APP推广渠道ROI预测

背景

早已成为红海的移动互联网，流量红利逐渐消失殆尽，获取流量的成本越来越高，价格的飞涨成为中小企业难以承受的负担。一般来说企业推广的结构是应用市场，搜索引擎竞价排名，产品换量合作，第三方付费推广(网盟)，线下预装等。

1. 应用市场特点：流量大，质量高

2. 百度竞价排名：流量大，质量一般

3. 产品换量合作：流量小，质量一般

4. 第三方付费推广：流量大，质量差

5. 线下预装渠道：流量一般，质量一般

本文内容不讨论方法论，从数据产品角度给出渠道投放建议，商务同学再也不需要在繁杂的数据指标中挣扎，只需要ROI这个维度就可以做出快速准确的决策。

LT（生命周期）

目的是ROI预测，核心是LT。

LT：渠道用户生命周期，举个例子，假设今天在A渠道新增了1w个用户，这些用户平均的生命周期是30天，那么当天新增的用户在生命周期内一共可以为你贡献30w天的PV流量。很好理解，问题来了生命周期的30天是怎么得到的呢？

以上是渠道A的留存率曲线，曲线下的面积其实就是该渠道的生命周期，通过数学模型，可以计算该曲线下的面积，也就求得了生命周期，是不是很简单，该问题的本质是求留存率曲线，通过定积分求得阴影面积。

其实上面的已经把渠道LT预测的核心东西讲完了，业务逻辑很简单，难点在于程序化，模型在没有人工干预的情况下不断调整，不断优化自己，这也是我们在该项目中最为精彩亮眼的地方。

在过去我们积累了丰富的渠道推广数据，我们为所有渠道建立一个模型，通过相似度算法找到相似渠道，用该渠道数据作为预测渠道数据进行建模，预估该渠道生命周期。

以上数据为例，我们有AB两个历史渠道，当一个新渠道C推广了7天后，就可以通过相似度算法，给预测渠道C找到一个相似度较高的匹配渠道，注意新渠道我们称为预测渠道，历史渠道我们称为匹配渠道，在通过补偿算法去弥补匹配渠道与预测渠道数据差异，当预测渠道C有了第8天的数据后，它仍然会按照上面的逻辑去寻找一个相似渠道，通过这种循环迭代，模型的预测准确度会越来越高，我们现有的LT预测误差在1%以内。

1. 新渠道推广时间满足7天

2. 相似度算法进行匹配，找出相似渠道进行建模

3. 建模预测结果输出

4. 反复上面操作，直到该渠道满足90天

V：就是ARPU值，每用户平均收入，对于该项目来说V就是该渠道的人均收入

LTV=LT*V

ROI(投入产出比)

在前面我们已经通过算法计算出LTV，下面的工作就非常简单了，渠道ROI=LTV/成本，目前我们已将该数据在平台例行产出，商务同学会根据该数据进行渠道的选择投放，下面是选择两个渠道的生命周期对比数据，如蓝色渠道生命周期均值在35天左右。