前言
這是我前段時(shí)間為了更好的理解業(yè)務(wù)而寫的一份讀書筆記類的長(zhǎng)文，主要內(nèi)容來(lái)自《用戶增長(zhǎng)實(shí)戰(zhàn)筆記》，另外結(jié)合了一些論文、公眾號(hào)、知乎的文章，然后按我自己的理解重新編排了一下。公眾號(hào)和知乎的文章，比較大的問(wèn)題是內(nèi)容不成體系，或者內(nèi)容太泛，讓人一知半解，包括我這篇其實(shí)也有同樣的問(wèn)題，還是推薦大家去看書，所以這篇文章最重要的部分就是參考文獻(xiàn)。
當(dāng)然，整理這樣一篇文章下來(lái)也是收獲的，主要有如下幾點(diǎn)：
對(duì)于用戶增長(zhǎng)/精細(xì)化運(yùn)營(yíng)有了更加系統(tǒng)的理解，明了自己的工作在整個(gè)體系中所處的位置。
和產(chǎn)品、運(yùn)營(yíng)同學(xué)的溝通更加游刃有余，基本概念更加一致。
了解算法工作的局限性。
如果這篇文章對(duì)你也有一點(diǎn)點(diǎn)幫助，那就是非常好了。
正文
為了更好的理解自己的工作，近期學(xué)習(xí)了一下用戶增長(zhǎng)相關(guān)的知識(shí)，主要的資料包括三本書《用戶增長(zhǎng)實(shí)戰(zhàn)筆記》、《增長(zhǎng)黑客》、《增長(zhǎng)黑客實(shí)戰(zhàn)》，以及一些知乎和公眾號(hào)的文章，詳見參考文獻(xiàn)。在這些資料中，有“道”層面的介紹，也有“術(shù)”方面的實(shí)戰(zhàn)方法。閱讀這些資料之后，我把用戶增長(zhǎng)中的主要內(nèi)容總結(jié)為一套模型，一套方法，一個(gè)理念，一套技術(shù)方案。在這篇文章中，以這幾點(diǎn)為主線，在技術(shù)視角下，盡量從全局的角度，聊聊我對(duì)用戶增長(zhǎng)的理解。
在展開之前，先了解一下“用戶增長(zhǎng)”的基本概念�！坝脩粼鲩L(zhǎng)”是指用戶相關(guān)指標(biāo)的增長(zhǎng)，包含用戶規(guī)模及其產(chǎn)生的各種影響，主要涵蓋以下三個(gè)方面：(1)用戶規(guī)模，如月活躍用戶數(shù)，日活躍用戶數(shù);(2)用戶時(shí)長(zhǎng)，如總時(shí)長(zhǎng)、人均時(shí)長(zhǎng);(3)商業(yè)收入，如廣告收入、商品收入、服務(wù)收入。為了實(shí)現(xiàn)這一目標(biāo)，用戶增長(zhǎng)是一套系統(tǒng)工程，涉及到多工種、多部門的合作。經(jīng)過(guò)近幾年的發(fā)展，已經(jīng)形成了一套比較成熟的工作流。下面就結(jié)合我的理解展開講一下前面提到的幾個(gè)關(guān)鍵點(diǎn)。
一套模型
先來(lái)看一套模型，主要是指各種增長(zhǎng)模型，比較經(jīng)典的有AARRR模型，及其變形RARRA模型，還有各個(gè)企業(yè)根據(jù)自身的業(yè)務(wù)特點(diǎn)歸納總結(jié)的增長(zhǎng)模型，比如京東的4A模型、GOAL模型，阿里的AIPL模型。
在本文中簡(jiǎn)要介紹一下，AARRR模型及其變形RARRA模型，這對(duì)后續(xù)內(nèi)容的理解非常有幫助。
先來(lái)看AARRR模型，又稱為“海盜模型”，它由硅谷投資機(jī)構(gòu)500Startups的聯(lián)合創(chuàng)始人Dave McClure提出。AARRR是一個(gè)用戶流量漏斗模型，反映了不同階段用戶參與行為的深度和類型，也常作為用戶增長(zhǎng)模型使用，能夠提供一個(gè)核心指標(biāo)拆解的思路。具體內(nèi)容如下圖所示。
獲取用戶，將潛在目標(biāo)用戶轉(zhuǎn)化成自己產(chǎn)品的用戶，并且開始使用產(chǎn)品，核心指標(biāo)包括下載量、安裝量、激活量等。
激發(fā)活躍，不同的產(chǎn)品對(duì)活躍度的定義不同，比如有的產(chǎn)品只要用戶在指定時(shí)間內(nèi)登錄或啟動(dòng)一次就算活躍，有的產(chǎn)品要求用戶進(jìn)行指定操作才算活躍。
