辅助分析“首次点击”和“线性归因”下的差异，以了解渠道协同与价值分布。

    对于非广告动作，如运营活动、产品功能改版，他则通过A/B测试框架的历史数据，或特定时间段内的用户行为对比来分析。

    第三步：识别无效动作的模式与特征。

    在能够追踪动作与用户价值关联后，古民开始系统性地扫描历史数据，寻找“无效动作”的模式。他定义了若干警报特征：

    • 价值倒挂：用户获取成本（CAC）低于行业或内部常识性阈值，但带来的用户群体中，低价值评分用户比例异常高（例如超过40%）。这强烈暗示可能存在刷量或吸引纯羊毛·党。

    • 行为坍缩：某个动作带来的用户，在特定时间点（如补贴结束后的第1天、第7天）出现行为数据的断崖式下跌，且后续无回升。表明该动作只刺激了短期、非持续性·行为。

    • 同质化异常：来自同一渠道或同一类型动作的用户，其行为序列高度同质化（如注册后完成完全相同的、最小化的任务序列后沉寂），不同于自然增长用户行为的随机分布。

    • 增益缺失：某个旨在提升用户活跃或留存的动作（如签到活动、红包激励），在活动期间相关指标上升，但活动结束后，实验组与对照组的长期留存曲线无显著差异，甚至实验组因补贴撤销而下跌更猛。这表明动作未产生持久增益，只是临时“购买”了数据。

    古民编写脚本，自动化扫描过去一年的主要增长动作数据，标记出符合上述一个或多个特征的可疑案例。结果生成一份长长的列表，其中“暑期拉新冲刺”项目的部分渠道赫然在列，且特征显著。此外，列表中还出现了其他一些他未曾留意的日常运营活动、功能推广，甚至某些版本的APP更新。

    第四步：构建“真实转化率”与“有效成本”核算体系。

    这是模型的核心输出。古民要挑战的是唯“注册量”、“点击成本”论的表面指标。

    他定义：

    • 表面转化率 = 动作直接带来的目标行为次数 / 动作曝光或触达次数。（如：广告点击注册率）

    • 真实转化率 = （动作带来的、且在后续观察期内被识别为“中高价值”的用户数量）/ 动作曝光或触达次数。 观察期可根据业务特点设定（如7天、30天）。

    • 表面成本 = 动作总花费 / 动作直接带来的目标行为次数。（如：单用户注册成本）

    • 有效成本 = 动作总花费 / 动作带来的“中高价值”用户数量。

    模型会自动计算主要增长动作的这两组指标。差距越大，说明该动作的“无效水分”越多，资源错配越严重。古民将“真实转化率”与“有效成本”视为更接近业务本质的“北极星指标”候选。

    第五步：尝试归因与压力测试。

    有了可疑动作列表和修正后的成本效益指标，古民开始尝试分析，为什么这些“无效动作”能够持续存在。

    他调取了这些动作相关的项目文档、评审记录、结案报告。他发现，在项目规划和复盘时，焦点几乎全部集中在“表面转化率”和“表面成本”是否达标。只要这两个数字“好看”，项目就是“成功”的。至于带来的用户后续如何，往往只有笼统的“留存有待提升”等模糊表述，缺乏严格的归因和问责。

    他模拟了如果考核指标从“注册量”转变为“有效用户获取量”或“长期用户价值增量”，资源分配会发生怎样的变化。模型模拟显示，大约有30%-40%的预算，如果从当前的高“无效动作”嫌疑渠道，转移到那些表面成本可能稍高、但真实转化率和用户价值也更高的渠道或策略上，理论上可以在相同总预算下，获取更多具有长期价值的用户。

    -->>

本章未完，点击下一页继续阅读