要分开看这两者,不能只比活动前后总量。更可靠的做法是:把自然增长理解为“没有集中投放时也持续发生的安装、注册或回流”,把活动集中触达理解为“在明确时间窗内由一次或多次集中曝光带来的增量”。如果活动结束后数据回落到活动前水平,且回落速度与活动前自然波动一致,那么活动更可能只是把原本会发生的转化提前了;如果活动结束后仍有一段高于活动前基线的稳定区间,才说明活动可能带来了额外增量。观察时至少要用两个窗口:活动前同长度窗口、活动后同长度窗口,并保留一个未受活动影响的对照渠道或对照地区。
很多游戏推广执行者会遇到这种情况:活动期间新增明显上升,活动结束后又快速下降,于是团队内部出现两种解释。第一种解释是活动有效,只是效果短;第二种解释是活动没有创造增量,只是把自然增长的用户提前拉进来了。两种解释都能解释“活动期间涨、活动后跌”,所以单看总量曲线无法区分。
要区分它们,需要找到“如果没有活动,这段时间本来会发生什么”。这个反事实不能靠感觉,要靠可对照的数据结构。常用做法是选一个没有做集中活动的相似渠道或相似地区作为对照,或者用活动前足够长的稳定窗口估计自然波动范围。对照的作用不是证明因果,而是排除“全站季节性上涨”这类共同原因。
第一个证据是时间分布。自然增长通常表现为相对平滑的日曲线,周末或版本更新前后有小幅波动;活动集中触达通常表现为活动开始后快速抬升、活动结束附近快速回落。如果抬升只出现在活动首日,之后迅速回到基线,那么更可能是提醒或推送把已有意向用户集中激活,而不是持续获取新用户。
第二个证据是对照组差异。假设你选择一个未投放活动的渠道A和一个投放活动的渠道B,活动前四周两者的日新增比例大致稳定。活动期间B上升而A没有同步上升,活动后B回落到接近A的变化水平,那么B的增量更可能来自活动。反过来,如果A也同步上升,那么活动期间的增长至少有一部分来自共同的外部因素,比如节假日或版本热度,不能全部归给活动。
第三个证据是用户后续行为。自然增长带来的用户和活动触达带来的用户,在首次进入后的行为路径可能不同。你可以观察同一时间窗内,两组用户的次日留存、首次付费或首次分享比例。这里要注意:留存差异不能直接证明活动好坏,因为活动可能吸引的是更泛的人群,留存低但增量大仍可能成立。它的作用是帮助你判断“这批人是不是原本就会来”,而不是单独给活动打分。
具体动作可以这样安排。第一步,选定活动开始前至少两周的稳定窗口,记录每日新增、激活和回流的中位数与波动范围。第二步,把活动期定义为从首次集中曝光开始,到最后一次集中曝光结束后24小时。第三步,把活动后窗口设为与活动期等长,继续记录同样的指标。第四步,选一个没有参与本次集中曝光的渠道或地区作为对照,用同样的窗口记录。
这个动作的结果会直接影响下一步:如果活动后窗口的数据回到活动前基线,且对照渠道没有同步变化,那么下一步应优先检查活动素材是否只触达了已有意向人群,而不是继续加预算。如果活动后窗口仍高于基线,且对照渠道保持平稳,那么下一步可以把活动后仍保留的增量用户单独分群,观察他们的后续行为,再决定是否复用同一触达方式。
自然增长和活动集中触达的观察,最容易出错的地方是把不同环节的指标混在一起。安装量上升不等于注册量上升,注册量上升不等于付费上升。活动集中触达可能带来大量安装,但如果注册流程没有变化,注册率反而可能下降。这时不能只说“活动效果不好”,而要分别看:曝光到安装的变化、安装到注册的变化、注册到付费的变化。每一段变化的原因不同,下一步动作也不同。
另外,搜索、平台推荐和广告带来的用户本来就有不同意图。自然增长里可能包含搜索带来的主动寻找用户,也可能包含推荐带来的被动浏览用户;活动集中触达里可能包含广告、推送和社媒集中发布。把它们合并成一个“新增”总数,就无法判断活动到底改变了哪一段。至少要在数据里保留来源字段,否则活动结束后你只能看到总量回落,却不知道回落的是哪一类人。
最后要接受一个限制:即使做了对照和分窗口,也不能保证完全分离自然增长与活动效果。外部事件、版本更新和竞争产品上线都可能同时发生。观察的目标不是得到一个绝对精确的归因数字,而是判断“活动结束后是否还有值得继续投入的增量”。如果活动后窗口没有留下高于基线的稳定增量,且对照渠道也没有异常,那么更合理的下一步是把预算转向能持续产生自然增长的内容或渠道,而不是重复同一种集中触达。