用户增长实战笔记

本书主要介绍了用户增长的本质、如何搭建增长模型、如何找到增长点、如何做实验、如何验证效果、怎么搭建系统、团队。把如何做增长这个事情，从开始到结束讲了一遍，有概念、有底层、有案例、有注意事项。在增长系列书籍中算一本好书，之所以不是5星，只是因为是专业书籍，不是通用书籍，所以给了4星。

推荐4星，可读。

1）用户增长的本质

用户增长主要站在用户角度思考，强调基于用户价值提升的增长，关注的指标除了用户规模和商业收入，还有用户时长、用户满意度等体验指标。与增长黑客一样，用户增长也强调以实验方法为核心，支撑科学高效的产品和运营决策。相对于增长黑客的偏技术范儿，用户增长更像产品策划和产品运营工作的一次迭代，更注重目标导向和数据驱动，是一系列的思考方式和工作方法。

用户持续使用某一款产品的原因可能有很多，但本质上都是由于产品为用户提供了某种其他产品无法提供的价值。用户使用产品获得了价值提升，包括但不限于获得好友、愉悦、知识、实惠、收入等，才会继续使用，甚至呼朋唤友一起使用。

2）如何定义用户价值提升

互联网商用至今，用户增长的底层逻辑没有改变，即用户价值的提升带来持久、健康的用户规模和收入增长。那么，如何定义用户价值的提升呢？俞军老师在多年前就提出了以下用户价值公式：

用户价值=新体验-旧体验-替换成本[2]

借助这个公式可以定性地描述价值提升的两个途径：其一，提升新旧体验差；其二，降低替换成本。

新旧体验差最终需要用户的切身感知，除了保证新体验足够优秀外，产品或厂商需要用营销手段说服用户愿意尝试新体验。例如，“充电5分钟通话两小时”的快充体验，用户一旦尝试过就很难再用回普通充电器。

替换成本可以理解成用户从一个产品迁移到另一个同类产品时，所需要花费的各种成本之和，包含如下载App、注册、绑定支付方式等。以电商为例，除了直观的降价，还有各种优惠券补贴或红包。正如前文提到的深入人心的拼多多百亿补贴，使其不知不觉成为数码爱好者够买电子产品的重要平台。

降低替换成本，除了狭义的降低支付成本，还可以推广至降低信息获取成本和完成消费成本。例如，划一下屏幕就能沉浸式观看的抖音和快手，省去货比三家的直播电商，都因不需要搜索和对比而极大地降低了用户的信息获取成本；短视频和直播的消费门槛几乎为零，相比图文信息，极大地降低了消费成本。

俞军老师的用户价值公式直观地呈现了提升用户价值的两条路径。此外，还有一个略显抽象的价值提升视角，便是网络效应。硅谷著名投资人里德·霍夫曼在《闪电式扩张》一书中给网络效应做了如此定义：“当增加任何一个用户都会增加产品或服务对于其他用户的价值时，这种产品或服务就会产生积极的网络效应。”这种效应也被经济学家称为“需求方规模经济”，通过用户间产生连接增加彼此的价值。网络效应最具代表性的案例就是社交网络，如微信和微博，随着用户增多，网络中的关系链越来越复杂。用户拥有更多好友，用户之间有更多互动，网络强度也会越大。如今的抖音和快手同样形成了巨大的网络效应，使内容生产和内容消费建立了连接。随着用户增多，内容生产者发布的视频能够有更多消费，也能获得更多激励；内容消费者能够获得免费优质的内容，也能够发表评论、参与互动，得到来自其他用户的反馈。因此，通过网络效应提升用户价值，也是获得增长动力的有效途径。它并不局限在具象化地提升某个用户的个人价值，而是从一个更高的维度产生系统化提升。

用户增长离不开用户价值的提升，并且需要将其理解为大部分用户的价值提升。无视用户价值的增长，或者无法保证持续的价值提升，更多也只是自嗨式的短暂狂欢。

明确了用户增长的动力，我们还需要考虑如何将“价值提升”这个信息传递给目标用户。尤其是在一些红海密布的细分市场，已经有很多对手在抢夺用户，只有脱颖而出才能继续生存。所以，价值传递这部分工作在用户增长中同样关键，需要通过营销策略来完成。营销策略需要建立在正确的商业模式之上，需要符合全社会的宏观发展趋势。总之，用户增长不是一个一个的单点工作，它需要我们具备全局视野。

