张春宇：浅析用户增长

这是我前段时间为了更好的理解业务而写的一份读书笔记类的长文，主要内容来自《用户增长实战笔记》，另外结合了一些论文、公众号、知乎的文章，然后按我自己的理解重新编排了一下。公众号和知乎的文章，比较大的问题是内容不成体系，或者内容太泛，让人一知半解，包括我这篇其实也有同样的问题，还是推荐大家去看书，所以这篇文章最重要的部分就是参考文献。

当然，整理这样一篇文章下来也是收获的，主要有如下几点：

• 对于用户增长/精细化运营有了更加系统的理解，明了自己的工作在整个体系中所处的位置。
• 和产品、运营同学的沟通更加游刃有余，基本概念更加一致。
• 了解算法工作的局限性。

如果这篇文章对你也有一点点帮助，那就是非常好了。

正文

为了更好的理解自己的工作，近期学习了一下用户增长相关的知识，主要的资料包括三本书《用户增长实战笔记》、《增长黑客》、《增长黑客实战》，以及一些知乎和公众号的文章，详见参考文献。在这些资料中，有“道”层面的介绍，也有“术”方面的实战方法。阅读这些资料之后，我把用户增长中的主要内容总结为一套模型，一套方法，一个理念，一套技术方案。在这篇文章中，以这几点为主线，在技术视角下，尽量从全局的角度，聊聊我对用户增长的理解。

在展开之前，先了解一下“用户增长”的基本概念。“用户增长”是指用户相关指标的增长，包含用户规模及其产生的各种影响，主要涵盖以下三个方面：（1）用户规模，如月活跃用户数，日活跃用户数；（2）用户时长，如总时长、人均时长；（3）商业收入，如广告收入、商品收入、服务收入。为了实现这一目标，用户增长是一套系统工程，涉及到多工种、多部门的合作。经过近几年的发展，已经形成了一套比较成熟的工作流。下面就结合我的理解展开讲一下前面提到的几个关键点。

一套模型

先来看一套模型，主要是指各种增长模型，比较经典的有AARRR模型，及其变形RARRA模型，还有各个企业根据自身的业务特点归纳总结的增长模型，比如京东的4A模型、GOAL模型，阿里的AIPL模型。

在本文中简要介绍一下，AARRR模型及其变形RARRA模型，这对后续内容的理解非常有帮助。

先来看AARRR模型，又称为“海盗模型”，它由硅谷投资机构500Startups的联合创始人Dave McClure提出。AARRR是一个用户流量漏斗模型，反映了不同阶段用户参与行为的深度和类型，也常作为用户增长模型使用，能够提供一个核心指标拆解的思路。具体内容如下图所示。

获取用户，将潜在目标用户转化成自己产品的用户，并且开始使用产品，核心指标包括下载量、安装量、激活量等。

激发活跃，不同的产品对活跃度的定义不同，比如有的产品只要用户在指定时间内登录或启动一次就算活跃，有的产品要求用户进行指定操作才算活跃。

提高留存，用户的留存率非常重要，它能够衡量一个产品是否健康成长。

增加收入，把留存用户转化为付费用户。这个阶段重要的数据指标是LTV（Life Time Value），用户给产品贡献的收入价值。

传播推荐，用户自发对产品进行口碑传播，也称为自传播或病毒式传播。自传播的重要指标是K因子（推荐系数/病毒指数），K因子=（每个用户向他的朋友们发出的邀请的数量）*（接收到邀请的人转化为新用户的转化率），当K大于1时，用户群会像滚雪球一样增大，当K小于1时，用户群到某个规模时会停止通过自传播增长。

AARRR模型已经很普及，并且非常受欢迎，因为它很简单，突出了增长的所有重要因素。更重要的是，AARRR模型是围绕拉新获客建立的，所以很受营销人员欢迎。但随着互联网和移动互联网的发展，流量见顶，同行业竞争越来越激烈，仅仅依赖拉新获客，对用户增长的意义越来越小。

比如某个APP安装后，前三天流失77%的DAU，三十天流失90%的DAU，90天流失95%的DAU，换句话说，一个APP获得100个新用户，三个月后只有5个用户还在使用，这样的拉新获客意义非常小。