提高留存，用戶的留存率非常重要，它能夠衡量一個(gè)產(chǎn)品是否健康成長(zhǎng)。
增加收入，把留存用戶轉(zhuǎn)化為付費(fèi)用戶。這個(gè)階段重要的數(shù)據(jù)指標(biāo)是LTV(Life Time Value)，用戶給產(chǎn)品貢獻(xiàn)的收入價(jià)值。
傳播推薦，用戶自發(fā)對(duì)產(chǎn)品進(jìn)行口碑傳播，也稱為自傳播或病毒式傳播。自傳播的重要指標(biāo)是K因子(推薦系數(shù)/病毒指數(shù))，K因子=(每個(gè)用戶向他的朋友們發(fā)出的邀請(qǐng)的數(shù)量)*(接收到邀請(qǐng)的人轉(zhuǎn)化為新用戶的轉(zhuǎn)化率)，當(dāng)K大于1時(shí)，用戶群會(huì)像滾雪球一樣增大，當(dāng)K小于1時(shí)，用戶群到某個(gè)規(guī)模時(shí)會(huì)停止通過(guò)自傳播增長(zhǎng)。
AARRR模型已經(jīng)很普及，并且非常受歡迎，因?yàn)樗芎?jiǎn)單，突出了增長(zhǎng)的所有重要因素。更重要的是，AARRR模型是圍繞拉新獲客建立的，所以很受營(yíng)銷人員歡迎。但隨著互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)的發(fā)展，流量見頂，同行業(yè)競(jìng)爭(zhēng)越來(lái)越激烈，僅僅依賴?yán)芦@客，對(duì)用戶增長(zhǎng)的意義越來(lái)越小。
比如某個(gè)APP安裝后，前三天流失77%的DAU，三十天流失90%的DAU，90天流失95%的DAU，換句話說(shuō)，一個(gè)APP獲得100個(gè)新用戶，三個(gè)月后只有5個(gè)用戶還在使用，這樣的拉新獲客意義非常小。
那么在這個(gè)五個(gè)狀態(tài)中，留存成為了用戶增長(zhǎng)的關(guān)鍵。因此Thomas Petit 和 Gabor Papp對(duì)AARRR模型進(jìn)行了優(yōu)化，提出了RARRA模型，突出了用戶留存的重要性，如下圖所示。
相比AARRR，內(nèi)容是一致的，但順序進(jìn)行了調(diào)整，留存放到了第一位。
用戶留存Retention：為用戶提供價(jià)值，讓用戶回訪。
用戶激活A(yù)ctivation：確保新用戶在首次啟動(dòng)時(shí)看到產(chǎn)品的價(jià)值。
商業(yè)變現(xiàn)Revenue：一個(gè)好的商業(yè)模式是可以賺錢的。
用戶推薦Referral：讓用戶分享、討論你的產(chǎn)品。
用戶拉新Acquisition：鼓勵(lì)老用戶帶來(lái)新用戶。
如果能夠讓用戶回到你的產(chǎn)品，實(shí)際上就是在建立一個(gè)用戶群，如果不能，就只是在租用流量。
這樣優(yōu)化，對(duì)新產(chǎn)品而言，可以避免資源的浪費(fèi)，比如某些APP為了快速擴(kuò)充注冊(cè)量，地推人員幫很多老年人注冊(cè)了賬號(hào)，但那些老年人并不會(huì)用這類APP，也就沒(méi)有留存。這樣執(zhí)行下來(lái)，更多只是為了完成短期的KPI，不會(huì)產(chǎn)生實(shí)際價(jià)值，是一種資源的浪費(fèi)。對(duì)比較成熟的產(chǎn)品而言，流量見頂，如何更好的留住老用戶，很明顯是一個(gè)非常重要的任務(wù)，否則產(chǎn)品將走向衰退。
對(duì)于增長(zhǎng)模型的介紹就寫到這里，更多的細(xì)節(jié)可以到參考文獻(xiàn)中查找。
一套方法
有了這兩個(gè)模型，感覺能干一些事情了，但又不知道具體該干什么，因?yàn)樵鲩L(zhǎng)模型還是比較粗略，無(wú)法具體指導(dǎo)實(shí)際操作。那么怎么才能用增長(zhǎng)模型指導(dǎo)實(shí)際操作呢，這就涉及到接下來(lái)要說(shuō)的一套方法。這套方法中最重要的是北極星指標(biāo)和指標(biāo)的拆解方法。