3）搭建增长模型

企业在做用户增长工作规划时需要关注全局，看整个用户链路和生命周期的各个环节。最常见的AARRR模型及强调留存的RARRA模型都能够很好地帮助我们做初步梳理，然而切入具体的工作时，这些“大模型”过于粗略，往往无法指导工作的展开。此时就需要我们对增长目标进行拆解，细化出具体的增长模型。

假设经过深思熟虑后确定要提升的指标是DAU（日活跃用户），但只有一个DAU目标还不能指导任何工作，这就需要对DAU拆解到可执行的程度。例如，可以把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）。这只是一个典型案例，工作中目标的拆解还会有其他视角，笔者将在后续章节中继续介绍。

4）找到策略切入点

知道了如何发力，用户增长工作最终还需要落到具体的策略上。策略人员通常可以借助因果性和相关性分析来寻找策略切入点。

首先考虑的是因果性。想知道某个指标为什么不涨，策略人员可以从产品逻辑推演和用户反馈中直接找到原因。定性的方法就是找典型用户去询问验证，定量的方法则可以通过最直观的漏斗分析来定位用户路径的“断点”。理解用户需求，提升用户价值，是产品经理、产品运营的必备技能。

其次考虑的是相关性分析。策略人员通常可以分析增长指标和用户行为之间的相关性；找到高相关行为后，把具体策略定位到提升该行为频次或深度的指标，以验证是否能够增长目标。例如，活跃用户的次日留存与用户活跃当日的使用深度高度相关，包括信息流App的时长、图文阅读（Page View,PV）、视频播放（Video View,VV）等，我们可以优先提升这些指标。通过相关性分析找到策略切入点，是非常重要的用户增长手段。

通过分析形成增长假设后，我们需要实验方法来验证假设是否成立，以及量化策略的效果。例如，需要验证施加与不施加策略、发布与不发布功能，前者究竟提升了多少增长指标等。综上所述，当确定了增长方向后，用户增长主要的工作内容包括分析数据、形成假设和实验验证三部分，三者循环就是用户增长的核心工作流。数据驱动和实验方法的广泛应用，也是用户增长和传统产品运营、产品经理工作事项的最大不同。

5）不同角色从不同维度思考增长

如果你是企业的中高层决策者，首先建议你关注产品所处领域的宏观机会，产品当前的目标是否可以借助趋势的势能。其次，建议你审视以下一些问题：目前的商业模式是否存在可优化点；目前产品的设计和运营是否围绕关键目标在进行，是否使用了数据驱动的方法；目前的营销策略是否能用实验方法来量化效果。

如果你是一名产品经理，负责某App核心功能的策划，建议你关注用户价值的来源，思考如何持续提升用户价值。除此之外，你还需要关注产品中是否有充分的数据采集，因为这是全面的数据分析，尤其是用户行为分析不可或缺的一环。整个App的用户增长依赖其各个核心功能的用户规模、时长和留存，建议产品经理去探索自己负责的功能与整体App的活跃、留存有何关系。这个功能是拉动大盘活跃，还是被大盘供养，它的价值在哪里？

如果你是一名产品运营，负责提升活跃用户的次日留存，那么建议你关注最近一段时间同类App的留存数据。你可以研究留存较高的产品，主要用什么样的营销策略在提升或保持高留存；找到可以借鉴的手段后，在App中进行一些低成本的实验，不断摸索出哪种策略能够有效触达并留住用户。此外，你还可以从已有数据中寻找哪些用户行为与用户后续留存率高度相关，这些都存在增长机会。

6）制作增长策略关键步骤

通过数据驱动找到策略的切入点，是用户增长区别于传统运营的重要特点。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。第二，找到策略切入点，或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。第三，形成增长假设，设计和展开实验，验证假设。

7）形成增长假设

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。为了保证假设的目的性，可以由增长目标反推来描述。我们继续以提升DAU为例，介绍如何形成增长假设，以下样式可供参考。

增长目标：提升DAU。

子目标：提升活跃用户次日留存。

关键结果：通过提升活跃用户消费时长和PV，拉动用户次日留存提升。

主要假设：

（1）提升活跃用户消费时长，能够强化其使用App消费的习惯，并因此提升次日留存；

（2）提升活跃用户消费PV，能够提升用户的消费深度，并因此提升消费频次，最终提升次日留存。

实验要点：

（1）验证推荐热门视频和长图文，引导用户完成5分钟消费后，是否能提升次日留存；

（2）验证增大相关推荐的曝光区域，是否利于提升PV及次日留存。

完成上述增长假设的制定后，大家就可以分头推进了。为了更科学、高效地完成假设验证，这些事项需要团队作战，也就是需要一个具备产品、运营、分析师、开发资源闭环的增长团队。只有这样才能够保证目标的高度统一，保证上述策略得以高效地被执行。

