chính xác những người dùng hàng đầu hay không. Làm thế nào chúng ta có thể đánh giá thêm phân khúc người dùng cụ thể nào thay đổi khiến tỷ lệ nhấp chuột cuối cùng giảm? Chúng tôi xác định chỉ số đóng góp phân tầng để mô tả và giúp xác định tác động của những thay đổi phân tầng lên chỉ số chung.

• Các tầng lớp người dùng khác nhau có tiềm năng chuyển đổi đăng ký khác nhau. Khi so sánh hai chiến dịch, do bộ lọc hộp đen WeChat, sự phân bổ mức độ hiển thị thực tế của các tầng lớp người dùng đã thay đổi từ phân bổ đồng đều khi những người dùng ban đầu được khoanh tròn thành phân bổ không đồng đều. Ngoài ra, mức độ hiển thị thực tế của các tầng lớp khác nhau trong hai chiến dịch cũng khác nhau, đồng thời mức độ hiển thị thực tế và tỷ lệ nhấp chuột của các tầng lớp khác nhau cũng khác nhau. Sự thay đổi về độ phơi sáng theo lớp bị ảnh hưởng bởi quá trình lọc và tỷ lệ nhấp chuột bị ảnh hưởng bởi vật liệu. Hai cái này độc lập với nhau.
• Chỉ số đóng góp tỷ lệ nhấp chuột theo lớp có thể mô tả tác động của tài liệu. Giả sử mức độ hiển thị không thay đổi, nó có thể đánh giá tác động tổng thể của những thay đổi trong tỷ lệ nhấp chuột của các lớp khác nhau. Đối với mỗi lớp, hãy tính toán sự khác biệt giữa tỷ lệ nhấp chuột hiện tại và tỷ lệ nhấp chuột trước đó. Giả sử khối lượng phơi sáng không đổi, hãy sử dụng tỷ lệ giữa mức phơi sáng hiện tại của lớp với tổng mức phơi sáng của lớp hiện tại làm trọng số để tính toán mức đóng góp vào tỷ lệ nhấp chuột.
• Chỉ số đóng góp tiếp xúc theo lớp chủ yếu được sử dụng để mô tả tác động của những thay đổi trong phân phối tiếp xúc do lọc hộp đen gây ra đối với tỷ lệ nhấp chuột chung. Đối với mỗi lớp, hãy tính tỷ lệ chênh lệch giữa mức phơi sáng hiện tại và mức phơi sáng trước đó so với tổng mức phơi sáng và sử dụng tỷ lệ này làm tỷ lệ thay đổi lưu lượng của lớp. Giả sử tỷ lệ nhấp chuột không đổi, hãy sử dụng sự chênh lệch giữa tỷ lệ nhấp chuột hiện tại và tổng tỷ lệ nhấp chuột của lớp làm trọng số để tính toán mức độ tiếp xúc.
• Bằng cách kết hợp hai cách phân phối, chúng ta có thể tính toán tổng mức đóng góp của các lớp do những thay đổi về tỷ lệ nhấp chuột và lưu lượng truy cập mang lại. Khi tỷ lệ nhấp chuột thấp hơn so với lần phân phối trước, mức đóng góp của lớp 1 và lớp 17 là lớn, đây là những yếu tố chính dẫn đến việc giảm tỷ lệ nhấp chuột. Bằng cách quan sát những thay đổi về lưu lượng truy cập, chúng ta có thể thấy rằng mức độ hiển thị thực tế của lớp đầu 1 (người dùng có tỷ lệ nhấp chuột cao mà mô hình tin rằng có xác suất chuyển đổi cao) đã giảm đáng kể, trong khi mức độ hiển thị thực tế của lớp đuôi 17 (người dùng có tỷ lệ nhấp chuột thấp mà mô hình tin rằng có xác suất chuyển đổi thấp) đã tăng lên. Khi độ phơi sáng tổng thể không thay đổi nhiều, tỷ lệ nhấp chuột tổng thể sẽ giảm do độ phơi sáng của lớp thay đổi.