確定增長(zhǎng)戰(zhàn)略的第一步是明確哪些指標(biāo)對(duì)產(chǎn)品增長(zhǎng)來(lái)說(shuō)最為重要。為了縮小關(guān)注范圍，最好能夠選擇一個(gè)關(guān)鍵的能夠決定最終成敗的指標(biāo)，以此指導(dǎo)所有的增長(zhǎng)活動(dòng)。這樣的一個(gè)指標(biāo)能夠非常有效地使團(tuán)隊(duì)成員最大化地利用時(shí)間，從而避免將資源浪費(fèi)在漫無(wú)目的的增長(zhǎng)試驗(yàn)上。在增長(zhǎng)黑客界將這樣的一個(gè)關(guān)鍵指標(biāo)稱為“北極星指標(biāo)”。北極星指標(biāo)通常選擇一個(gè)最能表現(xiàn)業(yè)務(wù)價(jià)值的指標(biāo)，并通過(guò)一些制定標(biāo)準(zhǔn)確保選擇的指標(biāo)具有北極星一般的指示意義，比如常見的DAU，觀看時(shí)長(zhǎng)等。
拆解目標(biāo)通常可以使用杜邦分析法將北極星指標(biāo)拆解為多個(gè)因子，因子之間具有數(shù)值關(guān)聯(lián)性，通過(guò)某些方式最終可計(jì)算得到北極星指標(biāo)。很多時(shí)候，這些拆解后的公式也被稱為“增長(zhǎng)模型”，用來(lái)指導(dǎo)策略的設(shè)計(jì)和落地。
下面借助《用戶增長(zhǎng)實(shí)戰(zhàn)筆記》中對(duì)DAU的三種拆解方式，了解一下不同拆解方式對(duì)實(shí)際操作的不同指導(dǎo)意義。
先來(lái)看第一種拆解方法，把DAU看成一個(gè)容器，來(lái)思考“流入流出模型”。
“流入”的是每天的新增用戶及回流用戶，“流出”的則是流失用戶。以日為觀察周期，舉例如下：
新增用戶指當(dāng)日獲得的新用戶;
回流用戶指昨天不活躍，但今天活躍的用戶;
流失用戶指昨天活躍，但今天不活躍的用戶;
留存用戶指昨天活躍，且今天活躍的用戶。
可以推知：
今日DAU=今日流入+昨日留存-今日流出
= (新增用戶數(shù)+回流用戶數(shù))+昨日DAU-流失用戶數(shù)
那么，要想獲得DAU增長(zhǎng)，可以從兩側(cè)切入：
提升新增，增加回流，就是開源;
提升留存或減少流失，就是節(jié)流。
由于資源有限，我們通常需要決策是優(yōu)先把預(yù)算投入開源還是節(jié)流，這就需要具體分析DAU中上述幾個(gè)因子的構(gòu)成和趨勢(shì)。原則上優(yōu)先看“缺口在哪里”，或“怎么做最能起量”，此外還需要結(jié)合產(chǎn)品現(xiàn)狀、所處階段來(lái)做具體的資源分配，例如，是否有足夠預(yù)算做付費(fèi)拉新。
再來(lái)看第二種拆解方法，新老用戶視角，它和流入流出視角類似，但相對(duì)簡(jiǎn)化。
先把DAU簡(jiǎn)單劃分成3份：“新用戶”即當(dāng)日新增，“老用戶”即非當(dāng)日新增，剩下的是“其他”;可以得到今日DAU如下：
今日DAU=昨日新用戶*新增次日留存率 + 昨日老用戶*活躍次日留存率+ 其他
這個(gè)等式右側(cè)主要有5個(gè)變量，可將已知的量代入等式，再結(jié)合目前的經(jīng)驗(yàn)推知提升哪個(gè)變量能夠獲得較大的收益。例如，某APP的老用戶占比70%，提升1個(gè)百分點(diǎn)的次日留存，DAU的增量=0.7*1%=0.7%;假設(shè)新增用戶占比10%，提升1個(gè)百分點(diǎn)的次日留存，DAU的增量=0.1*1%=0.1%。等式中的“其他”一項(xiàng)包含今日新增用戶，以及昨日未活躍但今日回流的用戶。假設(shè)該APP的這部分用戶為20%，提升1個(gè)百分點(diǎn)，DAU的增量=0.2*1%=0.2%。在實(shí)際工作中，上述數(shù)值可以按照各部分的實(shí)際比例進(jìn)行替換。
通過(guò)新老用戶視角可以明確看出，如果想通過(guò)提升用戶留存來(lái)提升DAU，工作重心應(yīng)該放在哪一個(gè)群體上。需要注意，如果“其他”這一項(xiàng)占比非常大，則往往意味著這個(gè)APP還處在成長(zhǎng)初期，在做好留存的前提下還需要發(fā)力在新增和沉默用戶喚醒上。