那么在这个五个状态中，留存成为了用户增长的关键。因此Thomas Petit 和 Gabor Papp对AARRR模型进行了优化，提出了RARRA模型，突出了用户留存的重要性，如下图所示。

相比AARRR，内容是一致的，但顺序进行了调整，留存放到了第一位。

• 用户留存Retention：为用户提供价值，让用户回访。
• 用户激活Activation：确保新用户在首次启动时看到产品的价值。
• 商业变现Revenue：一个好的商业模式是可以赚钱的。
• 用户推荐Referral：让用户分享、讨论你的产品。
• 用户拉新Acquisition：鼓励老用户带来新用户。

如果能够让用户回到你的产品，实际上就是在建立一个用户群，如果不能，就只是在租用流量。

这样优化，对新产品而言，可以避免资源的浪费，比如某些APP为了快速扩充注册量，地推人员帮很多老年人注册了账号，但那些老年人并不会用这类APP，也就没有留存。这样执行下来，更多只是为了完成短期的KPI，不会产生实际价值，是一种资源的浪费。对比较成熟的产品而言，流量见顶，如何更好的留住老用户，很明显是一个非常重要的任务，否则产品将走向衰退。

对于增长模型的介绍就写到这里，更多的细节可以到参考文献中查找。

一套方法

有了这两个模型，感觉能干一些事情了，但又不知道具体该干什么，因为增长模型还是比较粗略，无法具体指导实际操作。那么怎么才能用增长模型指导实际操作呢，这就涉及到接下来要说的一套方法。这套方法中最重要的是北极星指标和指标的拆解方法。

确定增长战略的第一步是明确哪些指标对产品增长来说最为重要。为了缩小关注范围，最好能够选择一个关键的能够决定最终成败的指标，以此指导所有的增长活动。这样的一个指标能够非常有效地使团队成员最大化地利用时间，从而避免将资源浪费在漫无目的的增长试验上。在增长黑客界将这样的一个关键指标称为“北极星指标”。北极星指标通常选择一个最能表现业务价值的指标，并通过一些制定标准确保选择的指标具有北极星一般的指示意义，比如常见的DAU，观看时长等。

拆解目标通常可以使用杜邦分析法将北极星指标拆解为多个因子，因子之间具有数值关联性，通过某些方式最终可计算得到北极星指标。很多时候，这些拆解后的公式也被称为“增长模型”，用来指导策略的设计和落地。

下面借助《用户增长实战笔记》中对DAU的三种拆解方式，了解一下不同拆解方式对实际操作的不同指导意义。

先来看第一种拆解方法，把DAU看成一个容器，来思考“流入流出模型”。

“流入”的是每天的新增用户及回流用户，“流出”的则是流失用户。以日为观察周期，举例如下：

• 新增用户指当日获得的新用户；
• 回流用户指昨天不活跃，但今天活跃的用户；
• 流失用户指昨天活跃，但今天不活跃的用户；
• 留存用户指昨天活跃，且今天活跃的用户。

可以推知：

今日DAU=今日流入+昨日留存-今日流出

= （新增用户数+回流用户数）+昨日DAU-流失用户数

那么，要想获得DAU增长，可以从两侧切入：

• 提升新增，增加回流，就是开源；
• 提升留存或减少流失，就是节流。

由于资源有限，我们通常需要决策是优先把预算投入开源还是节流，这就需要具体分析DAU中上述几个因子的构成和趋势。原则上优先看“缺口在哪里”，或“怎么做最能起量”，此外还需要结合产品现状、所处阶段来做具体的资源分配，例如，是否有足够预算做付费拉新。

再来看第二种拆解方法，新老用户视角，它和流入流出视角类似，但相对简化。

先把DAU简单划分成3份：“新用户”即当日新增，“老用户”即非当日新增，剩下的是“其他”；可以得到今日DAU如下：

今日DAU=昨日新用户*新增次日留存率 + 昨日老用户*活跃次日留存率+ 其他

这个等式右侧主要有5个变量，可将已知的量代入等式，再结合目前的经验推知提升哪个变量能够获得较大的收益。例如，某APP的老用户占比70%，提升1个百分点的次日留存，DAU的增量=0.7*1%=0.7%；假设新增用户占比10%，提升1个百分点的次日留存，DAU的增量=0.1*1%=0.1%。等式中的“其他”一项包含今日新增用户，以及昨日未活跃但今日回流的用户。假设该APP的这部分用户为20%，提升1个百分点，DAU的增量=0.2*1%=0.2%。在实际工作中，上述数值可以按照各部分的实际比例进行替换。

