張春宇：淺析用戶增長

這是我前段時間為了更好的理解業(yè)務而寫的一份讀書筆記類的長文，主要內(nèi)容來自《用戶增長實戰(zhàn)筆記》，另外結合了一些論文、公眾號、知乎的文章，然后按我自己的理解重新編排了一下。公眾號和知乎的文章，比較大的問題是內(nèi)容不成體系，或者內(nèi)容太泛，讓人一知半解，包括我這篇其實也有同樣的問題，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。

當然，整理這樣一篇文章下來也是收獲的，主要有如下幾點：

• 對于用戶增長/精細化運營有了更加系統(tǒng)的理解，明了自己的工作在整個體系中所處的位置。
• 和產(chǎn)品、運營同學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。

如果這篇文章對你也有一點點幫助，那就是非常好了。

正文

為了更好的理解自己的工作，近期學習了一下用戶增長相關的知識，主要的資料包括三本書《用戶增長實戰(zhàn)筆記》、《增長黑客》、《增長黑客實戰(zhàn)》，以及一些知乎和公眾號的文章，詳見參考文獻。在這些資料中，有“道”層面的介紹，也有“術”方面的實戰(zhàn)方法。閱讀這些資料之后，我把用戶增長中的主要內(nèi)容總結為一套模型，一套方法，一個理念，一套技術方案。在這篇文章中，以這幾點為主線，在技術視角下，盡量從全局的角度，聊聊我對用戶增長的理解。

在展開之前，先了解一下“用戶增長”的基本概念?！坝脩粼鲩L”是指用戶相關指標的增長，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）用戶時長，如總時長、人均時長；（3）商業(yè)收入，如廣告收入、商品收入、服務收入。為了實現(xiàn)這一目標，用戶增長是一套系統(tǒng)工程，涉及到多工種、多部門的合作。經(jīng)過近幾年的發(fā)展，已經(jīng)形成了一套比較成熟的工作流。下面就結合我的理解展開講一下前面提到的幾個關鍵點。

一套模型

先來看一套模型，主要是指各種增長模型，比較經(jīng)典的有AARRR模型，及其變形RARRA模型，還有各個企業(yè)根據(jù)自身的業(yè)務特點歸納總結的增長模型，比如京東的4A模型、GOAL模型，阿里的AIPL模型。

在本文中簡要介紹一下，AARRR模型及其變形RARRA模型，這對后續(xù)內(nèi)容的理解非常有幫助。

先來看AARRR模型，又稱為“海盜模型”，它由硅谷投資機構500Startups的聯(lián)合創(chuàng)始人Dave McClure提出。AARRR是一個用戶流量漏斗模型，反映了不同階段用戶參與行為的深度和類型，也常作為用戶增長模型使用，能夠提供一個核心指標拆解的思路。具體內(nèi)容如下圖所示。

獲取用戶，將潛在目標用戶轉化成自己產(chǎn)品的用戶，并且開始使用產(chǎn)品，核心指標包括下載量、安裝量、激活量等。

激發(fā)活躍，不同的產(chǎn)品對活躍度的定義不同，比如有的產(chǎn)品只要用戶在指定時間內(nèi)登錄或啟動一次就算活躍，有的產(chǎn)品要求用戶進行指定操作才算活躍。

提高留存，用戶的留存率非常重要，它能夠衡量一個產(chǎn)品是否健康成長。

增加收入，把留存用戶轉化為付費用戶。這個階段重要的數(shù)據(jù)指標是LTV（Life Time Value），用戶給產(chǎn)品貢獻的收入價值。

傳播推薦，用戶自發(fā)對產(chǎn)品進行口碑傳播，也稱為自傳播或病毒式傳播。自傳播的重要指標是K因子（推薦系數(shù)/病毒指數(shù)），K因子=（每個用戶向他的朋友們發(fā)出的邀請的數(shù)量）*（接收到邀請的人轉化為新用戶的轉化率），當K大于1時，用戶群會像滾雪球一樣增大，當K小于1時，用戶群到某個規(guī)模時會停止通過自傳播增長。

AARRR模型已經(jīng)很普及，并且非常受歡迎，因為它很簡單，突出了增長的所有重要因素。更重要的是，AARRR模型是圍繞拉新獲客建立的，所以很受營銷人員歡迎。但隨著互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)的發(fā)展，流量見頂，同行業(yè)競爭越來越激烈，僅僅依賴拉新獲客，對用戶增長的意義越來越小。