然后看第三種拆解方法，從活躍度視角來(lái)看。
以DAU為北極星，如果僅關(guān)注活躍用戶在某天的留存率是不夠的。在一段時(shí)間內(nèi)，影響DAU的關(guān)鍵因素是用戶活躍的天數(shù)。所以，活躍度可以用活躍天數(shù)來(lái)表示，以便于DAU直接在數(shù)值上形成關(guān)聯(lián)。從WAU來(lái)看，DAU=WAU*周活躍天數(shù)/7;從MAU來(lái)看，DAU=MAU*月活躍天數(shù)/當(dāng)月天數(shù)。在這個(gè)視角需要重點(diǎn)關(guān)注如何提升“活躍天數(shù)”。
以周活躍天數(shù)為例，先看活躍天數(shù)的水平有多少提升的空間：可以將用戶按照周活躍天數(shù)進(jìn)行分層，看均值情況、各周活躍天數(shù)用戶的分布情況;之后要確認(rèn)重點(diǎn)提升哪一部分人群，例如，是周活躍1-2天的，還是3-4天的量，以及通過(guò)什么策略來(lái)提升。
上述的三種拆分方式無(wú)論哪一種與一個(gè)籠統(tǒng)的提升DAU的目標(biāo)相比都更具指導(dǎo)意義。從這個(gè)示例中可見，不同的拆解方法，拆解出來(lái)的子指標(biāo)對(duì)應(yīng)的操作會(huì)有很大的不同。所以對(duì)應(yīng)不同業(yè)務(wù)的不同階段應(yīng)選擇適合的拆解方法。
一個(gè)理念
這樣拆解之后，距離實(shí)際操作又近了一步，但進(jìn)入實(shí)操階段了之前，有必要強(qiáng)調(diào)一下用戶增長(zhǎng)實(shí)操中的一個(gè)理念，就是數(shù)據(jù)驅(qū)動(dòng)。為什么要強(qiáng)調(diào)這個(gè)理念呢，因?yàn)樵趯?shí)操中，會(huì)涉及到團(tuán)隊(duì)內(nèi)，和團(tuán)隊(duì)外的合作，不同工種間的合作，會(huì)相對(duì)比較復(fù)雜。如果理念不一致，對(duì)理念的理解不一致，那么很難形成合力，真正推動(dòng)用戶增長(zhǎng)的有效落實(shí)。
數(shù)據(jù)驅(qū)動(dòng)在互聯(lián)網(wǎng)企業(yè)中已經(jīng)強(qiáng)調(diào)了很多年，然而在實(shí)際操作中，又往往停留在這個(gè)概念表面，實(shí)際深入的不夠。在用戶增長(zhǎng)中，數(shù)據(jù)驅(qū)動(dòng)主要涵蓋三個(gè)階段。
第一，明確增長(zhǎng)目標(biāo)，后續(xù)策略圍繞提升這個(gè)目標(biāo)展開。通過(guò)上述一套方法中的目標(biāo)拆解，可以清晰地認(rèn)識(shí)到“若想提升DAU或收入，必先提升某某指標(biāo)”，這樣就可以明確指導(dǎo)接下來(lái)的策略制定。
第二，找到策略切入點(diǎn)，或者基于對(duì)因果關(guān)系的剖析，尋找用戶核心路徑的斷點(diǎn)，嘗試修補(bǔ);或基于相關(guān)性找到與增長(zhǎng)目標(biāo)高度相關(guān)的用戶行為，嘗試干預(yù)。
明確增長(zhǎng)目標(biāo)并完成初步拆解后，就可以圍繞一個(gè)問(wèn)題來(lái)找策略切入點(diǎn)了：為什么用戶沒(méi)有完成某某行為?例如，通過(guò)拆解DAU知道提升它的關(guān)鍵在于提升活躍用戶的次日留存，就可以反向思考這部分用戶為什么沒(méi)有在次日留存下來(lái)。那么，從用戶視角來(lái)看，一定是使用這個(gè)APP的核心路徑上出現(xiàn)了某種斷點(diǎn)導(dǎo)致用戶流失，甚至一些用戶就完全沒(méi)有產(chǎn)生使用的意愿。
