在谈具体如何增长之前，我们先来看一下QuestMobile所提供的2018年中国移动互联网的总用户规模，可以明显看到中国移动互联网的总用户规模，2018年前9个月才增长了3400万，而去年同期是6400万，要是今后出现每年移动互联网的新用户出现1千万，乃至几百万的情况，大家也不要奇怪。
2018年有一个词很火，叫增长黑客，原本是GrowthHackers.com 的联合创始人Sean Ellis和Inman News首席运营官Morgan Brown提出的概念。
增长黑客这件事的核心其实是技术和数据驱动，但是国内很多团队在舶来这个概念，追随增长这个词的时候其实偏离了增长这个词的本意，变成了流量增长，或者流量运营。
问题是我们已经进入负增长零增速的时代。
来看一下另一个数据报告服务商TrustData对主流电商的数据统计：
这样的趋势其实在2019年并不会变的稍微好一些，原因是移动互联网的基础格局基本都定了，个别细分市场还有机会，但是竞争非常激烈，流量获取的成本是继续升高。
所以千万不要把粗放的广告投放作为用户增长的唯一手段（虽然继续有大量企业为此买单而不自知）。
科学增长的主要聚焦点是通过低成本的用户获取手段（比如技术性的SEO项目）以及通过数据驱动获得长期可持续的业务发展（比如精准推荐、基于User Profile的用户分层运营、AB及多变量试验）。
就如Mason Pelt在SiliconANGLE.com上于2015年写的文章指出：
“Imagine your business is a bucket and your leads are water. You don’t want to pour water into a leaky bucket; it’s a waste of money. That’s it.”
我翻译一下：想象一下你的业务（产品）就如同一个木桶，你的销售机会如同水，你不会希望把水倒入一个漏水的桶，这是浪费钱，这道理很简单“。
真正理解这一点的团队，会把注意放在这些方面：
- 低成本用户获取 （SEO、产品自带社交裂变、内容矩阵等）【可以阅读什么是科学可控的SEO？】
- 用户On-Board的引导
- 业务变现/转化流程
- 留存率
- 产品自传播能力
比如快公司就把Twitter的”好友列表“功能作为一个很好的例子，并认为这是Twitter成长飞快的秘密武器，本质上是让产品本身自带引流能力，而不是建立一个产品后，大把花钱去做推广。
而“好友列表”也好，精细化运营也好，AB测试/灰度发布也好，这些手段的背后都是在通过数据挖掘和分析，推导出用户的特征，并体现在开发满足对应用户特征的功能和产品服务流程（比如OTA可以做的同类人点评，或者电商会做的猜你喜欢）。
流量运营模式代表了2000年互联网早期一批创业者的思维模式，这些模式已经被证明无法健康经营（比如千团大战时期倒闭的大部分项目）。 而我们更应该关注的是用户的生命周期贡献价值，即LTV。
一个简单的公式：
- LTV > CAC, 可以活得挺好
- LTV = CAC，继续融资
- LTV < CAC，业务有问题，需要重新来过
什么是流量经营思维？
流量经营思维在于比较简单地认为流量获取做好了，生意就会好起来，许多企业还是这样在想：
1）我有一个很牛逼的产品，就用自己的网站和APP在各种渠道做做推广，然后组建运营团队，做好用户运营，做好转化就好了
2）每天关注各渠道的PV/UV，转化率，跳出率，不断提升PV/UV的量，优化好网站/APP就好了
3）每天策划好文案的编写，比如标题、卖点和痛点分析好，通过视频、图文和利益点的称述，加上购买引导钱的优惠刺激，做出一个10万+的推文，提高销量就好了
4）每天看一下数据，分析一下原因，找开发按照业务规则筛选一批可供营销的客户名单，并通过Push和短信推送来召回就好了
5）设计一个用户裂变流程，让购买的老用户帮助拉新，通过分销返利手段刺激一下就好了。
6）我们只要做好社群（比如微信群的运营），在社群里发送产品和红包，就可以获得一些用户了
这些都还是只是停留在流量运营的层面，没有深入去了解一个用户在时间、市场竞争、产品使用场景、地点、价格和其他用户影响力这些多变因素下的决策是多变这个基本原理。
我记得在一次知识星球的分享里，我和张国平老师关于这个思路的对话：
张国平：从微信这个生态就看出来了，当一个流量渠道足够强势，基于它的任何获取流量的方法都会很热门，国内的SEO也曾经是这么一个阶段性的东西。现在大部分一些做微信流量的方法也将会这样。SEO的局限就是流量本身的局限，之所以叫“流量”是因为它会流走。当互联网融入所有行业后，全民参与每个毛细血管的竞争，现在就是一个圈用户的时代了，流量思维早过时。
顾青： 传统只了解SEO的人员需要去增强的是如何研究用户行为特征，如何掌握有效的网站和App数据分析方法。LTV这件事需要去掌握基本的数据模型，如RFM和WOE，学习和巩固统计学和概率论，并通过理解用户行为特征来做到有效的用户分群。
在一个产品的不同阶段，用户会呈现出不同的业务和行为特点，业务价值自然也不一样。所谓大数据杀熟，先不谈“杀”，但是的确可以通过完善的数据采集和维度建模，并通过标签体系形成业务团队可以用来沉淀业务经验的数据平台，并基于此实现数据驱动运营，让不同的人群体验个性化的产品体验流程和价格体系，提升留存率、核心业务收入、降低营销成本（比如优惠券的金额）。