8）营销策略围绕核心服务的几个案例

从用户增长的全局来看，所有营销策略都在围绕一个核心服务，即如何将“用户价值提升”这个信息传递到位。让用户知道使用某个产品或服务能够在某一方面得到提升，这是拉新和拉活的关键。让用户知道反复使用某个产品或服务能够持续获得价值提升，就传递了一个持续、高频使用的理由，自然能够带来用户活跃度的提升。同理，只要能真诚地让用户知道必要的广告收入是企业提供高质量服务的保障，并尽可能让广告服务于目标受众，用户自然也会更易于接受广告。而说清楚付费之后能够得到的特权和更高品质的服务，增值服务的收入也就水到渠成。

9）科斯定律

在交易费用为零或足够低的情况下，不管资源的最初主人是谁，资源都会流转到价值最高的用途上去”。

资源会流动到最善于利用它及能最大化其价值的人手里，我们要做的可以是提供必要的便利、加速流动过程、做好资源倾斜。

首先是提供必要的便利，我们来看二手资源交易这个领域。二手交易相关的服务商已经着力在做好通道搭建，例如，线上C2C形式的闲鱼、线下B2C形式的爱回收，以及京东上门二手回收等，我们可以在很多电商平台、线下商超看到回收点。此外，京东App的用户订单列表中可以直接一键转手，这也为加速二手资源的流动提供了便利。

其次是加速流动过程。大方向上，资源必然会流向价值最高的用途，我们能做的就是缩短消耗在中途的等待时间。最深入人心的是支付宝花呗和借呗，将小额资金借贷的完成时间缩短到分钟甚至秒级。还有大家已经习以为常的共享经济代表——租车和共享单车，为信用较好的用户提供免押金，也是在缩短等待时间。再有在京东或淘宝上卖出二手商品或申请退货，如果用户的信用良好，都可以立即获得平台的预先垫付款项。这种超出预期的体验不仅让资源加速流向更善于利用它的优质用户，还获得了口碑传播。

最后是做好资源倾斜，我们可以回到短视频平台的案例。最善于把握用户消费口味的草根创作者、MCN，他们最能充分利用好内容消费者这个巨大流量。因此，平台的资源会向其认为更善于利用流量的生产者倾斜。推荐算法也在不断地帮助其获取各自的粉丝和观众，平台也因此获得了源源不断的原创内容和用户流量。

10）信息不对称

信息不对称的概念来自经济学家阿克罗夫，它表述的是这样一种场景：在交易中，卖方可以控制产品的质量，要么提供高品质产品以求高价，要么提供低质产品以求低价，而买方无法确定卖方究竟提供的是哪种产品，所以只愿意出一个中间价。卖方见买方只能出中间价，便只能提交低质产品。因此，买方会进一步压价。买卖双方经过多次博弈，最终无法成交。这个场景也被称为“阿克罗夫困境”。

信息不对称普遍存在，我们在用户增长工作中也会经常碰到。谁先填补好信息差，谁就更有机会。最常见的方式是给用户提供一些克服信息不对称的办法，有助于提升转化率。例如，在电商中我们可以看到保价、延保、7天无理由退货。

滴滴在做司机招募时宣传的最大利益点就是可以轻松挣钱，但是从潜在司机的视角看，并不清楚是否真能获得满意的收入。为了消除这种信息不对称，提升司机接单的转化率，滴滴平台给司机提供了保底收入：只要司机接满规定的单数，平台在月底就会至少发放一定的保底收入。

在外卖领域，饭点高峰期往往会出现订单延迟。顾客下单前无法知道准确的等待时间，这里也存在信息不对称。饿了么为会员提供了延误险，只需花几毛钱购买延误险，一旦发生订单延迟，就可以获得可观的赔偿。