策略的制定，更容易見效的方式就是針對(duì)用戶核心路徑上的問(wèn)題對(duì)癥下藥。核心路徑是指用戶接觸、使用產(chǎn)品或某個(gè)功能的必經(jīng)之路。一旦核心路徑出現(xiàn)斷點(diǎn)，就會(huì)影響后續(xù)各個(gè)環(huán)節(jié)的轉(zhuǎn)化率，最終影響關(guān)鍵指標(biāo)的提升。我們優(yōu)先要做的就是通過(guò)因果分析，找到影響這些關(guān)鍵指標(biāo)的負(fù)面因素并設(shè)法排除它。
相關(guān)性分析可以幫助我們找到與增長(zhǎng)指標(biāo)高度相關(guān)的用戶行為，從而把策略定位到提升該行為發(fā)生的概率或頻次上。以提升DAU為例，假設(shè)經(jīng)過(guò)目標(biāo)拆解得知，某APP提升DAU的關(guān)鍵是要提升活躍用戶的次日留存，這就可以再進(jìn)一步分析活躍用戶的哪些行為與其次日留存具有相關(guān)性。相關(guān)性分析可以通過(guò)線性擬合或者尋找“魔法數(shù)字”來(lái)實(shí)現(xiàn)。
第三，形成增長(zhǎng)假設(shè)，設(shè)計(jì)和展開實(shí)驗(yàn)，驗(yàn)證假設(shè)。基于因果性、相關(guān)性的分析結(jié)果，就可以得到具體的增長(zhǎng)假設(shè)。
在用戶增長(zhǎng)工作中，實(shí)驗(yàn)方法的應(yīng)用是數(shù)據(jù)驅(qū)動(dòng)至關(guān)重要的一環(huán)。毋庸置疑，做增長(zhǎng)就需要積極關(guān)注策略帶來(lái)的指標(biāo)增量。實(shí)驗(yàn)的目的是驗(yàn)證假設(shè)，而實(shí)驗(yàn)方法能夠驗(yàn)證因果關(guān)系，準(zhǔn)確量化策略效果。準(zhǔn)確評(píng)估指標(biāo)增量，一方面能幫我們?cè)u(píng)估目前的策略是否有效、橫向比較多個(gè)策略哪些更好，另一方面能幫我們思考如何迭代能讓有效的策略更有效、無(wú)效的策略盡可能優(yōu)化或擯棄。
一套技術(shù)方案
目標(biāo)和理念統(tǒng)一了，就可以進(jìn)入實(shí)操階段了，由于工種所限，我主要從技術(shù)角度看在實(shí)操階段有哪些工作要做，也就是前面提到的一套技術(shù)方案。無(wú)論是為了量化指標(biāo)，還是落實(shí)數(shù)據(jù)驅(qū)動(dòng)的理念，首先需要一套完善的數(shù)據(jù)平臺(tái)，包括用戶數(shù)據(jù)的收集，ETL，數(shù)據(jù)的分層，數(shù)據(jù)的展示等，也就是常見的數(shù)據(jù)管理平臺(tái)(DMP)。第二，為了能夠給不同的拆分子指標(biāo)配置對(duì)應(yīng)的運(yùn)營(yíng)策略，需要一個(gè)運(yùn)營(yíng)配置平臺(tái)，能夠配置、下發(fā)運(yùn)營(yíng)任務(wù)。第三，在數(shù)據(jù)驅(qū)動(dòng)理念中，很重要的一環(huán)就是實(shí)驗(yàn)方法，所以需要一個(gè)實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)平臺(tái)需要滿足三項(xiàng)功能：((1)圈選人群，通過(guò)一定規(guī)則選定實(shí)驗(yàn)人群;(2)分層分桶，通過(guò)算法將實(shí)驗(yàn)人群隨機(jī)分成若干小份，再進(jìn)一步選擇其中的若干份用于分組;(3)結(jié)果展示，將實(shí)驗(yàn)的結(jié)果和結(jié)論科學(xué)地分析和展示。這三套平臺(tái)的架構(gòu)已經(jīng)比較成熟，這里不做展開介紹。
除了這三套必備平臺(tái)，還有目前比較熱門的機(jī)器學(xué)習(xí)算法，也在用戶增長(zhǎng)中發(fā)揮重要的作用。下面介紹一下機(jī)器學(xué)習(xí)算法在用戶增長(zhǎng)的哪些位置生效。
