三本互联网相关的用户增长书籍，特点为工作实践总结。笔记只摘录了增长工作理论和实践，其他内容比如用户增长团队搭建，工作流程未涉及。主题阅读的好处在于能‘兼听则明’，不同视角也启发额外想法。

本来是规划了三个内容：读书笔记、工作实践、研报笔记（产业相关）。暂且补完一个坑，后面的内容估计要鸽很久了。

01

—

《我在一线做增长》

1.如何定义增长

一句话：让更多用户更高频率地使用核心产品功能。所以有三个关键要素：用户，高频，功能

2.增长项目设计与执行

增长项目总结归类为4类：漏斗型增长、功能型增长、策略型增长、整合型增长。

• 漏斗型增长：在做漏斗型增长项目时，我们也是把用户在产品中的体验流程拆解为一个个细小的环节，通过优化每个环节的转化效率，提升用户整体的LTV。以共享单车为例，为了提升用户从注册到首次下单的转化率，新注册用户可以获得免押金且免费体验骑行的特权，这样就能极大降低用户首次骑行的门槛，从而让更多用户发生首次骑行。这么做的核心逻辑是相信自己的产品体验足够好，尽可能地降低门槛让用户体验几次，他们会自然产生复购行为。
• 功能型增长：功能型增长一般就是给产品增加某种功能，从而带来用户的增长或活跃。大家常见的分享功能、给用户发红包、邀请拼团享低价等都属于这类。功能型增长往往要和策略型增长结合，才能充分发挥优势。

工作中的确如此，功能上线时主要考虑功能的可用性和覆盖度。当然功能开发时需要支持策略配置，比如角标功能，需要支持AB实验（人群），支持角标样式&内容可配置等，初步上线时可能不需要十分完善，但要有前瞻性，预想到后续迭代。

• 策略型增长：叠加在功能上，可以实时调整功能中的某些元素。比如push：分析用户数据，形成一些用户标签或画像，给部分用户发某种类型的消息，甚至通过不断手动筛选用户群组和更换消息类型，就能找到一部分特别适合推送某种消息的用户。寻找这种特定的映射关系就是我们通过测试发现的一种发Push消息的策略。红包：可以随时调整，通过特定的算法让红包金额、中奖概率、大额红包发放时间段等全部可配，后续再通过订单数据来实时调整策略。
• 整合型增长：核心是做用户消费的闭环体验，比如o2o类型产品需要做线上线下深度融合。

3.HVA模型（高价值行为）

引导用户完成高价值行为，可以提升用户LTV

3.1如何衡量高价值行为的收益？尤其是通过补贴换取

一般来说，针对某个HVA，总是会有部分用户在某个时间点已经产生了这个HVA，我们就可以用已经产生了这个HVA的用户的数据去训练一个模型。通过大量的数据训练，我们就能得到一个价值预测模型。这个价值预测模型可以预测出用户如果产生特定的HVA，他们对平台的价值贡献会变成多少。把在过去同一时间段内没有产生这个HVA的用户的数据代入这个模型，用模型来预测，我们就会得到一组价值预测值。把根据这一组没有产生HVA的用户的数据预测出来的平均用户价值和他们实际的平均用户价值比较，就得到一个差值。这个差值就是这个时间段内用户产生HVA带来的价值差异。

3.2如何找到HVA？

常见的HVA还包括用户注册、用户首单、用户关注其他用户或内容等。通过我们的经验、直觉或所谓的手感等，是能够找到很多HVA。

书里没有讲方法，但这个HVA概念和增长黑客的魔法数字基本相同，方法可参考，核心是罗列出潜在有价值的用户行为指标，计算其与LTV值的相关性。

3.2如何完成引导HVA

没有具体的策略，理论来源于《思考快与慢》这本书

快思考引导逻辑的设计其实就是信息呈现框架的设计，常见的策略：引导用户产生强烈情感；利用默认选项引导；将重决策细化成多个轻决策；利用损失厌恶；利用认知引力场，比如光环效应，锚定效应等。

聚焦周期重复性以改变用户的习惯案例：ofo‘超级星期5’活动背景：让日订单量冲上一个高峰3000万，一般周五是订单的高峰，因此决定在周五冲刺这个高峰运营：周五活动，做成周期性，每周5重复的系列活动，结合红包活动，增加惊喜大奖思考点：增长关注的是长期效能的提升