3. Phân tích trường hợp

Tiếp theo, chúng tôi sử dụng quy trình SOP ở trên để phân tích trường hợp giao hàng thực tế. Bối cảnh của trường hợp này là sự biến động của các chỉ số trong việc giao vàng ảo của một trò chơi nhất định. Có thể thấy tỷ lệ ghi nhận phơi nhiễm của đợt giao hàng vào tháng 3 có xu hướng giảm mạnh, trong khi EVR vào tháng 4 lại tăng đáng kể. Cần phải phân tích nguyên nhân gây ra biến động EVR.

Xu hướng thay đổi EVR và mức độ phơi sáng của trò chơi từ tháng 3 đến tháng 4 (giá trị trục tọa độ được ẩn vì lý do bảo mật dữ liệu):

Theo sơ đồ trên, chúng ta phân tích từng lớp và ghi nhận những biến động của chỉ báo North Star.

Đầu tiên, trước khi phát hành gói, chúng tôi sẽ kiểm tra xem có bất kỳ thay đổi đáng kể nào về phạm vi ứng cử viên đối với nhóm dân số đã đăng ký hay không. Chỉ số mà chúng ta quan tâm chủ yếu ở đây là tỷ lệ nhớ lại của ứng viên đối với người dùng đã đăng ký. Chỉ số này biểu thị giới hạn trên của số người đã đăng ký mà mô hình của chúng tôi có thể lựa chọn. Trong những trường hợp bình thường, nếu không có sự điều chỉnh lớn nào đối với nhóm ứng viên thì tỷ lệ người đã đăng ký thuộc đối tượng ứng viên sẽ tương đối ổn định.

Nếu tỷ lệ thu hồi của nhóm ứng viên giảm đáng kể, thì trước khi toàn bộ quá trình phân phối gói hàng bắt đầu, chúng ta có thể thấy mức độ hiệu quả của quá trình phân phối này giảm xuống ở một mức độ nhất định, vì giới hạn trên của số lượng người đã đăng ký mà chúng ta có thể tiếp cận đã giảm xuống.

Lúc này, chúng ta cần tìm hiểu nguyên nhân gây ra sự thay đổi trong tập ứng viên, ví dụ như do chiến lược lọc hoạt động của người dùng trước đó đã lọc ra quá nhiều người dùng, hay do chiến lược lọc nhấp chuột vào cảnh đã sàng lọc ra quá nhiều người dùng, hoặc một số lý do khác, rồi thực hiện các điều chỉnh tương ứng.

Hình trên cho thấy xu hướng thay đổi của tỷ lệ nhớ lại của tập ứng viên trong trò chơi. Có thể thấy rằng tỷ lệ thu hồi của tập ứng viên và EVR về cơ bản có xu hướng thay đổi giống nhau và các điểm uốn về cơ bản giống nhau. Trong khoảng từ 3,7 đến 4,4, tỷ lệ người đăng ký thuộc đối tượng ứng cử tăng lên đáng kể. Theo góc nhìn của nhóm ứng viên tích cực nhấp chuột và mức độ hiển thị, tỷ lệ này tăng từ 24,7% trong phiên bản 3.7 lên 45,8% trong phiên bản 4.4, tức là gần gấp đôi. EVR trong cùng kỳ cũng tăng từ 0,005% lên 0,191%. Ngược lại, tỷ lệ thu hồi của ứng viên trong giai đoạn 4,25 giảm đáng kể và EVR cũng thấp hơn nhiều so với các giai đoạn khác trong tháng 4.

Điều này cho thấy số lượng người được bao phủ trong tập ứng viên của mô hình đã giảm mạnh vào đầu tháng 3, dẫn đến việc giảm giới hạn trên của số lượng người đã đăng ký mà mô hình có thể lựa chọn, do đó ảnh hưởng đến tỷ lệ đăng ký phơi nhiễm. Sau đó, số lượng người đăng ký trong chuỗi quan hệ WeChat được ứng viên tập hợp đã dần phục hồi và đến đầu tháng 4 đã gần trở lại mức của cuối tháng 2. Giới hạn trên của số lượng chuyển đổi mà mô hình có thể lựa chọn đã tăng lên. Nếu khả năng của mô hình ổn định, có thể lựa chọn nhiều người dùng chuyển đổi có tiềm năng cao hơn để cải thiện EVR tổng thể.

