顾青的增长问答：忘记AARRR和重视用户研究

许多人一谈到增长，就会不由自主地想到许多概念，比如类似AARRR和Facebook的魔法数字。

当然，这些模式都是由于一些成功企业的产品负责人，或者增长团队在实践过程中验证过的打法，一定是有过成功效果的。

不过，如果大家把这些方式捧为金科玉律，那一定就陷入了思考误区。

为什么要忘记AARRR？

首先这些增长公式也是基于特定产品、特定时期渠道的红利产生的。

比如AARRR中，把推广获客作为第一个步骤,而把转推荐放在最后一个环节。

其中第一个A，是指Acquisition。

但是在不同业务的落地过程中，并不一定按照这个流程走。

把推广获客作为最重要的一步，前提是流量成本足够低。

如果我们可以把流量，比如自然流量的占比控制在60%以上，且量很大，那么你的CAC（用户获取成本）的确不用太担心，则可以有足够的空间去用“还不成熟”的产品特点去测试。

但是目前的内卷，早就不可能有太多低价流量的机会，所以再用AARRR就有问题了。

我们需要更深入思考产品的价值，把重点放在用户的留存、用户的需求挖掘上。

比如有些团队开始使用RARRA的思考方式，把2个R放在首位：

• 1）Retention — 用户留存
• 2）Referral – 用户自传播

这2件事情的核心都是基于用户角度来重新考虑整个公司运转的决策出发点。

所以增长其实没有固定的公式，必须结合实际业务的用户研究成果和数据分析结论，作出假设，并通过产品迭代来验证。

这就是需要长期做好用户研究工作。

为什么要重视用户研究？

如果我们需要基于用户角度思考决策出发点，第一件事就是先放下我们自以为是的经验。

我写过一篇文章谈“上帝视角”。

事实上，用户研究是一件需要长期不断进行的工作，其中包括定量和定性2个方面。

为什么许多具有一定规模的互联网企业和传统企业，都开始设立首席经济学家这样的岗位？

因为这些企业已经形成了一个具有网络效应的经济体，比如滴滴、淘宝、Linkedin和Youtube。

这些都是具备双边网络效应的业务，可以这样想一想：

• 打车 – 司机
• 订餐 – 餐厅
• 订酒店 – 酒店门店
• 小说 – 作者
• 视频直播 – UP主

不少从业者都会套用“微笑曲线”来看待这类业务，特别是在设计此类业务的增长策略时。

我觉得黄一能后来补充的一个点挺有价值：

“这东西不是万能的，必须是业务类型，盈利模式类似的才能考虑使用。提到的股票软件和户外游，这种都有太多的前提，和工具类产品有极大不同。我提个更极端的例子——医院，这个业务的核心用户绝对不是靠这个曲线来判断的。只要是用户强需求，决策前置，客观限制较多的都不太适合用使用频率来判断所谓的核心用户。”

大家可以看到，这是一个典型的面临非常复杂未知的商业挑战，很容易根据“其他人”的过去的经验做出决定的思考陷阱，但往往如果一路做下去，可能的确会让企业在较长的时间内找不到出路。

所以我们必须放下自己的“路径依赖经验”，投入时间来处理用户研究这件事。

举个例子：

之前在知识星球里，有一位负责某新兴视频独角兽产品的学员问我们：

“想请教一下顾老师，现在手头上有一些基础的内容产销和互动数据，想问下如何搭建创作者评分模型，以判断内容效率和创作者潜力呢，可以从哪几个维度去分析呢？（数据维度有:投稿，播放，投币，点赞，转发，收藏，评论等）”

我的回答是：

这件事首先需要对指标的重要性进行主观判断。这些指标本身没问题，如果这是图文类的产品，阅读完成率是一个需要纳入评估的指标（代表用户的价值认可），如果是视频产品，观看完成率也需要纳入评估。