聚焦于引导用户产生HVA案例：贝壳找房背景：讨论做一个抽奖类游戏，以提升用户活跃度。但对用户的长期行为影响不大，不能有效提升LTV。做的一切活动是提升用户的成单概率，房产交易周期较长，中间环节比较多，要让用户体验到产品对于用户买房有帮助，运营围绕着引导用户体验有价值的功能为主。方法：策略是引导用户去添加自己的资产或者关注某个房源，直接模仿添加资产和关注房源的功能逻辑，把这个过程做成一个游戏。这个游戏的每一步都对应了实际功能的每一步。用户做完这个游戏，也就对产品的实际功能和其带来的相关效果有了认知

4.高频产品增长方法

需求特点：短决策，低门槛增长手段：

• 高频非交易类产品：通过物质激励（红包现金），常见的有刷新闻赚金币。
• 高频交易类产品：主业优惠激励，比如优惠券刺激产生首单消费。各电商APP。

5.低频产品增长方法：

低频价格可控性产品：

背景/目标：用户增长要研究如何在给定价格的前提下提升ALTV方法1：通过提供一个一次性的与场景挂钩的优惠体验价，让用户增加对低频产品使用场景的联想案例：滴滴豪华车目标：吸引更多的人使用豪华车思路：拓展豪华车的使用场景，除了高端商务人士的通勤外，拓展人群和场景，比如父母或配偶生日，用豪车接送；约会等场景。措施：1）通过用户画像圈定符合一定条件的用户；2）提供一些特定场景的首次体验优惠。方法2：利用供给端的闲置时间，提升供给端利用效率案例：滴滴豪华车背景：用户在叫豪华车时，因车辆供给少问题，需要预约，不然等待时间长。但如果增加车辆，没有足够的需求来支撑供给，很难建立一个正向循环。思路：探索利用豪华车在需求热点区域之外的闲置时间，来服务更多用户方法：豪车停在需求热点区域外，可能长时间没有订单，可以通过优惠券等方式将专车需求升级体验为豪车需求。

低频产品中高客单价情况，比如二手房交易特点：不太可能通过调整价格来创造新需求；用户交易后，交易间隔很久，复购需要很长时间；低价补贴后亏损很难弥补核心：低价高客单产品的核心是用户的精准度弱需求用户：引导用户体验产品的核心功能，体验才能记住，为后续需求埋下快思考线索。案例：二手交易APP，引导用户订阅车型信息强需求用户：在关键窗口期介入，影响用户决策。建立用户成交意愿识别模型，通过逐步迭代提高预测准确率

02

—《用户增长实战笔记》

1.如何开展用户增长？找方向

• 提升用户价值
• 借助宏观机会顺势而为
• 商业模式优化点

找切入点

1. 明确增长目标，找北极星指标，对指标进行拆解，拆解后的公式即为增长方向。比如日活=新用户+留存用户+召回用户。另外，可以通过对指标的分布拆分来确定增长方向，比如月活用户，可以拆分为高中低活跃天数，增长方向为提升低活跃天数用户的活跃天。
2. 找用户核心路径的断点
3. 找用户行为与增长目标的相关性， 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。
4. 形成增长假设，开展增长策略实验。

2.准确评估实验效果

准确分析的前提：

1.正确选择目标指标：要关注核心结果指标，而非过程指标。比如红点点击是过程指标，红点点击人群的次留和消费指标提升才是关键。2.实验组与对照组具有可比性：保证随机分流；保证样本独立（注意用户间的干扰和流转）

双端干扰：比如打车补贴实验，实验组给补贴，会提高叫车率，会导致对照组的用户更不容易打到车。解决方案：选取两个隔绝但基本一致的市场做实验组与对照组

组间流转：比如对低活用户设计的实验，当策略生效后，用户从低活转为高活，后面几天的实验中会发现策略影响的人群会越来越低。解决方案：用户策略生效后，数据也同样记在实验组内。

3.实验分析三要素：

• 样本：分析哪群用户？
• 指标：根据实验目的而定，通常包含整个人群的总体指标和人均指标两类，如实验组总时长、实验组人群时长
• 维度：时间维度——即统计一天，还是完整的用户周期；人群维度——仅看当日实验用户，还是累计实验用户等。

4.三类实验场景：

• 流量型

流量型指从所有流入实验场景的用户群中依据某些条件筛选一部分，随机分组下发不同策略。流量型实验最为理想的，因为整体样本可以看成一段时间内状态稳定的群体，由于在实验前的一段时间样本也是活跃的，可以得到理想的空跑实验期数据，即分好实验组和对照组后并不立即下发策略，而是观察一段时间以验证分组的均匀性。拉新或者沉默召回实验等不会有这样的条件。