比如某個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，一個APP獲得100個新用戶，三個月后只有5個用戶還在使用，這樣的拉新獲客意義非常小。

那么在這個五個狀態(tài)中，留存成為了用戶增長的關鍵。因此Thomas Petit 和 Gabor Papp對AARRR模型進行了優(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，但順序進行了調整，留存放到了第一位。

• 用戶留存Retention：為用戶提供價值，讓用戶回訪。
• 用戶激活Activation：確保新用戶在首次啟動時看到產(chǎn)品的價值。
• 商業(yè)變現(xiàn)Revenue：一個好的商業(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：鼓勵老用戶帶來新用戶。

如果能夠讓用戶回到你的產(chǎn)品，實際上就是在建立一個用戶群，如果不能，就只是在租用流量。

這樣優(yōu)化，對新產(chǎn)品而言，可以避免資源的浪費，比如某些APP為了快速擴充注冊量，地推人員幫很多老年人注冊了賬號，但那些老年人并不會用這類APP，也就沒有留存。這樣執(zhí)行下來，更多只是為了完成短期的KPI，不會產(chǎn)生實際價值，是一種資源的浪費。對比較成熟的產(chǎn)品而言，流量見頂，如何更好的留住老用戶，很明顯是一個非常重要的任務，否則產(chǎn)品將走向衰退。

對于增長模型的介紹就寫到這里，更多的細節(jié)可以到參考文獻中查找。

一套方法

有了這兩個模型，感覺能干一些事情了，但又不知道具體該干什么，因為增長模型還是比較粗略，無法具體指導實際操作。那么怎么才能用增長模型指導實際操作呢，這就涉及到接下來要說的一套方法。這套方法中最重要的是北極星指標和指標的拆解方法。

確定增長戰(zhàn)略的第一步是明確哪些指標對產(chǎn)品增長來說最為重要。為了縮小關注范圍，最好能夠選擇一個關鍵的能夠決定最終成敗的指標，以此指導所有的增長活動。這樣的一個指標能夠非常有效地使團隊成員最大化地利用時間，從而避免將資源浪費在漫無目的的增長試驗上。在增長黑客界將這樣的一個關鍵指標稱為“北極星指標”。北極星指標通常選擇一個最能表現(xiàn)業(yè)務價值的指標，并通過一些制定標準確保選擇的指標具有北極星一般的指示意義，比如常見的DAU，觀看時長等。

拆解目標通常可以使用杜邦分析法將北極星指標拆解為多個因子，因子之間具有數(shù)值關聯(lián)性，通過某些方式最終可計算得到北極星指標。很多時候，這些拆解后的公式也被稱為“增長模型”，用來指導策略的設計和落地。

下面借助《用戶增長實戰(zhàn)筆記》中對DAU的三種拆解方式，了解一下不同拆解方式對實際操作的不同指導意義。

先來看第一種拆解方法，把DAU看成一個容器，來思考“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，可以從兩側切入：

• 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)先把預算投入開源還是節(jié)流，這就需要具體分析DAU中上述幾個因子的構成和趨勢。原則上優(yōu)先看“缺口在哪里”，或“怎么做最能起量”，此外還需要結合產(chǎn)品現(xiàn)狀、所處階段來做具體的資源分配，例如，是否有足夠預算做付費拉新。

再來看第二種拆解方法，新老用戶視角，它和流入流出視角類似，但相對簡化。

先把DAU簡單劃分成3份：“新用戶”即當日新增，“老用戶”即非當日新增，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

這個等式右側主要有5個變量，可將已知的量代入等式，再結合目前的經(jīng)驗推知提升哪個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個百分點的次日留存，DAU的增量=0.7*1%=0.7%；假設新增用戶占比10%，提升1個百分點的次日留存，DAU的增量=0.1*1%=0.1%。等式中的“其他”一項包含今日新增用戶，以及昨日未活躍但今日回流的用戶。假設該APP的這部分用戶為20%，提升1個百分點，DAU的增量=0.2*1%=0.2%。在實際工作中，上述數(shù)值可以按照各部分的實際比例進行替換。