Sau khi xác định tác động của tập hợp ứng viên lên EVR, bước tiếp theo là đánh giá xem khả năng của mô hình có ổn định hay không. Các chỉ số được chọn ở đây là độ chính xác của tập hợp ứng viên và tỷ lệ đăng ký của những người dùng hàng đầu, lần lượt biểu thị số người đã đăng ký được tập hợp ứng viên bao phủ và số người đã đăng ký được 5 triệu người dùng hàng đầu bao phủ. Khi tổng số người trong tập hợp ứng viên không thay đổi nhiều, bằng cách so sánh xu hướng thay đổi của hai chỉ số này, chúng ta có thể xác định liệu hiệu suất của mô hình có đáp ứng được kỳ vọng hay không.

Nếu khả năng của mô hình tương đối ổn định, số lượng người đã đăng ký trong tập ứng viên và số lượng người đã đăng ký do mô hình lựa chọn sẽ tăng hoặc giảm theo tỷ lệ. Nghĩa là, tỷ lệ đăng ký của nhóm ứng viên và tỷ lệ đăng ký của những người dùng hàng đầu của mô hình sẽ có cùng xu hướng tăng/giảm. Nếu tỷ lệ đăng ký của tập ứng viên đang tăng lên, trong khi tỷ lệ đăng ký của những người dùng hàng đầu của mô hình đang giảm đáng kể, thì mô hình đang hoạt động kém bất thường và bạn cần xem xét vấn đề nào đã xảy ra với mô hình trong vấn đề này.

Dưới đây chúng tôi so sánh độ chính xác của bộ ứng viên trong trò chơi và tỷ lệ đăng ký của 5 triệu người dùng hàng đầu. Chúng ta có thể thấy rằng trong hầu hết các giai đoạn, cả hai đều có xu hướng tăng và giảm về cơ bản giống nhau. Khi tỷ lệ đăng ký của 5 triệu người dùng hàng đầu thấp, độ chính xác của tập hợp ứng viên trong cùng kỳ cũng giảm theo tỷ lệ cơ bản tương tự, cho thấy sự sụt giảm về số lượng người đăng ký trong top 5 triệu vào tháng 3 là do tổng số người đăng ký trong tập hợp ứng viên giảm.

Ngoài ra, có thể thấy rằng từ ngày 11 tháng 3 đến ngày 7 tháng 4, tỷ lệ đăng ký của 5 triệu người dùng hàng đầu đã tăng đáng kể, lớn hơn nhiều so với mức tăng của nhóm ứng viên trong giai đoạn này. Điều này cho thấy rằng mặc dù số lượng người dùng đã đăng ký trong nhóm ứng viên không tăng nhiều nhưng mô hình đã sàng lọc được nhiều hơn gấp đôi số lượng người dùng đã đăng ký so với các giai đoạn trước. Có thể thấy rằng sự cải thiện về năng lực mô hình trong những giai đoạn này cũng là một trong những lý do chính khiến EVR tăng.

Ngoài việc so sánh độ chính xác của tập ứng viên và tỷ lệ đăng ký của người dùng hàng đầu, chúng tôi còn đánh giá hiệu suất của mô hình thông qua tỷ lệ thu hồi của người dùng hàng đầu . Chỉ số này biểu thị tỷ lệ tổng số người dùng đã đăng ký có thể được bao phủ bởi những người dùng hàng đầu được mô hình lựa chọn. Nếu mô hình có khả năng dự đoán mạnh thì những người dùng chất lượng cao được chọn sẽ có thể đại diện cho những người dùng đã đăng ký có tiềm năng cao và những người dùng hàng đầu sẽ có thể bao phủ hầu hết những người dùng đã đăng ký. Nếu người dùng ở cuối bao gồm nhiều người dùng đã đăng ký hơn người dùng ở đầu, điều đó có nghĩa là xác suất mà mô hình dự đoán có thể bị sai lệch.