通过新老用户视角可以明确看出，如果想通过提升用户留存来提升DAU，工作重心应该放在哪一个群体上。需要注意，如果“其他”这一项占比非常大，则往往意味着这个APP还处在成长初期，在做好留存的前提下还需要发力在新增和沉默用户唤醒上。

然后看第三种拆解方法，从活跃度视角来看。

以DAU为北极星，如果仅关注活跃用户在某天的留存率是不够的。在一段时间内，影响DAU的关键因素是用户活跃的天数。所以，活跃度可以用活跃天数来表示，以便于DAU直接在数值上形成关联。从WAU来看，DAU=WAU*周活跃天数/7；从MAU来看，DAU=MAU*月活跃天数/当月天数。在这个视角需要重点关注如何提升“活跃天数”。

以周活跃天数为例，先看活跃天数的水平有多少提升的空间：可以将用户按照周活跃天数进行分层，看均值情况、各周活跃天数用户的分布情况；之后要确认重点提升哪一部分人群，例如，是周活跃1-2天的，还是3-4天的量，以及通过什么策略来提升。

上述的三种拆分方式无论哪一种与一个笼统的提升DAU的目标相比都更具指导意义。从这个示例中可见，不同的拆解方法，拆解出来的子指标对应的操作会有很大的不同。所以对应不同业务的不同阶段应选择适合的拆解方法。

一个理念

这样拆解之后，距离实际操作又近了一步，但进入实操阶段了之前，有必要强调一下用户增长实操中的一个理念，就是数据驱动。为什么要强调这个理念呢，因为在实操中，会涉及到团队内，和团队外的合作，不同工种间的合作，会相对比较复杂。如果理念不一致，对理念的理解不一致，那么很难形成合力，真正推动用户增长的有效落实。

数据驱动在互联网企业中已经强调了很多年，然而在实际操作中，又往往停留在这个概念表面，实际深入的不够。在用户增长中，数据驱动主要涵盖三个阶段。

第一，明确增长目标，后续策略围绕提升这个目标展开。通过上述一套方法中的目标拆解，可以清晰地认识到“若想提升DAU或收入，必先提升某某指标”，这样就可以明确指导接下来的策略制定。

第二，找到策略切入点，或者基于对因果关系的剖析，寻找用户核心路径的断点，尝试修补；或基于相关性找到与增长目标高度相关的用户行为，尝试干预。

明确增长目标并完成初步拆解后，就可以围绕一个问题来找策略切入点了：为什么用户没有完成某某行为？例如，通过拆解DAU知道提升它的关键在于提升活跃用户的次日留存，就可以反向思考这部分用户为什么没有在次日留存下来。那么，从用户视角来看，一定是使用这个APP的核心路径上出现了某种断点导致用户流失，甚至一些用户就完全没有产生使用的意愿。

策略的制定，更容易见效的方式就是针对用户核心路径上的问题对症下药。核心路径是指用户接触、使用产品或某个功能的必经之路。一旦核心路径出现断点，就会影响后续各个环节的转化率，最终影响关键指标的提升。我们优先要做的就是通过因果分析，找到影响这些关键指标的负面因素并设法排除它。

相关性分析可以帮助我们找到与增长指标高度相关的用户行为，从而把策略定位到提升该行为发生的概率或频次上。以提升DAU为例，假设经过目标拆解得知，某APP提升DAU的关键是要提升活跃用户的次日留存，这就可以再进一步分析活跃用户的哪些行为与其次日留存具有相关性。相关性分析可以通过线性拟合或者寻找“魔法数字”来实现。

第三，形成增长假设，设计和展开实验，验证假设。基于因果性、相关性的分析结果，就可以得到具体的增长假设。

在用户增长工作中，实验方法的应用是数据驱动至关重要的一环。毋庸置疑，做增长就需要积极关注策略带来的指标增量。实验的目的是验证假设，而实验方法能够验证因果关系，准确量化策略效果。准确评估指标增量，一方面能帮我们评估目前的策略是否有效、横向比较多个策略哪些更好，另一方面能帮我们思考如何迭代能让有效的策略更有效、无效的策略尽可能优化或摈弃。