所以目标就需要先定义，到底是以鼓励大量作者创作为核心目标，还是以鼓励某一类作者（需要有画像数据）为主来创造收入。

如果你回忆一下中国直播行业的发展历史，可能就比较清楚我在说什么了，特别是早期直播利润非常高的时期。

黄一能老师的回答：

要有量化指标的前提是有个定性判断，怎么算好作者，怎么算差作者。确定好定性标准（可以是主观的）后将用户分类，量化计算已有的数据维度对于区分样本的能力，以此确定每个维度的权重。

以上方法大家基本都会，但做出来效果好坏关键在于样本的确定和实际例外的识别，对例外要做独立分析方法，这部分比较依赖业务理解或者是全面数据探查，异常识别分析的能力（当然用经验规则可能更快而已，但会漏）。

比如就我个人认知：大部分作者实际没有持续创作的能力，毕竟创意和毅力都不是普遍拥有的，所以很容易出现一个用户，只发过2个视频，但其中一个的数据特别好，保不齐一个人有个很棒的创意发挥良好，但实际他并不能持续给出新点子。

这样的个例应该不少，如何针对这种情况单独设计模型，并能和其他模型并行使用才是考验能力的（简单做法加上时间维度做个衰减就能搞定了）。

该学员的回复：

“感谢回复！感觉思路上有被打开，确实因为内容的主观性很强，也很受创作者创作状态影响，造成个例数据的情况比较多，设计模型的话要考虑到的方面也很多，再加上不同细分方向和垂类的区别，感觉是个长期工程”。

从我们给出的回答来看，重点就是：

好好去做定性研究

基于定性，全面洞察寻找区分用户的数据特征/维度

这里有一个重要的概念：用户画像。

一个交叉点：用户画像

自然的，我们就衍生出一个在企业增长领域非常重要的工作：理解用户画像。

用户画像和用户研究我之前做过多次线下培训，5月份的线上培训中我们也会深入讲解。

用户画像其实有两个大的分类。

第一类是User Profile，通过对于用户的大量数据统计所提炼得出的。

在大量C端业务中，Profile用来帮助企业预判客户的行为，聚焦在：

提升客户/用户的满意度

防止客户/用户流失

提升公司整体业务的ROI

在这个领域，我们会使用机器学习的技术，确定某类特定的用户行为，可以是一种分类，比如不满意的或者满意，接受或者拒绝促销，取消或没有取消服务等。

我们通常会列一个有可能对上述行为产生影响的预测因素的列表。虽然没有一个特别的规定，但是其实可以发现一个模型到另一个模型，其预测因素的差别是非常大的。从几十到几百只能大概的预估一下，但重要的是每一个预测因素必须独立于另一个。典型的预测因素必须是过去几年大多数用户所共有的，比如年龄。

预判的分类结果，用于运营中的精细化运营，或者用于上述提问团队中关于设计作者的创作能力模型上。

另一个属于定性研究范畴。

也就是是Alan Cooper曾在《About Face：交互设计精髓》一书中提及的研究用户的系统化偏重定性类的方法，被称为Persona，有时候也被称为用户角色。

这个概念和User Profile，虽然目标都是为了了解用户本身，但是他们研究的目标和方法却是天差地别的。

定性研究有一套独特的方法。

不管是做什么产品都需要知道是在为谁在做，比如：开店，我们身边的客户喜好，购买承受力，购买东西的动机等等都是必须了解的因素。

一个出色的销售是可以读懂用户的，通过与用户交谈，表情就可以知道用户如何思考。当然通过与用户长时间的接触还了解用户习惯，家庭背景等，那么他推荐东西就会更为精准，同时通过沟通让用户享受了在购物过程中的满足感。

这其中包含很多因素，最终却都脱不开人的欲望或是情感，而人恰恰是我们一切研究的基础。

这直接影响企业在管理产品创新工作中的探索方向，因为是为人类在做设计。