消除信息不对称，预期会显著提升用户的购买转化，是非常值得尝试的办法。

11）边际成本小，策略放大

如果策略有效，且边际成本不大，就可以尝试做策略的放大。例如，常见的付费阅读类App为新用户准备了前3日免费体验的机会。对于策略，如果平台能够看到一定的效果，大可将免费体验延长到7天。对于平台来说，将3天免费提升到7天免费，边际成本并不高，但是能够让潜在付费用户更充分地体验到优质内容，对于付费转化的提升应该更有帮助。

12）做增长实验应该看那些指标

接下来确定每一组需要下发什么策略，这要严格遵守“单一变量”原则，确保能够评估需要验证的策略效果。最后，确定观测什么的实验指标，通常包括正向、负向指标，以及过程、结果指标。

正向指标是策略预期能够提升的指标。例如，某电商App以提升用户消费金额为目标的策略（以下讨论均使用这个案例），需要关注用户的购买转化率、消费金额等。而负向指标是指策略下发可能会造成下滑的指标，例如，该App选择在首页下发广告弹窗，就需要关注用户跳出率，甚至App的卸载率。

过程指标主要是指用户路径中各个环节的用户行为表现。例如，某电商App首页的广告弹窗（以提升用户消费金额为目标）能够监控到弹窗曝光率、弹窗点击率、用户落地页停留时长、落地页购买点击等，这些都是过程指标；而结果指标则是用户在策略期间甚至后续一段时间的消费金额。在这个案例中，因为策略的最终目标是提升消费金额，所以要首先关注结果指标以判断策略是否有效，再进一步分析是哪些环节存在问题，可能影响了策略的最终效果。这时就需要关注一系列的过程指标，最常见的就是通过漏斗模型寻找问题点。

13）断点回归实验验证方法

断点回归是一种直观的自然实验方法，下面结合案例来介绍。假设我们上线的是一个签到得现金红包的功能，签到满7天才能获得一个现金红包，需要判断签到红包对用户的留存是否有正向帮助。这个案例不能用随机对照实验的原因，是因为需要紧急上线，无法留一部分用户（无签到功能）作为对照组。顾名思义，断点回归是找到“6次签到无红包与7次签到有红包”之间的这个断点，观察签到6次与7次两个用户群体之间的留存率差异。如果差异显著，说明签到红包对于用户留存有帮助；如果没有显著差异，则说明签到红包对于提升留存大概率是无效的。如图3-7所示，我们可以看到本周签到6次和7次之间存在一个下周留存率的断点，说明签到得红包对于用户留存的帮助是明显的。

14）倾向性得分匹配

倾向性得分匹配（Propensity Score Matching,PSM）是另一种常用的自然实验方法，其核心在于构造一个与策略组可比的对照组。我们可以类比随机对照实验，通过PSM构造一个对照组。图3-8中的虚框为构造出来的实验组和对照组，实验组使用的是被策略命中的用户群，而对照组是通过计算倾向性得分，从命中策略的用户以外匹配出与实验组倾向性得分接近的用户群。

进行倾向性得分的计算和匹配，需要得到尽可能多的用户特征，如用户属性、用户行为等详细数据；每种特征被赋予权重，最终为每一位用户计算出一个0 ～1的数值。匹配时，如果我们的策略命中人群得分为0.68，那就可以在备选人群中选择得分在0.68附近，如0.67～0.69的用户群，作为对照组。PSM正是通过这种方式实现了对照组的“无中生有”，其准确定性依赖用户特征的丰富程度，理论上需要尽可能多的特征种类。而且，在匹配前除了看匹配分数以外，还需要检验分数的分布，以确保实验组和对照组的可比性。

15）活动数据分析陷阱

首先，分析需要正确选择关注哪些指标，即哪些指标的提升能够真正代表业务本身的增长。准确分析需要更多关注到结果指标，而不是过程指标，尤其需要警惕过程中一些无意义的虚荣指标。例如，某些以拉新为目标的社区电商地推为了追求拉新量，地推人员可能会过多地强调首次下单的奖励并现场手把手帮助用户完单，而忽略人群的精准性和购物的持续性（例如，让散步的一家三口全部注册下单），导致获得的用户留存极差。这里的拉新量实际只是一个过程指标，结果指标应该是看用户的主动复购率及一段时间后的购买留存。实验方法能提供科学的评估手段，但是无法替代对业务增长的理解。如果用得不好，反而会带来一些虚假繁荣，让后续的资源配置误入歧途。再如，线上策略中一些H5落地页的曝光量、某些活动的参与量、红包的领取量等都仅仅是过程指标。我们更需要回归策略的目的，关注策略对用户留存、消费时长、消费金额等和业务价值高度契合的结果指标。