可以不设置空跑期，而是通过分析人群前一段时间的消费数据来确认是否均匀。

样本：进入实验场景的用户群。其中有些实验，策略会对进入实验组的用户全部生效，不存在触发条件。

指标：因为是全部的活跃用户，人均类指标更可靠。

维度：时间维度-关注完整的实验周期指标，即累计数据。人群维度-当天进入实验场景的活跃用户。

案例：APP首页功能入口素材实验，详情页布局实验等。

• 唤醒型

圈定特定人群进入实验。与流量型实验最大的差异是唤醒型实验在进入实验前用户已经完成分组。

样本：唤醒型实验需要分析所有圈选的用户，而非仅看活跃用户。

指标：因为实验组下发了召回策略，可以预见实验组的活跃用户更多，通过分析总指标，比如DAU,总时长的差异，即为实验效果增量。人均类指标，一般是总时长/活跃用户，因为实验组召回了很多低活跃用户，会拉低人均类指标，得到实验效果负向的错误结论。

维度：时间维度-唤醒类策略效果会持续一段时间，即便用户不再处于实验条件内（比如过去7天无活跃），也会有活跃效果。但此时如果仅统计策略命中用户会漏统计。因此需要看长周期和累计用户。

案例：沉默用户召回实验，APP图标红点实验等

• 分享型

分享型实验涉及到分享者和接受者两类用户。比如不同分享文案对分享点击率的影响实验中，实验组和对照组用户可能存在相同的好友，好友（文案接受者）很可能先后看到实验组与对照组分享文案。设计实验时无法保证用户分享给谁，也就无法预先设置‘分享者-接受者’用户对。

样本：实验样本取决于实验目的，如果核心指标为点击率，点击率是由接受者产生，样本则为接受者。如果指标是分享率，由分享者产生，则样本为分享者。

指标：分享率，点击率等比率类指标，以及分享次数等人均类指标。

维度：时间维度-通常看实验周期内汇总；人群维度-关注当天命中实验的用户。

案例：分享图标优化

5.如何挖掘实验价值

效果好如何乘胜追击？

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。

效果差如何提炼价值？原因1：策略并没有触达足够多的用户。

可以通过漏斗分析找策略无效的根源，即策略下发到生效过程中各个环节，转化率，量级都是怎样的。

案例：红点召回——问题点：两个地方折损点：请求到成功返回，原因是红点规则过滤掉很多人；第二是曝光环节，原因是与小说红点冲突，优先展示小说红点。原因2：策略下发无误，但整体没有效果。

下钻用户分群的效果，有可能是某一部分人正向，一部分负向，导致整体无效果。

03

—《如何做用户增长更有效》

1.用户增长定义：用户增长一般指日活增长。

日活：需要区分前台日活，后台日活和行为日活。

2.用户增长模型：

用户增长模型=当天的新增用户和此前每一天新增且在当天留存的用户之和。用户增长的切入点：影响用户增长的速度和天花板的因素有两个：新增用户数和留存率。

3.如何提升留存率？

用户为什么会留下来？产品的核心价值达到或超过用户预期。并随着竞争加剧和用户需求变化，不断满足用户的新预期。

3.1如何提升用户短期留存？

引导用户形成合理预期：寻找用户预期：1.通过访谈了解用户需求；2.通过行为路径拆分，数据分析找到对用户有用的点。将产品预期传达给用户：广告素材相关的优化。

满足用户预期。不同渠道用户有不同的预期，我们应该通过展示与其预期相对应的内容来承接，比如通过dp，用户安装后，根据点击的广告素材来推内容。让用户尽可能快地感知核心功能，删除多余的步骤；优化步骤-新手引导。

超出用户预期。在满足用户需求的基础上，做到更好更快更准更多的使用体验。

3.2如何提升中长期留存率？

随着用户使用产品更久，预期也在不断提升，要及时关注预期变化，符合或超过用户预期。

案例：直播平台

用户预期：找到内容好看的直播间，轻松与主播互动

留存率下降原因：用户预期提高后，我们提供的价值没有变化，导致用户感受的价值降低

解决方案：让用户关注更多的主播，形成稳定的关注关系

3.3如何唤醒沉默用户和召回流失用户

核心问题：如何主动触及用户，帮助用户形成使用习惯。

主动触及方式：push与桌面角标

形成用户习惯：围绕产品自身核心功能的使用，衍生出其他定期激励。比如签到系统，每日任务系统。

4.用户增长数据报表增长仪表盘内容：

1. 宏观数据：大盘数据，日活，留存，使用时长
2. 关键路径数据：指用户使用产品时的核心行为，是体现产品核心价值功能的使用行为

• 关键行为渗透率：即日活用户中，有多少人使用，该行为的发生率
• 关键行为人均次数：发生该行为的用户，人均会发生几次
• 关键行为漏斗数据：如果该行为是比较深的，需要搭建一个记录每一步的行为漏斗，看每一个环节的折损