一套技术方案

目标和理念统一了，就可以进入实操阶段了，由于工种所限，我主要从技术角度看在实操阶段有哪些工作要做，也就是前面提到的一套技术方案。无论是为了量化指标，还是落实数据驱动的理念，首先需要一套完善的数据平台，包括用户数据的收集，ETL，数据的分层，数据的展示等，也就是常见的数据管理平台（DMP）。第二，为了能够给不同的拆分子指标配置对应的运营策略，需要一个运营配置平台，能够配置、下发运营任务。第三，在数据驱动理念中，很重要的一环就是实验方法，所以需要一个实验平台。实验平台需要满足三项功能：（（1）圈选人群，通过一定规则选定实验人群；（2）分层分桶，通过算法将实验人群随机分成若干小份，再进一步选择其中的若干份用于分组；（3）结果展示，将实验的结果和结论科学地分析和展示。这三套平台的架构已经比较成熟，这里不做展开介绍。

除了这三套必备平台，还有目前比较热门的机器学习算法，也在用户增长中发挥重要的作用。下面介绍一下机器学习算法在用户增长的哪些位置生效。

首先如何找到目标人群，提升策略精准性，增长策略实施的第一步是通过标签圈选目标人群。使用多个标签，理论上能够得到足够精细的人群，然而有两个明显的的不足。一是标签筛选依赖操作者的主观经验，而且需要反复实验验证才能得出针对某一个细分人群的较优策略，难以达到最优。二是，标签实际上是一套粗规则，使用标签后势必会把不在标签规则范围内的用户过滤掉，而这些被过滤掉的用户中很可能包含大量目标用户。

在定位目标人群的工作中，算法有两种方式发挥作用。一种是Lookalike相似人群扩散，Lookalike是一种通过“找相似”来进行人群拓展的方法。当获得一个种子人群之后，参照种子人群的特征在所有其他用户中进行匹配，找到指定数量的相似用户。种子人群拓展以后通常会用于策略下发。

另外一种是目标人群预测，当设计一个策略时，需要考虑这个策略会对哪些用户有效。在用户增长中，这个“有效”除了指用户感兴趣、会点击以外，更多是指策略生效后能否有效提升增长目标。如果这个策略需要付出补贴或现金激励，还需要看ROI是否足够高，从而避免把成本消耗在没有增量的用户群中。通过对用户接受策略之后的反馈进行预估，我们可以找到更应该下发该策略的目标人群。

目标人群的预估要先有目标，还需要一系列约束条件，以保证在此约束条件下完成目标。

找到目标人群，完成了效率提升的第一步。这一步的价值在于不再用简单规则圈定人群，避免了策略的错发、漏发和无效下发。

算法发挥功效的另一方面表现在优化策略的针对性和转化率，提升策略效果。概括一下常见的有四个方面，提升转化率、提升投入产出比、提升收入和全局优化。

提升转化率 有了目标人群之后，策略下发后能否生效，就需要关注转化率问题。转化率问题除了涉及每个环节的单点转化率以外，更重要的是要关注策略从下发到影响用户产生行为变化的完整转化率。提升转化率包括点击率优化和完成率优化。

提升点击率从算法侧看，主要是利用推荐算法切准用户的潜在兴趣点，核心是基于用户的潜在兴趣和意图做好内容与样式的预先匹配。通过算法模型可以做到不同用户看到不同的营销策略，甚至同一个用户在不同的场景中看到不同的策略，这种效率提升是人力无法获得的。

完成率优化，相比单个环节的点击率，很多时候更需要关注最终的整体转化。例如，推荐一篇文章之后的读完率、一条短视频的完播率，以及一件商品的完单率等。用户完成关键行为往往与后续留存正相关，所以对完成率进行优化非常有必要。对于读完率和完播率，预估模型的目标就转变为完成这个关键行为，比较常见的方法是多任务学习模型，如ESMM、MMOE。