16）用户策略效果好，如何乘胜追击

当“排除万难”得到非常不错的实验结果时，就可以考虑如何扩大这个策略的影响了。放量的节奏没有统一标准，可以根据策略的紧迫程度、成本预算甚至服务器的抗压能力等权衡判断。例如，通常可以选择分三步进行：2%→20%→100%,2%作为小流量测试，20%作为初步的测试，效果稳定后放到100%全量。

放量的节奏因策略而异，而发掘策略的通用价值应用到相似场景、相同问题中去，是实验的重要价值之一，下面给出两个案例。

案例1

假设通过素材优化，某个入口的点击率提升了2pp，接下来可以怎么做？有一些思路可以参考：首先，分析素材的优化，为什么提升了点击率，是利益点的吸引力更大了，还是文案更加吸引点击；其次，究竟满足了用户的何种利益点，是浅层的价值，还是触动了深层次的动机；最后，基于对前两个问题的认知，判断是否存在一些相关的场景、功能、页面，也可以使用类似的优化思路。

案例2

假设某内容消费App，实验发现在注册当日引导新用户完成收藏后，该用户群的7日留存率相比未做引导的对照组提升了4.5pp。这个提升非常可观，值得深挖其中的因果关系：为什么用户完成收藏后更愿意留下来。猜想应该是收藏后新用户在App内拥有一些“资产”，产生了黏性。但这只是猜测，还需要进一步设计实验来验证，例如，可以用更好的交互设计来强化收藏的感知，引入更多“资产”（如收藏得金币），进一步验证是不是因为产生了资产而提升了留存（可以参考3.4.3节提到的边际效果归因）。假设验证了用户完成收藏后，因为有资产而增强了黏性，就可以再放开思路：除了收藏以外，还有哪些优化可以让用户产生更强的黏性。例如，用户互动、有行为激励和成就系统等是不是会更好。这样，一个实验的效果就可以引导我们逐步展开策略的深挖和延伸，这是更高层次的“乘胜追击”。

17）策略效果不好，如何提炼价值

上面说到的是策略效果不错的情况，事实上，更多的时候需要面对策略的无效和失败。当策略无效时，除了失落和疑惑，也还有事情值得去做。

首先需要明确，策略无效可能是因为策略触达了用户，但没有改变用户的任何行为；也有很大的可能是策略并没有触达足够多的用户，自然也就没有明显的效果。通过漏斗分析可以找到策略无效的根源，即从策略下发到生效过程中的各个环节，转化率都是怎样的，是否存在某个环节产生巨大流失。按照目前的转化率，如果做了优化，效果是否会变得明显。过往的经历中，我们还发现过因为漏洞导致策略未能如预期下发，导致最终看不到显著效果的情况。我们可以先用这个思路尝试重新唤回希望。

另一种情况是策略下发无误，但整体没有效果，此时可以通过下钻分析去看各个用户分群的效果。通常可以通过用户的属性（性别、年龄段、地域、手机品牌等）及用户行为（是否登录账号、是否使用过某功能、是否有过支付行为等），将用户分为若干小块。需要注意，这个分块是同时发生在实验组和对照组中的，这样就可以“构造出”若干的细分实验了。例如，可以看到不同年龄段用户的实验效果，发现其中一些年龄段的效果是很不错的，而另一些年龄段的效果是负向的，很有可能正是这种情况抵消掉了效果，整体显示出策略无效。基于策略效果的分群分析，可以帮助我们找到新的假设，单独挑出策略有效的人群，严谨起见再做一次实验验证。而无效和负向的人群可以结合人群特点再分析无效的原因。

18）增量思维

之所以将增量思维放在第一位讲，是因为做用户增长最终需要关注的就是增量。作为一名从业者，首先需要判断产品方向是否具有增长可能、增长空间有多大，这依赖对宏观趋势、细分领域的清晰认知。公开的宏观数据、行业数据可以作为参考，必要时需要关注一些细分领域的专业报告、重点公司财报。增量思维还要求从业者具备理性的大脑，前文反复讲过，指标增长和策略有效并不是等同的，我们需要尽力做好归因。准确量化出策略对增长指标的增量贡献，才有可能对策略的效果进行放大和复制。增量的获得需要借助很多数据分析的方法，最常见的是随机对照实验方法。对基本实验方法的理解和实验结论的辨别，是判断从业者是否具备增量思维的关键。