降低增长成本：筛选优质获客渠道的四象限矩阵
评估维度与四象限矩阵
一款互联网产品如果想获得十倍、百倍甚至千倍的增长，非常重要的一件事是找到可规模化、可持续的获客渠道：
- 规模化：渠道能触达的用户尽可能多，天花板足够高，潜在人群足够大众；
- 可持续：能在渠道上反复多次获客，而不是做一波就失去新鲜感，或只能靠刷脸、人情来获客。
如何筛选可规模化的渠道？一般从流量质量和规模潜力两个维度评判。规模是重要标准，常用 PV、UV、新用户比例等指标；质量方面，不管流量多大，如果用户兴趣低、转化率低，渠道价值就很低，常用停留时间、访问页面数、转化率等衡量。
按课程幻灯片的拆解画成信息图就是：
用这两个维度即可构建四象限矩阵：
- 第一象限·优质潜力渠道：流量规模潜力大，且流量质量高——右上角的第一象限显然是最理想的情况；
- 第二象限·优质非潜力渠道：流量质量高，但规模潜力较小；
- 第三象限·低质小渠道：流量质量较低，规模也小；
- 第四象限·低质大渠道：流量规模大，但质量相对较低。
实战案例：用气泡图筛选最佳渠道
某公司做完一场拉新活动后统计出一组数据，需要分析并筛选出最佳渠道、加大投放力度。这里给出的是较理想的情况：假设各渠道的用户获取成本相同，此时 ROI 与渠道质量成正比，只需比较后面几项数据：
- 访问用户量：代表渠道规模，越大越好——花一样的钱，当然希望更多人参与营销活动；
- 新用户访问量：一定程度上反映渠道质量。设想一个渠道访问人数很多，但 90% 都是老用户，那它对拉新的价值就不大（当然，如果这次活动的目标是增加留存，价值可能就很大了）；
- 平均访问时长、每次会话访问页面数：反映渠道质量的基础指标，代表用户对产品的兴趣，越大越好；
- 跳出率：反映渠道人群是否精准。产品不对用户胃口，他们瞄一眼网站就走，跳出率就很高；流量越精准，跳出率越低。
质量评估口径的演进与指标体系
评估流量（渠道）质量的方式可分为三个阶段：
- 早期·粗放运营：关注访问量、跳出率、页面访问时长等指标，结算按 CPC 或有效访问用户计算。问题在于这些指标与业务没有直接关系——用户跳出率低，转化率就一定高吗？停留时间很长，就一定会下单吗？从统计意义上讲它们可能存在相关性，但不是绝对关联，以此作参考只是一种曲线救国的方式。粗放运营的缺点：一是用户可能没有为网站、产品带来任何实际价值；二是渠道作弊空间很大，机器人脚本能以很低的成本操控停留时间、跳出率等指标，营销方可能因此投放错误的渠道，被用作弊手段骗走大量营销预算。
- 现在·结合转化看质量：随着市场运营体系的进化，普遍根据激活、注册转化等目标来衡量渠道，并通过 CPA 结算，流量质量由此与业务产生直接关联。
- 未来·结合目标看转化质量：监测购买、活跃等更深层次、更核心的业务数据，即最终的转化阶段。
据此可以总结出渠道运营的基础指标体系：
- 渠道规模：访问量、访问用户量；
- 拉新能力：新用户访问量；
- 质量一级指标：访问时长、每次会话浏览页数、跳出率；
- 质量二级指标：新客到达注册页面转化率、新客注册成功转化率；
- 质量三级指标（强转化指标）：订单填写转化率、预定成功转化率等。
由浅入深画成分层漏斗就是：
三级指标与业务最实际相关，也最能直接判断渠道的真实质量。实际操作中可根据产品特性和具体要求选择指标，不必把所有层级都纳入常规指标体系。
四象限的投放策略
通过对不同流量渠道的梳理，可对四象限图做投放策略上的界定：
- 优质潜力渠道：放心投放。预算有限要重点投一个渠道，或预算很大想找渠道重点投放，首选都是它；
- 优质非潜力渠道：视手头精力与资源投放，同时尽可能寻找同类的相似渠道；
- 低质小渠道：视具体情况决定是否弃用，它们相对是最差的，如果不差这点渠道数字，可以直接放弃；
- 低质大渠道：密切观察留意，视手头成本决定是否适当增加投放。
识别恶意流量的三种方法
另一个经常遇到的情况是恶意流量：试水新渠道时各方面数据不错，正式投放后数据变差——是正常波动还是渠道作弊？直接访问量突然增多，是好事还是坏事？老板要求提升转化率，潜在提升空间在哪里？这些都需要对异常渠道做出判断，定位是否存在恶意流量。目前市面上低阶的刷量作弊手段，大部分通过机器模拟实现——成本低、速度快。
方法一：网页端 User Agent 分析。 用户访问网站时，IP 地址、操作系统等信息一定会被记录并存储在 User Agent 字段里提交给服务器，机器模拟也不例外。机器代替人工刷量，必然按非常机械化的程序访问，User Agent 一定存在不合理之处——它就是用户的脚印，可以用来辨别到底是机器人还是真实的活人。
案例：添加某推广渠道后，网站访问量短期内有巨幅提升。按浏览器版本拆分数据后发现，大部分流量来自 IE 6.0——一个非常古老、几乎已被淘汰的版本，世界上大概只有 3% 左右的浏览器在用，对应的还是古老的 Windows XP。这么多"老古董用户"突然冒出来并不正常；对比常见的 IE 11，流量增长则平缓得多。由此可见该渠道很可能存在机器模拟刷量，应谨慎处理。
方法二：APP 端 User Agent 分析。 对一款 APP 同样可以通过 User Agent 甄别机器模拟行为。
案例：数据显示很多用户使用三星品牌的手机，但仔细看型号却是华为 P8、OPPO P7 等，交叉属性存在明显冲突。少数用户为保护隐私，会通过 APP 或刷机工具修改参数，但这毕竟是少数；当这种情况大规模出现时，就是流量作弊的表现——很可能是利用虚拟机操作，即用电脑软件模拟手机。
方法三：时间维度分析。 将用户访问时间线拆分到以小时为单位，观察一天中不同时段的访问行为。
正常用户的访问行为呈 M 曲线：活跃时段集中在早上八点到十二点、下午十三点到二十点的工作时间，凌晨大部分人都在睡觉，不产生访问行为。而机器不需要休息，会不知疲倦地访问——一天内流量分布非常平均，呈现规律性的波峰，完全违背正常人类的作息规律，因为很多作弊程序会设定机器的访问周期（本案例中约以两小时为一个周期）。
总结：三点建议
- 从流量规模（量）和目标转化率（质）两个角度衡量渠道、制定策略；
- 将多种转化纳入渠道流量质量的评估依据，而不是最简单的访问转化或点击转化；
- 通过灵活的维度组合与方便的高阶分析工具，准确定位恶意流量，找到影响渠道质量的来源或渠道，从而提高整体转化率与客户价值。