首先如何找到目標(biāo)人群，提升策略精準(zhǔn)性，增長(zhǎng)策略實(shí)施的第一步是通過(guò)標(biāo)簽圈選目標(biāo)人群。使用多個(gè)標(biāo)簽，理論上能夠得到足夠精細(xì)的人群，然而有兩個(gè)明顯的的不足。一是標(biāo)簽篩選依賴操作者的主觀經(jīng)驗(yàn)，而且需要反復(fù)實(shí)驗(yàn)驗(yàn)證才能得出針對(duì)某一個(gè)細(xì)分人群的較優(yōu)策略，難以達(dá)到最優(yōu)。二是，標(biāo)簽實(shí)際上是一套粗規(guī)則，使用標(biāo)簽后勢(shì)必會(huì)把不在標(biāo)簽規(guī)則范圍內(nèi)的用戶過(guò)濾掉，而這些被過(guò)濾掉的用戶中很可能包含大量目標(biāo)用戶。
在定位目標(biāo)人群的工作中，算法有兩種方式發(fā)揮作用。一種是Lookalike相似人群擴(kuò)散，Lookalike是一種通過(guò)“找相似”來(lái)進(jìn)行人群拓展的方法。當(dāng)獲得一個(gè)種子人群之后，參照種子人群的特征在所有其他用戶中進(jìn)行匹配，找到指定數(shù)量的相似用戶。種子人群拓展以后通常會(huì)用于策略下發(fā)。
另外一種是目標(biāo)人群預(yù)測(cè)，當(dāng)設(shè)計(jì)一個(gè)策略時(shí)，需要考慮這個(gè)策略會(huì)對(duì)哪些用戶有效。在用戶增長(zhǎng)中，這個(gè)“有效”除了指用戶感興趣、會(huì)點(diǎn)擊以外，更多是指策略生效后能否有效提升增長(zhǎng)目標(biāo)。如果這個(gè)策略需要付出補(bǔ)貼或現(xiàn)金激勵(lì)，還需要看ROI是否足夠高，從而避免把成本消耗在沒(méi)有增量的用戶群中。通過(guò)對(duì)用戶接受策略之后的反饋進(jìn)行預(yù)估，我們可以找到更應(yīng)該下發(fā)該策略的目標(biāo)人群。
目標(biāo)人群的預(yù)估要先有目標(biāo)，還需要一系列約束條件，以保證在此約束條件下完成目標(biāo)。
找到目標(biāo)人群，完成了效率提升的第一步。這一步的價(jià)值在于不再用簡(jiǎn)單規(guī)則圈定人群，避免了策略的錯(cuò)發(fā)、漏發(fā)和無(wú)效下發(fā)。
算法發(fā)揮功效的另一方面表現(xiàn)在優(yōu)化策略的針對(duì)性和轉(zhuǎn)化率，提升策略效果。概括一下常見的有四個(gè)方面，提升轉(zhuǎn)化率、提升投入產(chǎn)出比、提升收入和全局優(yōu)化。
提升轉(zhuǎn)化率 有了目標(biāo)人群之后，策略下發(fā)后能否生效，就需要關(guān)注轉(zhuǎn)化率問(wèn)題。轉(zhuǎn)化率問(wèn)題除了涉及每個(gè)環(huán)節(jié)的單點(diǎn)轉(zhuǎn)化率以外，更重要的是要關(guān)注策略從下發(fā)到影響用戶產(chǎn)生行為變化的完整轉(zhuǎn)化率。提升轉(zhuǎn)化率包括點(diǎn)擊率優(yōu)化和完成率優(yōu)化。
提升點(diǎn)擊率從算法側(cè)看，主要是利用推薦算法切準(zhǔn)用戶的潛在興趣點(diǎn)，核心是基于用戶的潛在興趣和意圖做好內(nèi)容與樣式的預(yù)先匹配。通過(guò)算法模型可以做到不同用戶看到不同的營(yíng)銷策略，甚至同一個(gè)用戶在不同的場(chǎng)景中看到不同的策略，這種效率提升是人力無(wú)法獲得的。
完成率優(yōu)化，相比單個(gè)環(huán)節(jié)的點(diǎn)擊率，很多時(shí)候更需要關(guān)注最終的整體轉(zhuǎn)化。例如，推薦一篇文章之后的讀完率、一條短視頻的完播率，以及一件商品的完單率等。用戶完成關(guān)鍵行為往往與后續(xù)留存正相關(guān)，所以對(duì)完成率進(jìn)行優(yōu)化非常有必要。對(duì)于讀完率和完播率，預(yù)估模型的目標(biāo)就轉(zhuǎn)變?yōu)橥瓿蛇@個(gè)關(guān)鍵行為，比較常見的方法是多任務(wù)學(xué)習(xí)模型，如ESMM、MMOE。