我自己的经验是行为次数的分布数据：比如人均点击次数是一个均值类指标，很容易掩盖问题：低发生次数的人群占比（1次），是否有极大值导致均值偏差。

5.用户增长案例:直播产品

5.1问题：如何让优质的直播间优先被用户看到？

拆解成两个问题：

1. 何为优质直播间？
2. 如何保障优先看到？

5.2如何定义直播间是否优质？优质的定义：

初步阶段，我们希望用户能够更多地留在直播间，促进用户与主播之间互动（公屏消息），即能不能留住用户；能不能让用户聊起来。而优质的直播间应该能促成上述目标的达成。指标

• 直播间人数
• X分钟留存率：x可以选择为3分钟或者5分钟，其实与跳出率类似。以5分钟留存为例，其定义为在一个5分钟的时间段内，前2分钟进来的用户数记为m，在5分钟时间段过后（3分钟后）依然在直播间的用户数记为n，则5分钟留存率为r=n/m
• 人均公屏消息数：发言总条数/发言总人数
• 公屏消息率：部分粉丝可能发布较多消息，还要衡量互动的覆盖度，发言人数/直播间总人数

5.3如何优先看到？

对直播间的优质程度打分，分数高的直播间排序更靠前，更容易曝光。

线性加权：rankvalue=ax+bx+cx。计算时需要注意：

不同因素归一化方法，从产品业务角度进行的非线性归一化：比如人数，当人数大于阈值后，其过高的人数重要性已经不大了，可以不需要再继续加权。

比例类指标加权：需要注意分母是否过小，比如留存率，当仅有一个用户且持续消费时，留存率为1，需要对分母最小阈值。

5.4如何迭代上述模型？

首先定义迭代目标：

一个好的列表就是让用户看到就想去点，然后一直观看，不停地和主播互动。从成本和收益的角度来看，列表中任何主播的直播间的曝光都是我们的成本，因为用户（流量）是有成本的，所以我们的收益应该就是点击、观看时长、公屏消息数等

指标

• 直播间点击量/列表页的曝光量
• 直播间的人均观看时长/列表的曝光量
• 直播间的消息总数/列表的曝光量

5.5如何解决热门列表的马太效应

5.5.1问题背景

在进行了很多次的热门列表调优后，我们又遇到了更严重的问题。列表排序主要依据的是直播间的用户数和留存率等因素，加上一些运营策略，诸如置顶、运营内容优先等，在上线后基本可以满足挑选出质量较高主播的目标。但随着用户量的增长，头部集中的问题就慢慢显现出来了，大部分用户集中在少数几个人的直播间里，其他的直播间很难被看到。这就是我们常说的马太效应。

5.5.2如何衡量流量集中的问题严重度

从成本和收益的角度来考虑，直播间的曝光其实就是平台的成本，相应的转化，比如，点击、评论、关注、礼物等就是平台的收益。我们可以套用计算广告中的一个数据，每1000次曝光带来的收益，即RPM（RevenuePerMilleImpressions，千次曝光收益）。

平台排序Top直播间的RPM，特别是一些置顶直播间的RPM，结果发现远远低于平台均值。这就说明，头部主播已经被过度曝光了，我们给他们的曝光没有换回相应的收益

5.5.3降低马太效应的措施

• 控制置顶行为
• 取消某一些优先规则
• 随机抽取主播曝光：我们将排序分成若干段，将主播分为大主播、中主播、中小主播、小主播等几个级别。然后，从这几个级别中随机抽取部分主播组成一个用户的列表。这使得每个人看到各种类型的主播的概率增大了。

5.5.4衡量流量打散效果的指标如何量化上述措施是否有效？

• 有人看过的直播间比例（有人看过的直播间数/所有直播间数）：更多的直播间被看到
• 第一个人进直播间的平均耗时

微信公众号： 回首又见他