通過新老用戶視角可以明確看出，如果想通過提升用戶留存來提升DAU，工作重心應該放在哪一個群體上。需要注意，如果“其他”這一項占比非常大，則往往意味著這個APP還處在成長初期，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，從活躍度視角來看。

以DAU為北極星，如果僅關注活躍用戶在某天的留存率是不夠的。在一段時間內(nèi)，影響DAU的關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)來表示，以便于DAU直接在數(shù)值上形成關聯(lián)。從WAU來看，DAU=WAU*周活躍天數(shù)/7；從MAU來看，DAU=MAU*月活躍天數(shù)/當月天數(shù)。在這個視角需要重點關注如何提升“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；之后要確認重點提升哪一部分人群，例如，是周活躍1-2天的，還是3-4天的量，以及通過什么策略來提升。

上述的三種拆分方式無論哪一種與一個籠統(tǒng)的提升DAU的目標相比都更具指導意義。從這個示例中可見，不同的拆解方法，拆解出來的子指標對應的操作會有很大的不同。所以對應不同業(yè)務的不同階段應選擇適合的拆解方法。

一個理念

這樣拆解之后，距離實際操作又近了一步，但進入實操階段了之前，有必要強調一下用戶增長實操中的一個理念，就是數(shù)據(jù)驅動。為什么要強調這個理念呢，因為在實操中，會涉及到團隊內(nèi)，和團隊外的合作，不同工種間的合作，會相對比較復雜。如果理念不一致，對理念的理解不一致，那么很難形成合力，真正推動用戶增長的有效落實。

數(shù)據(jù)驅動在互聯(lián)網(wǎng)企業(yè)中已經(jīng)強調了很多年，然而在實際操作中，又往往停留在這個概念表面，實際深入的不夠。在用戶增長中，數(shù)據(jù)驅動主要涵蓋三個階段。

第一，明確增長目標，后續(xù)策略圍繞提升這個目標展開。通過上述一套方法中的目標拆解，可以清晰地認識到“若想提升DAU或收入，必先提升某某指標”，這樣就可以明確指導接下來的策略制定。

第二，找到策略切入點，或者基于對因果關系的剖析，尋找用戶核心路徑的斷點，嘗試修補；或基于相關性找到與增長目標高度相關的用戶行為，嘗試干預。

明確增長目標并完成初步拆解后，就可以圍繞一個問題來找策略切入點了：為什么用戶沒有完成某某行為？例如，通過拆解DAU知道提升它的關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有在次日留存下來。那么，從用戶視角來看，一定是使用這個APP的核心路徑上出現(xiàn)了某種斷點導致用戶流失，甚至一些用戶就完全沒有產(chǎn)生使用的意愿。

策略的制定，更容易見效的方式就是針對用戶核心路徑上的問題對癥下藥。核心路徑是指用戶接觸、使用產(chǎn)品或某個功能的必經(jīng)之路。一旦核心路徑出現(xiàn)斷點，就會影響后續(xù)各個環(huán)節(jié)的轉化率，最終影響關鍵指標的提升。我們優(yōu)先要做的就是通過因果分析，找到影響這些關鍵指標的負面因素并設法排除它。

相關性分析可以幫助我們找到與增長指標高度相關的用戶行為，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，假設經(jīng)過目標拆解得知，某APP提升DAU的關鍵是要提升活躍用戶的次日留存，這就可以再進一步分析活躍用戶的哪些行為與其次日留存具有相關性。相關性分析可以通過線性擬合或者尋找“魔法數(shù)字”來實現(xiàn)。

第三，形成增長假設，設計和展開實驗，驗證假設?；谝蚬?、相關性的分析結果，就可以得到具體的增長假設。

在用戶增長工作中，實驗方法的應用是數(shù)據(jù)驅動至關重要的一環(huán)。毋庸置疑，做增長就需要積極關注策略帶來的指標增量。實驗的目的是驗證假設，而實驗方法能夠驗證因果關系，準確量化策略效果。準確評估指標增量，一方面能幫我們評估目前的策略是否有效、橫向比較多個策略哪些更好，另一方面能幫我們思考如何迭代能讓有效的策略更有效、無效的策略盡可能優(yōu)化或擯棄。