提升投入產(chǎn)出比 投資回報(bào)率或投入產(chǎn)出比(ratioon investment, ROI)是需要花錢的增長(zhǎng)策略都應(yīng)重點(diǎn)關(guān)注的指標(biāo)。對(duì)于付費(fèi)投放的獲客、促活，需要思考花錢購(gòu)買的用戶在后續(xù)一段時(shí)間是否可以創(chuàng)造高于成本的收入;對(duì)于通過(guò)各種補(bǔ)貼提升用戶活躍、消費(fèi)的策略，也需要關(guān)注收益是否能夠補(bǔ)回補(bǔ)貼支出�？偠灾�，只有在ROI或預(yù)估ROI足夠高的前提下，這些增長(zhǎng)策略才能夠持續(xù)進(jìn)行。
通過(guò)廣告投放獲得新用戶或喚醒沉默用戶，是一種很常見的獲取用戶的方式。在決定廣告的展示順序時(shí)實(shí)時(shí)競(jìng)價(jià)(real time bidding, RTB)技術(shù)是非常重要因素。RTB是一種利用第三方技術(shù)在網(wǎng)站或移動(dòng)端，針對(duì)每一個(gè)用戶展示行為進(jìn)行評(píng)估及實(shí)時(shí)出價(jià)的技術(shù)，是APP獲客和激活的主要方式之一。RTB一般按有效點(diǎn)擊結(jié)算，用戶的每次點(diǎn)擊都需要給平臺(tái)支付費(fèi)用，而每次點(diǎn)擊的價(jià)格就是當(dāng)次的實(shí)時(shí)出價(jià)。在用戶增長(zhǎng)工作中，同樣多的預(yù)算需要獲取盡可能多的用戶。這就依賴動(dòng)態(tài)的、有針對(duì)性的報(bào)價(jià)，并以盡可能低的價(jià)格獲得用戶。通�？梢杂肦OI來(lái)評(píng)估付費(fèi)獲客的收益：ROI=獲客收益/獲客成本。此處的獲客收益主要是指用戶進(jìn)入APP之后的收益預(yù)估，獲客成本則是實(shí)際支出的CPC(cost per click)。用戶增長(zhǎng)的目標(biāo)之一就是提升ROI，主要方法是根據(jù)用戶的潛在價(jià)值進(jìn)行實(shí)時(shí)調(diào)價(jià)。OCPC(Optimized Cost Per Click)是一種DSP平臺(tái)自動(dòng)調(diào)價(jià)的方式，可以完成實(shí)時(shí)調(diào)價(jià)的任務(wù)。
付費(fèi)增長(zhǎng)還有大量策略是通過(guò)向C端用戶發(fā)放補(bǔ)貼完成的。補(bǔ)貼的目標(biāo)是提高用戶活躍度或消費(fèi)，其中最主要的約束條件也是ROI。這里的ROI=收入增益/補(bǔ)貼支出。收入增益是指由于用戶活躍度提升而帶來(lái)的廣告收入或商品收入增量，補(bǔ)貼支出則為實(shí)際消耗的預(yù)算總額。ROI的提升思路是如何補(bǔ)貼盡量發(fā)給能夠獲得收入增益的用戶。具體有兩種思路：其一，增大分子，即提升收入增益，避免無(wú)效補(bǔ)貼;其二，減小分母，即將補(bǔ)貼更加精細(xì)化。
第一種思路的具體做法就是找到具備補(bǔ)貼彈性的用戶，通過(guò)補(bǔ)貼刺激轉(zhuǎn)化。第二種思路是在第一種思路的基礎(chǔ)上繼續(xù)優(yōu)化成本，通過(guò)動(dòng)態(tài)規(guī)劃等方法給不同用戶不同額度的補(bǔ)貼，進(jìn)一步提升ROI。
提升收入 用戶增長(zhǎng)的最終目的之一是提升收入，收入主要分為廣告收入和商品收入兩大類，其中商品包含服務(wù)和實(shí)物。算法側(cè)提升廣告收入的主要做法則是優(yōu)化廣告展示和排序、將廣告的展現(xiàn)做到精準(zhǔn)合理。對(duì)于廣告的精準(zhǔn)性，個(gè)性化是用戶點(diǎn)擊和消費(fèi)廣告的關(guān)鍵，提升收入的主要途徑也就是提升廣告轉(zhuǎn)化率。預(yù)測(cè)千次曝光價(jià)值(eCPM)常用于表征平臺(tái)流量的價(jià)值，它受到點(diǎn)擊率(CTR)、消費(fèi)轉(zhuǎn)化(CVR)和廣告主出價(jià)(BID)的影響。個(gè)性化廣告能夠做到的就是提升CTR和CVR。商品收入主要依賴推薦和促銷，算法模型在其中的很多環(huán)節(jié)擔(dān)當(dāng)著重要角色，比如推薦系統(tǒng)中的畫像、召回、排序都非常依賴算法模型。