在这个对话里，国平点出了流量模式的问题，我点出了理解用户特征对于一个业务的重要性。
什么是用户运营和健康增长？
一个真正理解数据驱动和用户运营的团队，他们要做的事情远远不止流量获取这件事，他们需要做好：
1）用户洞察 （不是简单的转化率分析）、策略干预和数据追踪
2）通过核心指标的活跃分析、同类人模型，设计出产品从拉新、促活到业务增长的完整体系，
3）做好用户的个体画像Profile和群体画像Profile、分层规则，并有效评估单个Profile和规则的有效性
4）结合画像Profile，设计运营规则并通过AB测试（科学分流）来验证规则的提升效果
5）在技术条件具备的情况下，实施全域Profile规则平台，提升个性化推荐、搜索和自动化运营的精准效果
对于全域Profile，或者全域用户画像这个名词还不太熟悉的朋友来说，可以去网上寻找一些有关User Profile能力方面的一些内容（建议用Google搜索）。
本质上，全域Profile是企业自己需要去构建的能力，相当于一个基于自有数据中台能力基础之上的数据资产管理平台，用来管理第一方、第二方等数据资产，形成自有的符合业务需求的全域标签（用户、业务、产品和任何有业务价值的实体对象）。
在这个能力的基础上，可以让业务运营团队做到利用数据驱动全链路优化业务。
什么是数据驱动的原则
国内外的不同风格的企业在数据驱动上的做法不同，但是都会遵循一些相似的原则。比如：
大胆实践小心求证，把数据化的工作流程成一个闭环，做事情会先设计一个有助于数据驱动的工作流程，在具体实践中会通过提出假设，检验；采集数据，分析结果，最后根据试验结果改进产品、设计和运营策略。比如Twitter和领英每个星期都跑大量实验，国内的腾讯、美团、百度、携程、饿了么等也建立了完善的AB测试文化。
如果数据驱动和试验做得好，包括精细化运营，AI，个性化，预测分析，风控这些工作都可以对业务产生极大的贡献，比如Paypal和唯品会金融消费贷团队都在用自动化和AB测试不断优化自己的风控模型，并获得了业务的很大收益。
拿我们给企业培训和咨询经验来看，越来越多的互联网团队意识到数据和用户画像驱动业务增长的重要性，并注重实际产出。
从人才市场的角度来看，越来越多的企业都开始组建专门的数据驱动产品增长团队，比如需要这些技能：
- 设计：能通过通过数据分析、用户调研和流量试验等手段改进用户体验设计，并解决业务需求，能利用网站和APP分析、AB测试工具。一个很好的例子见：硅谷产品牛人谈指标和产品设计：价值8千万美元的“Metrics-Driven Design” 【PDF】
- 产品：学习、应用、迭代：使用数据分析的手段找到促进用户增长的点；设计A/B测试方案
- 市场增长：通过测试平台推动增长，包括市场营销，转化率优化等。通过试验和迭代，找到我们增长最快的地方，并知道是怎么做到了。
- 用户运营：通过对用户的洞察，设计运营策略，借助数据分析和AB测试验证运营策略的有效性，有效应用标签规则和用户画像Profile，做好用户分层，并精准地围绕用户生命周期完成业务运营
比如下图就是一个比较完整的标签体系，在实际应用中是一个数据产品（含API和数据输出能力）：
我前不久写了有关什么是用户画像主义者的试金石？
很多读者纷纷来信与我探讨这个问题，还有估值数百亿的互联网团队负责人找到我，提了许多问题，这是好事，代表越来越多的人理解到粗暴增长的问题，并期望通过数据驱动运营的方式，吸引有价值的用户（ARPU高）对平台的忠诚度。
这里我推荐网易严选算法负责人杨杰老师写的：让机器读懂用户–大数据中的用户画像。
一位在香港上市的大型互联网企业负责做用户增长的学员向我提了一个问题：
“我们在通过通过CRM用户触达+站内产品路径优化+B端附能做用户增长。基于我们业务，我们会有一些基础的用户画像，比如用户社会属性、产品行为、消费偏好等等。但对业务层面来讲，有三点是很弱的：
1，画像和业务是割裂的，就是不特别清晰画像在业务的提升上哪些属性或维度的权重占比有多少，即没有一个完整化的用户数据模型去支撑我业务的优化评估。单点的AB很弱，效率也很慢。
2，我们的画像没有体系化，画像的精细度不够深，也不能量化去评估。维度之间没有串联起来。比如我不清楚用户的优惠敏感度和他的性别关系有多大，比如我不清楚A人群和B人群的异同有什么量化的差异。
3，数据做不到构建模型驱动运营，只能单纯的通过不停AB测去判断用户的偏好，合适的阈值。运营的精细化程度进度很慢。不断AB测叠加的结果下，可能反而离真相越来越远。
我们特别希望能构建体系化的用户画像和智能化的用户数据评估和行为预测体系。”
我想这或许是困扰许多团队的问题。
文： 顾青@共相Ebizcamp(e-bizcamp)
首席增长官CGO荐读小红书推广：
更多精彩，关注：增长黑客（GrowthHK.cn）
增长黑客（Growth Hacker）是依靠技术和数据来达成各种营销目标的新型团队角色。从单线思维者时常忽略的角度和高度，梳理整合产品发展的因素，实现低成本甚至零成本带来的有效增长…
本文经授权发布，不代表增长黑客立场，如若转载，请注明出处：https://www.growthhk.cn/cgo/18646.html
微信扫一扫 
支付宝扫一扫 