Dưới đây là tỷ lệ nhớ lại của 5 triệu người dùng trò chơi hàng đầu trong hai tháng qua. Có thể thấy, từ ngày phát hành 7/3 đến ngày 4/4, tỷ lệ nhớ lại của nhóm người dùng hàng đầu tăng từ 13,3% lên 88,6%, tăng 75,3%. Sự gia tăng này lớn hơn nhiều so với sự thay đổi trong tập hợp ứng viên, điều này cũng xác minh sự cải thiện về khả năng của mô hình, cho thấy những người dùng chất lượng cao được mô hình lựa chọn kể từ cuối tháng 3 đã bao phủ tỷ lệ người dùng đã đăng ký cao hơn.

Từ phần đầu của bộ ứng viên và hiệu ứng mô hình, có thể kết luận rằng những thay đổi trong bộ ứng viên và mô hình từ tháng 3 đến tháng 4 là hai lý do chính gây ra biến động lớn trong EVR của việc giao vàng ảo trong trò chơi. Tiếp theo, chúng ta sẽ chú ý xem có những yếu tố nào khác dẫn đến xu hướng thay đổi EVR trong hiệu suất kênh của các liên kết tiếp theo của kênh trong quá trình phân phối thực tế hay không.

Sau khi gói được phát hành, trong quá trình đẩy tài liệu quảng cáo đến người dùng sẽ có một tỷ lệ tổn thất nhất định do người dùng đấu giá hoặc lọc từ phía doanh nghiệp và không phải tất cả đều có thể được hiển thị. Nếu hầu hết người dùng, đặc biệt là những người dùng chất lượng cao, không được tiếp xúc đầy đủ trong một chiến dịch nhất định, trong khi tỷ lệ tiếp xúc của những người dùng có tỷ lệ chuyển đổi kém ở phần cuối lại cao hơn, thì hiệu quả của chiến dịch chắc chắn sẽ giảm sút.

Tuy nhiên, kết quả này không phải là tuyệt đối. Nếu chỉ một số ít người dùng hàng đầu được tiếp xúc, nhưng phần tiếp xúc này đã bao phủ hầu hết người dùng, thì hiệu ứng chuyển đổi cũng có thể tốt hơn. Do đó, trước khi xem xét hành vi nhấp chuột để tải xuống và đăng ký của người dùng, chúng ta cần theo dõi tỷ lệ người dùng thực sự giới thiệu ứng dụng cho người dùng khác.

Hình bên dưới so sánh hai giai đoạn (3.31 và 4.4) có cùng mức phát hành lỗi và tỷ lệ thu hồi bộ ứng viên tương đối gần nhau, đồng thời so sánh tỷ lệ phát hiện lỗi. Có thể thấy rằng tỷ lệ tiếp xúc của những người dùng hàng đầu trong hai chiến dịch này không cao, chỉ dao động từ 10% đến 30%. Ngược lại, tỷ lệ tiếp xúc của chiến dịch 3.31 cao hơn. Do đó, việc không tiếp cận đủ người dùng chất lượng cao không phải là lý do chính khiến EVR của chiến dịch 3.31 thấp hơn so với 4.4.

Để giải thích rõ hơn về sự khác biệt EVR do mức độ phơi sáng khác nhau giữa những người dùng hàng đầu, chúng tôi sẽ so sánh tỷ lệ phơi sáng của một trò chơi khác trong hai giai đoạn dưới đây. EVR của trò chơi ra mắt vào ngày 3 tháng 3 cao hơn nhiều so với ngày 8 tháng 4. Từ tỷ lệ phơi sáng trong hình bên dưới, có thể thấy rõ rằng tỷ lệ phơi sáng của những người dùng hàng đầu của trò chơi ra mắt vào ngày 3 tháng 3 cao hơn nhiều so với ngày 8 tháng 4 và những người dùng bị phơi sáng tập trung ở top đầu. Ngược lại, lượng người dùng tiếp xúc với trò chơi ra mắt vào ngày 8 tháng 4 tập trung ở phần đuôi, cao hơn đáng kể so với lượng người dùng tiếp xúc với trò chơi ra mắt vào ngày 3 tháng 3. Trong hai lần ra mắt trò chơi này, sự khác biệt về tốc độ hiển thị là một trong những yếu tố chính dẫn đến hiệu ứng chuyển đổi tốt hay xấu.