一套技術方案

目標和理念統(tǒng)一了，就可以進入實操階段了，由于工種所限，我主要從技術角度看在實操階段有哪些工作要做，也就是前面提到的一套技術方案。無論是為了量化指標，還是落實數(shù)據(jù)驅動的理念，首先需要一套完善的數(shù)據(jù)平臺，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（DMP）。第二，為了能夠給不同的拆分子指標配置對應的運營策略，需要一個運營配置平臺，能夠配置、下發(fā)運營任務。第三，在數(shù)據(jù)驅動理念中，很重要的一環(huán)就是實驗方法，所以需要一個實驗平臺。實驗平臺需要滿足三項功能：（（1）圈選人群，通過一定規(guī)則選定實驗人群；（2）分層分桶，通過算法將實驗人群隨機分成若干小份，再進一步選擇其中的若干份用于分組；（3）結果展示，將實驗的結果和結論科學地分析和展示。這三套平臺的架構已經(jīng)比較成熟，這里不做展開介紹。

除了這三套必備平臺，還有目前比較熱門的機器學習算法，也在用戶增長中發(fā)揮重要的作用。下面介紹一下機器學習算法在用戶增長的哪些位置生效。

首先如何找到目標人群，提升策略精準性，增長策略實施的第一步是通過標簽圈選目標人群。使用多個標簽，理論上能夠得到足夠精細的人群，然而有兩個明顯的的不足。一是標簽篩選依賴操作者的主觀經(jīng)驗，而且需要反復實驗驗證才能得出針對某一個細分人群的較優(yōu)策略，難以達到最優(yōu)。二是，標簽實際上是一套粗規(guī)則，使用標簽后勢必會把不在標簽規(guī)則范圍內(nèi)的用戶過濾掉，而這些被過濾掉的用戶中很可能包含大量目標用戶。

在定位目標人群的工作中，算法有兩種方式發(fā)揮作用。一種是Lookalike相似人群擴散，Lookalike是一種通過“找相似”來進行人群拓展的方法。當獲得一個種子人群之后，參照種子人群的特征在所有其他用戶中進行匹配，找到指定數(shù)量的相似用戶。種子人群拓展以后通常會用于策略下發(fā)。

另外一種是目標人群預測，當設計一個策略時，需要考慮這個策略會對哪些用戶有效。在用戶增長中，這個“有效”除了指用戶感興趣、會點擊以外，更多是指策略生效后能否有效提升增長目標。如果這個策略需要付出補貼或現(xiàn)金激勵，還需要看ROI是否足夠高，從而避免把成本消耗在沒有增量的用戶群中。通過對用戶接受策略之后的反饋進行預估，我們可以找到更應該下發(fā)該策略的目標人群。

目標人群的預估要先有目標，還需要一系列約束條件，以保證在此約束條件下完成目標。

找到目標人群，完成了效率提升的第一步。這一步的價值在于不再用簡單規(guī)則圈定人群，避免了策略的錯發(fā)、漏發(fā)和無效下發(fā)。

算法發(fā)揮功效的另一方面表現(xiàn)在優(yōu)化策略的針對性和轉化率，提升策略效果。概括一下常見的有四個方面，提升轉化率、提升投入產(chǎn)出比、提升收入和全局優(yōu)化。

提升轉化率 有了目標人群之后，策略下發(fā)后能否生效，就需要關注轉化率問題。轉化率問題除了涉及每個環(huán)節(jié)的單點轉化率以外，更重要的是要關注策略從下發(fā)到影響用戶產(chǎn)生行為變化的完整轉化率。提升轉化率包括點擊率優(yōu)化和完成率優(yōu)化。

提升點擊率從算法側看，主要是利用推薦算法切準用戶的潛在興趣點，核心是基于用戶的潛在興趣和意圖做好內(nèi)容與樣式的預先匹配。通過算法模型可以做到不同用戶看到不同的營銷策略，甚至同一個用戶在不同的場景中看到不同的策略，這種效率提升是人力無法獲得的。

完成率優(yōu)化，相比單個環(huán)節(jié)的點擊率，很多時候更需要關注最終的整體轉化。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。用戶完成關鍵行為往往與后續(xù)留存正相關，所以對完成率進行優(yōu)化非常有必要。對于讀完率和完播率，預估模型的目標就轉變?yōu)橥瓿蛇@個關鍵行為，比較常見的方法是多任務學習模型，如ESMM、MMOE。