提升投入产出比 投资回报率或投入产出比（ratioon investment, ROI）是需要花钱的增长策略都应重点关注的指标。对于付费投放的获客、促活，需要思考花钱购买的用户在后续一段时间是否可以创造高于成本的收入；对于通过各种补贴提升用户活跃、消费的策略，也需要关注收益是否能够补回补贴支出。总而言之，只有在ROI或预估ROI足够高的前提下，这些增长策略才能够持续进行。

通过广告投放获得新用户或唤醒沉默用户，是一种很常见的获取用户的方式。在决定广告的展示顺序时实时竞价（real time bidding, RTB）技术是非常重要因素。RTB是一种利用第三方技术在网站或移动端，针对每一个用户展示行为进行评估及实时出价的技术，是APP获客和激活的主要方式之一。RTB一般按有效点击结算，用户的每次点击都需要给平台支付费用，而每次点击的价格就是当次的实时出价。在用户增长工作中，同样多的预算需要获取尽可能多的用户。这就依赖动态的、有针对性的报价，并以尽可能低的价格获得用户。通常可以用ROI来评估付费获客的收益：ROI=获客收益/获客成本。此处的获客收益主要是指用户进入APP之后的收益预估，获客成本则是实际支出的CPC（cost per click）。用户增长的目标之一就是提升ROI，主要方法是根据用户的潜在价值进行实时调价。OCPC（Optimized Cost Per Click）是一种DSP平台自动调价的方式，可以完成实时调价的任务。

付费增长还有大量策略是通过向C端用户发放补贴完成的。补贴的目标是提高用户活跃度或消费，其中最主要的约束条件也是ROI。这里的ROI=收入增益/补贴支出。收入增益是指由于用户活跃度提升而带来的广告收入或商品收入增量，补贴支出则为实际消耗的预算总额。ROI的提升思路是如何补贴尽量发给能够获得收入增益的用户。具体有两种思路：其一，增大分子，即提升收入增益，避免无效补贴；其二，减小分母，即将补贴更加精细化。

第一种思路的具体做法就是找到具备补贴弹性的用户，通过补贴刺激转化。第二种思路是在第一种思路的基础上继续优化成本，通过动态规划等方法给不同用户不同额度的补贴，进一步提升ROI。

提升收入 用户增长的最终目的之一是提升收入，收入主要分为广告收入和商品收入两大类，其中商品包含服务和实物。算法侧提升广告收入的主要做法则是优化广告展示和排序、将广告的展现做到精准合理。对于广告的精准性，个性化是用户点击和消费广告的关键，提升收入的主要途径也就是提升广告转化率。预测千次曝光价值（eCPM）常用于表征平台流量的价值，它受到点击率（CTR）、消费转化（CVR）和广告主出价（BID）的影响。个性化广告能够做到的就是提升CTR和CVR。商品收入主要依赖推荐和促销，算法模型在其中的很多环节担当着重要角色，比如推荐系统中的画像、召回、排序都非常依赖算法模型。

全局优化 还有一些工作着眼于产品全局甚至整个行业生态上。从具体的拉新、激活、促活工作向上思考，需要关注用户在整个生命周期的价值（Life Time Value, LTV）。LTV体现的是用户对产品商业收入的贡献程度。通过LTV预估模型，可以从用户新增后一段时间内的行为数据得到其整个LTV的预测值。这个预测值将指导我们及时去做下一步的营销策略。

商业收入分为广告收入和商品收入两大类。以广告收入为主的产品，LTV的预估主要看中用户的留存、消费时长，如今日头条、腾讯新闻等。以商品收入为主的产品，LTV则主要关注用户的消费能力、消费意愿，如京东、快手（直播打赏）等。针对两种收入方式的产品，实现LTV的预估方法也有所不同，但核心方法都是基于初期收入贡献预测长期收入贡献，或基于个体收入贡献均值预估整体收入贡献。LTV是整个生命周期的总价值，也可以预估截至用户新增N天的价值，即LTVn。例如，LTV30是指用户前30天的商业价值贡献。

以上是目前常见的算法技术在用户增长中发挥作用的方式，每一个角度的展开都涉及到很复杂算法工作，不在这篇文章里展开。

总结

以上就是通过近期学习，结合自身实践做的一些总结，希望对读者朋友们有帮助。由于水平有限，用户增长又是一个非常大的主题，难免有错漏之处，欢迎大家批评指正。