Sau khi gửi tài liệu quảng cáo đến người dùng, chúng ta cần chú ý đến hiệu suất kênh của người dùng. Bước tiếp theo sau khi đẩy là nhấp chuột. Chúng ta cần theo dõi xem có thay đổi lớn nào về tỷ lệ nhấp chuột chung của nội dung phân phối hay không. Nếu vậy, nguyên nhân nào khiến tỷ lệ nhấp chuột thay đổi? Có phải vì chất lượng bản sao và tài liệu kém, khiến người dùng không có ý định nhấp chuột không? Hay là do chất lượng người dùng được cung cấp không cao và họ không quan tâm đến quảng cáo trong trò chơi? Hay là do mức độ tiếp xúc của người dùng đuôi quá lớn, dẫn đến mức độ tiếp xúc tổng thể tăng lên khi số lượng người nhấp chuột là tương đương, do đó làm giảm tỷ lệ nhấp chuột chung? Đối với hai điểm sau, chúng tôi đã thiết kế một chỉ số đóng góp CTR theo từng bậc để đánh giá tác động của CTR và mức độ tiếp xúc của mỗi 1 triệu người dùng đối với CTR tổng thể.

Hình trên cho thấy tỷ lệ nhấp chuột vào trò chơi. Có thể thấy rằng lượng nhấp chuột vào liên kết bị mất vào tháng 3 lớn hơn nhiều so với tháng 4. Tỷ lệ nhấp chuột vào tháng 4 cao hơn đáng kể so với tháng 3. Tỷ lệ nhấp chuột là 4,4 gần gấp 3 lần so với 3,31.

Lấy ngày 31 tháng 3 làm nhóm thử nghiệm và ngày 4 tháng 4 làm nhóm đối chứng, chúng tôi đã tính toán mức đóng góp vào tỷ lệ nhấp chuột. Hình dưới đây cho thấy sự khác biệt về tỷ lệ nhấp chuột chủ yếu là do hai lý do:

Đầu tiên, CTR của 1 triệu người dùng hàng đầu trong hai chiến dịch khá khác nhau (như có thể thấy trong hộp màu đỏ bên trái, sự khác biệt về CTR của 1 triệu người dùng hàng đầu góp 20% vào kết quả là CTR là 3,31 thấp hơn CTR là 4,4). Điều này là do chất lượng của những người dùng hàng đầu trong hai chiến dịch là khác nhau. Số lượng người dùng đã đăng ký trong số 5 triệu người dùng hàng đầu trong 4.4 nhiều hơn gấp đôi so với 3.31.

Thứ hai, số lượng người dùng bị ảnh hưởng vào cuối giai đoạn 3.31 cao hơn nhiều so với giai đoạn 4.4. Bạn có thể thấy điều này từ biểu đồ tỷ lệ phơi nhiễm ở trên. Số lượng lớn người dùng bị lộ đuôi đã làm giảm tỷ lệ nhấp chuột chung (như có thể thấy từ hộp màu đỏ bên phải, mức độ bị lộ đuôi đóng góp tương đối cao, cho thấy có quá nhiều người dùng có tỷ lệ nhấp chuột thấp hơn mức trung bình vào cuối bản phát hành 3.31, điều này làm giảm tỷ lệ nhấp chuột chung).

Sau khi người dùng nhấp vào, đã đến lúc tải xuống và đăng ký theo liên kết. Có hai khía cạnh ở đây. Một là liệu người dùng có đăng ký sau khi tải xuống hay không và hai là liệu người dùng đã đăng ký có tải xuống thông qua kênh/kịch bản của chúng tôi hay không.

Từ góc độ đầu tiên, rất khó để phân tích lý do tại sao người dùng không đăng ký sau khi tải xuống, vì chúng tôi tin rằng hầu hết người dùng tải xuống đều thích trò chơi đó nhưng không đăng ký trò chơi sau khi tải xuống. Có thể quá trình đăng ký phức tạp hoặc không đủ bộ nhớ, v.v. Tuy nhiên, chúng tôi khó có thể can thiệp vào những vấn đề này. Do đó, trong liên kết này, chúng tôi chủ yếu tập trung vào việc phân tích xem người dùng đã đăng ký có tải xuống trò chơi trong các tình huống kênh của chúng tôi hay không.

