首先，我们要谈谈投放中的北极星指标EVR，它相当于一个核心目标。依据这个目标，投放漏斗被细分为模型效果和渠道表现两大类。这些分类中包含众多信息，它们对投放效果有着直接的影响。只有弄明白了这些信息，我们才能更有效地进行投放。
用户分层检查模型准确性
我们将用户进行分类，以便观察模型对关键用户群体的定位是否准确。然而，如何识别是哪个分类中的用户变动导致了点击率的下滑？这需要我们逐一分析每个分类用户的情况。例如，若某一分类的用户数量突然大幅增减，这可能与点击率下降有关，其中的数据关联性不容忽视。再如，若观察某个分类用户与注册率的关系，若多数分类用户注册率保持稳定，而某一分类的注册率突然下降，那么这一现象就值得我们深入探究。
每个层级都如同一个独立的小集体，这些小集体的变动会直接作用于整体效果。就好比搬运重物，一旦集体中有人偷工减料或用力过猛，整体的平衡便会受到影响。
模型表现异常的判断
若模型性能尚可，那么候选集与模型筛选出的注册用户数变化应当呈现相似趋势。若候选集注册率提升，但模型筛选出的高价值用户注册率却大幅下降，这表明模型可能存在问题。这就像机器正常运转时，原料输入与产出保持平衡，若输入增加而产出减少，则说明机器可能出现了故障。此时，需要仔细检查当前模型的具体情况。从实际投放效果来看，需对比不同时间段的数据，以便准确评估模型的表现。
模型并非轻易就能维持稳定，其稳定性可能受到多方面因素的影响，比如算法或数据输入等，因此必须时刻关注这些数据状况。
模型筛选能力与EVR提升
在3月11日至4月7日的投放期间，我们发现前500万用户的注册率显著上升，比候选集的增幅要大得多。这表明，尽管候选集的注册人数增加不多，但模型筛选出的注册用户数量却是之前的两倍以上。由此可见，这几期模型能力的增强是EVR提升的关键因素。就好比在一个大班级中，最初只能挑选出少数优秀学生，而现在能挑选出很多，这对整体成绩的提升大有裨益。在这一过程中，数据就如同学生的成绩记录，可以反映出模型是否称职。
观察这些数据，我们发现模型优劣对结果影响显著。那么，我们该如何确保或增强模型的筛选能力？
头部用户召回率评估模型
前面提到的对比之外，我们还可以通过分析头部用户的召回率来评估模型的表现。这个召回率指的是模型挑选出的头部用户在所有注册用户中所占的比例。以3月7日至4月4日的投放为例，头部用户的召回率从13.3%上升至88.6%，增长了75.3%，这一涨幅远超候选集的变化。这再次证明了模型能力的提升，同时也表明从3月底开始，模型筛选出的优质用户比例有所增加。这就像捕鱼，以前只能捞到少量鱼，而现在能捕到更多，显然是因为渔网变得更有效了。
大家是否思考过，当召回率达到某个顶点后，是否就难以再进一步增加？
头部用户质量影响点击率
观察这两次投放，我们发现前100万用户的点击率差距明显。以3月31日至4月4日为例，通过图表中的红框区域，我们可以看到，这部分用户点击率的差异对3月31日点击率偏低的结果贡献了20%。原因在于，两次投放中头部用户的质量存在差异。比如，4月4日的投放中，注册用户数量是3月31日的两倍以上。毕竟，每个用户都如同棋局中的关键棋子，其影响力不容小觑。因此，每次投放时，我们都需考虑用户质量这一因素，以确保结果更佳。
像这种情况，那怎么能提高头部用户质量？这是我们要思考的。
高潜注册用户下载链路流失
在投放过程中，我们发现部分用户虽已转化，却未归属至我们的下载渠道。若注册用户中有较高比例未通过我们渠道下载，那么这个问题就需要深入分析了。例如，在4.4、4.7、4.14等转化效果较好的投放中，有大约10%的注册用户未在我们渠道下载。而在3月份及4.25等转化效果不佳的投放中，这一比例上升至15%至20%。这表明，许多本可能转化的用户在下载过程中流失，这也是3月份投放转化不佳的原因之一。这好比水流应当灌溉众多田地，却中途断流，导致田地里的水减少。
最后，我想请大家讨论一下，对于这些在下载过程中流失的用户，我们该如何吸引他们回归，或者防止他们继续流失？欢迎在评论区发表意见，别忘了点赞和转发这篇文章。