提升投入產(chǎn)出比 投資回報率或投入產(chǎn)出比（ratioon investment, ROI）是需要花錢的增長策略都應重點關注的指標。對于付費投放的獲客、促活，需要思考花錢購買的用戶在后續(xù)一段時間是否可以創(chuàng)造高于成本的收入；對于通過各種補貼提升用戶活躍、消費的策略，也需要關注收益是否能夠補回補貼支出?？偠灾?，只有在ROI或預估ROI足夠高的前提下，這些增長策略才能夠持續(xù)進行。

通過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實時競價（real time bidding, RTB）技術是非常重要因素。RTB是一種利用第三方技術在網(wǎng)站或移動端，針對每一個用戶展示行為進行評估及實時出價的技術，是APP獲客和激活的主要方式之一。RTB一般按有效點擊結算，用戶的每次點擊都需要給平臺支付費用，而每次點擊的價格就是當次的實時出價。在用戶增長工作中，同樣多的預算需要獲取盡可能多的用戶。這就依賴動態(tài)的、有針對性的報價，并以盡可能低的價格獲得用戶。通?？梢杂肦OI來評估付費獲客的收益：ROI=獲客收益/獲客成本。此處的獲客收益主要是指用戶進入APP之后的收益預估，獲客成本則是實際支出的CPC（cost per click）。用戶增長的目標之一就是提升ROI，主要方法是根據(jù)用戶的潛在價值進行實時調價。OCPC（Optimized Cost Per Click）是一種DSP平臺自動調價的方式，可以完成實時調價的任務。

付費增長還有大量策略是通過向C端用戶發(fā)放補貼完成的。補貼的目標是提高用戶活躍度或消費，其中最主要的約束條件也是ROI。這里的ROI=收入增益/補貼支出。收入增益是指由于用戶活躍度提升而帶來的廣告收入或商品收入增量，補貼支出則為實際消耗的預算總額。ROI的提升思路是如何補貼盡量發(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，避免無效補貼；其二，減小分母，即將補貼更加精細化。

第一種思路的具體做法就是找到具備補貼彈性的用戶，通過補貼刺激轉化。第二種思路是在第一種思路的基礎上繼續(xù)優(yōu)化成本，通過動態(tài)規(guī)劃等方法給不同用戶不同額度的補貼，進一步提升ROI。

提升收入 用戶增長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，其中商品包含服務和實物。算法側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)做到精準合理。對于廣告的精準性，個性化是用戶點擊和消費廣告的關鍵，提升收入的主要途徑也就是提升廣告轉化率。預測千次曝光價值（eCPM）常用于表征平臺流量的價值，它受到點擊率（CTR）、消費轉化（CVR）和廣告主出價（BID）的影響。個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)擔當著重要角色，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，需要關注用戶在整個生命周期的價值（Life Time Value, LTV）。LTV體現(xiàn)的是用戶對產(chǎn)品商業(yè)收入的貢獻程度。通過LTV預估模型，可以從用戶新增后一段時間內(nèi)的行為數(shù)據(jù)得到其整個LTV的預測值。這個預測值將指導我們及時去做下一步的營銷策略。

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的預估主要看中用戶的留存、消費時長，如今日頭條、騰訊新聞等。以商品收入為主的產(chǎn)品，LTV則主要關注用戶的消費能力、消費意愿，如京東、快手（直播打賞）等。針對兩種收入方式的產(chǎn)品，實現(xiàn)LTV的預估方法也有所不同，但核心方法都是基于初期收入貢獻預測長期收入貢獻，或基于個體收入貢獻均值預估整體收入貢獻。LTV是整個生命周期的總價值，也可以預估截至用戶新增N天的價值，即LTVn。例如，LTV30是指用戶前30天的商業(yè)價值貢獻。

以上是目前常見的算法技術在用戶增長中發(fā)揮作用的方式，每一個角度的展開都涉及到很復雜算法工作，不在這篇文章里展開。

總結

以上就是通過近期學習，結合自身實踐做的一些總結，希望對讀者朋友們有幫助。由于水平有限，用戶增長又是一個非常大的主題，難免有錯漏之處，歡迎大家批評指正。