Những người dùng này sẽ được chuyển đổi thành những người dùng đã nhận được gói hàng, nhưng họ không được ghi nhận vào kênh của chúng tôi trong liên kết tải xuống. Nếu phần lớn người dùng đã đăng ký không tải xuống từ kênh của chúng tôi thì lý do là gì?

Ở đây, số liệu chúng tôi quan tâm là tỷ lệ người dùng đã đăng ký nhưng không tải xuống. Như có thể thấy trong hình bên dưới, trong các giai đoạn 4.4, 4.7 và 4.14 với tỷ lệ chuyển đổi tốt hơn, chỉ có khoảng 10% người dùng đã đăng ký không tải xuống từ kênh của chúng tôi (và không thể đóng góp vào việc cải thiện EVR). Vào tháng 3 và ngày 4.25, khi tỷ lệ chuyển đổi kém, tỷ lệ người dùng đã đăng ký nhưng không tải xuống vào khoảng 15%-20%, cho thấy nhiều người dùng đã đăng ký có tiềm năng cao đã bị mất trong liên kết tải xuống, đây cũng là một trong những lý do khiến tỷ lệ chuyển đổi của chiến dịch tháng 3 kém.

Nếu tình huống trên xảy ra và một tỷ lệ lớn người dùng đã đăng ký không tải xuống từ kênh của chúng tôi, chúng tôi cần phân tích lý do dẫn đến tình huống này.

Có thể có hai tình huống xảy ra vào lúc này. Một là những người dùng này đã tải xuống thông qua các kênh không phải WeChat hoặc các kênh bên ngoài (không phải thông qua WeChat, QQ, App Store, v.v.). Cách còn lại là họ tải xuống thông qua kênh WeChat nhưng không phải trong trường hợp của chúng tôi (tài khoản chính thức, dấu chấm đỏ). Chúng tôi sẽ theo dõi hai tình huống này riêng biệt trong quy trình SOP.

Đối với tình huống đầu tiên, chỉ số chúng tôi theo dõi là tỷ lệ kênh WeChat trong số những người dùng đã đăng ký nhưng chưa tải xuống ứng dụng. Chúng tôi xem xét có bao nhiêu người dùng đã đăng ký chưa tải ứng dụng đã tải xuống ứng dụng thông qua kênh WeChat, bao nhiêu người đã tải xuống ứng dụng thông qua các kênh nội bộ khác hoặc bao nhiêu người đã bị các kênh bên ngoài chiếm mất quyền tải xuống.

Đối với tình huống thứ hai, chúng tôi sẽ chú ý đến tỷ lệ người dùng đã đăng ký trên kênh WeChat nhưng chưa tải xuống. Chỉ báo này có thể hiển thị số lượng người dùng đã đăng ký trên kênh WeChat đã tải xuống trong tình huống của chúng tôi và số lượng người dùng đã tải xuống trong các tình huống khác của kênh WeChat.

Chúng tôi lấy giai đoạn 3.11 và 4.25, là giai đoạn có tỷ lệ người dùng đã đăng ký mà không tải xuống cao nhất làm ví dụ và chúng ta có thể thấy rõ sự khác biệt giữa hai tình huống trên:

• Biểu đồ bên dưới hiển thị tỷ lệ người dùng đã đăng ký thông qua kênh WeChat nhưng không tải xuống. Có thể thấy rằng tỷ lệ người dùng đã đăng ký nhưng không tải xuống phiên bản 3.11 là thấp nhất trong hai tháng, chỉ ở mức khoảng 43%. Điều này cho thấy tỷ lệ người dùng đã đăng ký cao nhưng không tải xuống trong giai đoạn 3.11 là do nhiều người dùng bị các kênh bên ngoài chiếm mất quyền tải xuống. Trong giai đoạn 4.25, cũng có tỷ lệ người dùng đã đăng ký nhưng không tải xuống cao, 80% người dùng đã đăng ký nhưng lượt tải xuống không liên quan đến kênh của chúng tôi vẫn được đăng ký thông qua kênh WeChat. Điều này cho thấy tỷ lệ người dùng đã đăng ký nhưng không tải xuống cao không phải do bị các kênh bên ngoài chiếm mất.