全局優(yōu)化 還有一些工作著眼于產(chǎn)品全局甚至整個(gè)行業(yè)生態(tài)上。從具體的拉新、激活、促活工作向上思考，需要關(guān)注用戶在整個(gè)生命周期的價(jià)值(Life Time Value, LTV)。LTV體現(xiàn)的是用戶對(duì)產(chǎn)品商業(yè)收入的貢獻(xiàn)程度。通過(guò)LTV預(yù)估模型，可以從用戶新增后一段時(shí)間內(nèi)的行為數(shù)據(jù)得到其整個(gè)LTV的預(yù)測(cè)值。這個(gè)預(yù)測(cè)值將指導(dǎo)我們及時(shí)去做下一步的營(yíng)銷策略。
商業(yè)收入分為廣告收入和商品收入兩大類。以廣告收入為主的產(chǎn)品，LTV的預(yù)估主要看中用戶的留存、消費(fèi)時(shí)長(zhǎng)，如今日頭條、騰訊新聞等。以商品收入為主的產(chǎn)品，LTV則主要關(guān)注用戶的消費(fèi)能力、消費(fèi)意愿，如京東、快手(直播打賞)等。針對(duì)兩種收入方式的產(chǎn)品，實(shí)現(xiàn)LTV的預(yù)估方法也有所不同，但核心方法都是基于初期收入貢獻(xiàn)預(yù)測(cè)長(zhǎng)期收入貢獻(xiàn)，或基于個(gè)體收入貢獻(xiàn)均值預(yù)估整體收入貢獻(xiàn)。LTV是整個(gè)生命周期的總價(jià)值，也可以預(yù)估截至用戶新增N天的價(jià)值，即LTVn。例如，LTV30是指用戶前30天的商業(yè)價(jià)值貢獻(xiàn)。
以上是目前常見的算法技術(shù)在用戶增長(zhǎng)中發(fā)揮作用的方式，每一個(gè)角度的展開都涉及到很復(fù)雜算法工作，不在這篇文章里展開。
總結(jié)
以上就是通過(guò)近期學(xué)習(xí)，結(jié)合自身實(shí)踐做的一些總結(jié)，希望對(duì)讀者朋友們有幫助。由于水平有限，用戶增長(zhǎng)又是一個(gè)非常大的主題，難免有錯(cuò)漏之處，歡迎大家批評(píng)指正。
參考文獻(xiàn)
[1]《AARRR已是過(guò)去式，而RARRA才是更好的增長(zhǎng)黑客模型》，http://www.woshipm.com/operate/1518912.html
[2]《京東GOAL模型：品牌用戶數(shù)字化增長(zhǎng)方法論及實(shí)踐應(yīng)用》, https://mp.weixin.qq.com/s/vC7wFrL_b26UnxCuUflKqA
[3] https://zhuanlan.zhihu.com/p/100950827
[4] https://blog.csdn.net/qq1620657419/article/details/106226050
[5] 《阿里B類電商用戶增長(zhǎng)實(shí)踐》，https://mp.weixin.qq.com/s/ZM3EDMT6bodsryvjO06x6w
[6] 《五大策略破解增長(zhǎng)瓶頸》，https://blog.growingio.com/courses/23
[7] 《用戶增長(zhǎng)實(shí)戰(zhàn)筆記》，金磊
[8] 《增長(zhǎng)黑客實(shí)戰(zhàn)》，范冰、張夢(mèng)溪
[9] 《增長(zhǎng)黑客》，Sean Ellis
[10] 《一張圖闡述用戶增長(zhǎng)全鏈路技術(shù)圖譜》，https://mp.weixin.qq.com/s/0PkXrxTUcCQ-ACJOeFm6Ew
來(lái)源：網(wǎng)絡(luò)
以上是關(guān)于用戶增長(zhǎng)師的相關(guān)信息，以供大家查看了解。想要了解更多用戶增長(zhǎng)師信息，第一時(shí)間了解用戶增長(zhǎng)師相關(guān)資訊，敬請(qǐng)關(guān)注唯學(xué)網(wǎng)用戶增長(zhǎng)師欄目，如有任何疑問(wèn)也可在線留言，小編會(huì)為您在第一時(shí)間解答!
