现在市场上主流的APP从开发环境和搭载系统上来区分主要分为三种类型,它们是适用于iphone手机的ios版本、适用于安卓手机的android版本和适用于window phone的WP8系统。由于每个系统生态和规则的不同,造成同一个app在不同平台上推广方式也有很大差异,下面我会分别列举和说明。 App如何推广 app下载渠道分布 1. 安卓应用日均下载量约为1.3亿,iOS应用日均下载量5000万。 2. 应用市场和PC管理套件由于起步早,培养了用户的下载习惯,已成为首选的应用下载道。 用户下载行为分析 1.用户初次下载,来自推荐以及搜索。 2.一些推广人员利用某些市场排名规则,进行恶意优化,占据大量热门APP名称,使用户在搜索关键词命中这些热门APP名称时搜索结果排序靠前,以及优化排行榜排名(刷榜),提升曝光。 App推广渠道(主要介绍安卓,因为ios渠道相对单一) (1 ) 第三方应用市场渠道,是主要的APP分发渠道,,也是用户习惯的下载渠道。存在以下几类公司。 1. 第三方主流应用市场 android:如91、安卓 、安智、 机锋 、应用汇等。 ios: 苹果园、软猎、同步推等 2. 装机助手,如91助手、360助手、 豌豆荚。 3.手机厂商:如小米、华为 、HTC、 三星。 4.运营商:移动、联通、电信。 5.互联网公司分发渠道:新浪 、搜狐 、网易、 腾讯 、阿里云。 以上渠道的推广成本与费用,按cpc(按点击下载次数付费)计算大致为0.5元~1.5元不等。CPA大概为2~5元。至于CPT根据位置不同从几千到几万一天不等,不过我不推荐CPT这种方式。 渠道优势:用户质量高,数量大 渠道劣势:市场多达200家以上,维护成本高,主流市场十几家左右,框架合作可降 低成本。 (2)广告联盟渠道也是很常见的一种推广方式,不过沟通监控成本高,这种方式需要监控订单来保证用户质量,操作比较复杂。 业内公司:友盟 亿邦动力 微云 有米 admod 力美等。 费用成本,按cpc 0.3元~0.8元,cps(激活成本1.5~3元) 渠道优势:起量快,成本适中 渠道劣势:存在作弊行为,媒体维护成本高,用户质量一般 (3)厂商预装对很多有实力的大公司来说是个不错的选择,拉卡拉被联想控股,预装联想手机属于内部资源置换,如果要拓展外部厂商资源,资金不充足的话不是首选渠道。 费用成本:按照预装量付费价格在0.5元~1元之间,cpa按照激活付费1.5元~4元 不等。 渠道优势:量大,平均成本不算高。 渠道劣势:跟进成本高,用户类型广,精准用户比例相比其他渠道偏低。 (4)水货刷机,这种方式跟厂商预装类似,不过用户质量不如厂商,市场也比较混乱。 业内代表:刷机精灵 、乐酷 、XDA 渠道优势:量大,见效快,一天能有几万的增长 渠道劣势:用户质量差,这个渠道的用户一般习惯频繁刷机 (5)还有一些非正常的推广方式,比如说"刷榜",不过安卓和ios都对其做了严格的限制和制定了严酷的惩罚措施,所以我强烈不推荐使用这种方式,就不多做介绍了。 (6)除了以上提到的传统渠道,近几年来利用微博微信等社会化营销渠道推广APP也成为很不错的一个选择。但社会化渠道又面临一个问题,无法衡量在口碑传播过中产生的真正下载量。另外,口碑营销的传播其实与产品本身有密切效果。产品是否真正有价值,能够刺激用户去使用也是很重要的一部分。但营销的价值在于放大产品某一方面的优点,或者包装一个噱头,需要产品和运营人员精心策划,有步骤有节奏的去进行营销,才能收到良好效果。 APP运营模型 AARRR模型 AARRR是app运营比较经典的一个。AARRR是Acquisition、Activation、Retention、Revenue、Refer,这个五个单词的首字母,分别对应这一款移动应用生命周期中的5个重要环节。 App运营当中每一阶段都需要密切的关注数据,其中在每个阶段都涉及到涉及到不同的数据指标,如下表: AARRR模型阶段 关注指标 AARRR模型阶段 自传播(Refer) K因子 自传播(Refer) 获取收入(Revenue) ARPU(平均每用户收入)、消费用户比例、LTV(生命周期价值) 获取收入(Revenue) 提高留存率(Retention) 次日留存率,周、月留存率 提高留存率(Retention) 提高活跃度(Activation) AU(活跃用户)、活跃率、使用时长、启动次数 提高活跃度(Activation) 获取用户(Acquisition) 新增用户、CPA 获取用户(Acquisition) app运营团队角色构成 1.商务拓展人员:负责合作,渠道开拓 2.渠道运营人员: 负责监控所有渠道的效果, 不断优化渠道的占比和构成。 3.用户反馈人员 : 负责和用户双向沟通,取得有效用户反馈,回答用户问题,比如建立QQ群,微博群微信等。 4.数据分析人员: 负责持续深度挖掘数据,建立数据模型,分析用户行为,分析季节效应,分析数据异常等等