• Biểu đồ bên dưới hiển thị tỷ lệ người dùng đã đăng ký trên kênh WeChat nhưng chưa tải xuống ứng dụng. Có thể thấy rằng Giai đoạn 4.25 có tỷ lệ người dùng đã đăng ký trên kênh WeChat nhưng không tải xuống ứng dụng trong hai tháng qua cao nhất. Điều này cho thấy mặc dù lượt tải xuống không bị các kênh bên ngoài chiếm mất ưu thế nhưng tỷ lệ người dùng đã đăng ký trong Giai đoạn 4.25 không thích tài khoản công khai và dấu chấm đỏ, cũng như tải xuống trong các trường hợp khác trên kênh WeChat lại cao hơn.

Bằng cách sử dụng khuôn khổ SOP để phân bổ những thay đổi EVR trong trò chơi từ tháng 3 đến tháng 4, chúng ta có thể rút ra một số kết luận chính:

Vào cuối tháng 3, bộ ứng viên được thiết lập để thử nghiệm ngoài băng tần đã được điều chỉnh và mô hình cũng trải qua những thay đổi lớn, dẫn đến:

1. Tỷ lệ thu hồi các bộ hồ sơ ứng viên trong tháng 4 tăng lên và số người đăng ký được bảo hiểm nhiều hơn đáng kể so với tháng 3;
2. Tỷ lệ chính xác của những người dùng hàng đầu đã được cải thiện đáng kể, khả năng của mô hình đã được nâng cao và những người dùng hàng đầu được chọn đã mang lại nhiều đăng ký hơn;
3. Tỷ lệ nhấp chuột của chiến dịch tháng 3 thấp hơn nhiều so với tháng 4. Đầu tiên, chất lượng của những người dùng hàng đầu trong hai chiến dịch là khác nhau, dẫn đến sự khác biệt lớn về tỷ lệ nhấp chuột của những người dùng hàng đầu. Thứ hai, số lượng người dùng bị lộ thông tin vào cuối chiến dịch 3.31 cao hơn nhiều so với chiến dịch 4.4. Số lượng lớn người dùng bị lộ ở cuối đã làm giảm tỷ lệ nhấp chuột chung.
4. Vào tháng 3 và tháng 4, tỷ lệ người dùng đã đăng ký có tiềm năng cao bị mất trong liên kết tải xuống cao hơn. Giai đoạn ngày 11 tháng 3 là do nhiều người dùng bị các kênh bên ngoài chiếm mất quyền tải xuống trong liên kết, trong khi giai đoạn ngày 25 tháng 4 là do tỷ lệ người dùng đã đăng ký không thích tài khoản chính thức và các tình huống chấm đỏ cao hơn.

4. Suy nghĩ cuối cùng

Quy trình vận hành chuẩn (SOP) tăng trưởng V1.0 tập trung vào việc giao hàng sau khi đóng gói, với mục đích xem xét tác động của một lần giao hàng và nhanh chóng xác định các vấn đề bất thường. Đây là phân tích chuyên sâu được thực hiện sau khi phát hiện ra một lô hàng cụ thể có vấn đề. Vấn đề quan trọng tiếp theo mà chúng ta cần giải quyết là tìm ra trò chơi có vấn đề và cách ra mắt tương ứng từ sự biến động của dữ liệu thị trường.

Tiếp theo, chúng tôi sẽ chú ý hơn đến liên kết phân phối trò chơi. Sau khi thuật toán phát hành một gói nhưng trước khi nó được phát hành, chúng ta sẽ chèn một cơ chế để kiểm tra tình trạng của gói và phát hiện một số vấn đề phổ biến. Thuận tiện thay thế một số người dùng đuôi kịp thời theo kết quả kiểm tra để nâng cao hiệu quả chuyển đổi của gói, tức là SOP phân tích trước đầu tư và phân tích sau đầu tư cùng nhau để liên tục nâng cao hiệu quả giao hàng.

Tác giả: harrylhcao

Nguồn: Tài khoản chính thức của WeChat: Tencent Lecture Hall