去年我带了一个网服客户，在某应用商店上推广APP，投放量级一天几十万。
当时一直很头疼的问题是，媒体方不允许监测各广告位的激活，而仅从前端的 曝光、下载、消费，难以判断各广告位的优劣。
明明知道，某些广告位的转化不好，但因为客户的KPI对量有要求，只能硬着头皮、凭经验继续投。
我接手客户后，提了几个解决方案：
方案一
将目前正投放的6个广告位中暂停3个，再加上自然量，合计4个下载量来源。一周后，暂停6个广告位中的另外3个，开启已暂停的3个，以此类推。
原理是：通过减少变量（即下载来源）的个数，来降低评估不同变量（即下载来源）对某一指标（即总激活量）的影响的难度。
这个方案的思路是很好的，但并不适用于这个客户的实际情况：下载来源分布高度集中。
下图是近1个月的 各下载来源的占比分布，可以看出：
自然量、精品、装机必备 三个下载来源已占到70%以上，其他资源 也能占到10%左右，暂停广告位的测试方案很容易引起账户的流量波动，所以考虑方案二。
方案二
基于统计学的广告数据定量分析，研究各下载来源与总激活量是否存在显著的相关关系。
相关性越强的下载来源意味着对激活量的贡献越大，即下载激活率越高。
开始分析。
这里以 IBM SPSS 23为例，将下载量和激活量的数据导入。
进行相关分析，结果如下：
数据显示，激活量与不同下载来源的相关关系是：
强相关（>0.8）：激活-精品、激活-搜索、激活-自然量
较强相关（0.6~0.8）：激活-排行榜、激活-其他资源、激活-红包专场
一般相关（0.4~0.6）：激活-装机必备
因为不存在第三个明显变量（具体解释在文末），这里的相关关系可视为因果关系。
换句话说，数据显示，针对该App在该应用商店的下载激活率的排序是：
精品、搜索、自然量 > 排行榜、其他资源、红包专场 > 装机必备
随后，我们进行了出价、预算、时段等控制，重点提高了转化较优的广告位。
下图是优化期间 各下载来源的占比分布，可以看出：
精品的下载量占比提到了近10个百分点，其他资源占比逐渐降低至0，搜索的占比也在增加。
装机必备的占比有较大幅度波动，主要原因：由于竞争对手做活动，精品的流量不稳定；KPI对量有要求；装机必备的新客率较高。
下面是最最重要的数据，能证明方案二显著的优化效果（激活成本持续下降、下载激活率持续上升）
最后，还有一点涨知识的Tips
相关关系不代表因果关系！
相关关系不代表因果关系！
相关关系不代表因果关系！
讲一个冰淇淋与犯罪的经典统计学故事吧。
在美国的中西部的一个小镇上，人们发现一个很有趣的不合逻辑的现象，就是冰激淋的消费量越高，犯罪率越高。这时候有人在想，如果人为控制改变冰激淋销量，是否可以改变犯罪率。
答案是否定的。常识告诉我们，冰激淋与犯罪无关，之所以在统计上存在正相关是因为天气。
冰激淋的销量与天气紧密相关，天气越热销量越高，同时，天气越热，人越容易在室外活动，越容易开窗（导致偷盗概率增加），女性越容易穿着暴露（导致性犯罪增加），人的心情也越烦躁（导致冲动型犯罪增加）。
故事中，看似相关的两个变量（冰激淋的销量）（犯罪率）是高度相关的，但实际上都是受第三个变量（天气）的影响。
而在上文的数据分析中，精品、装机必备等下载来源与激活量之间不存在明显的第三个变量，故可以判定变量之间的相关关系即为因果关系。
