本篇文章對使用者增長進行了簡單的講解，對使用者增長進行了介紹，并且講解了從KPI拆解的方法上建構使用者增長政策的基礎。讓我們來看看吧~
近些年使用者增長的定義逐漸模糊，有時歸屬流量營運了。很多業務把用增需要的職能部門整合成一個團隊，例如獨立一套營運+産品+技術+算法，就期望能起到業務增長的作用。可能實際工作内容更多是日常流程化管理。我所講的使用者增長，是對整個業務有顯著增量的方法論。别人對我的總結屬于突破型政策。最後一個業務的結果：
一、前言
内容非常簡單明了，甚至你會詫異，這麼基礎的東西都沒人做？是的，我提到的絕大部分政策都是我第一個落地。由于我任職過的公司都很出色了，那麼我相信大部分公司也是這種狀态。因為絕大部分人隻能模糊的了解一個概念的表面，平時經常讨論，包括合作的媒體，畫的概念圖天花亂墜，但邏輯無法自洽。也可能你的公司有類似的中台産品，但可惜沒人了解本質，也就沒發揮多大作用，且在大公司業務中幾乎沒有落地可能性了。
我都是按照頭部平台型電商使用者增長的經驗論述的。非電商業務差別不大，稍微改造一下即可複用。對中型業務有一定幫助，可能不太适合小型業務，但一些分析思路說不定對你有所啟發。整個過程可能看起來很簡單明确，但如果對業務價值，底層邏輯了解不夠的話，很可能我講的方法對你幫助不大。
聽到過新人抱怨公司很多條件都不具備，無法正常開展工作。我必須勸一勸新人，那基本是因為你沒有起到關鍵作用，沒有充分了解業務。辦法一定是有的。我利用公司内部産品X做了大約300-500項資料分析，别人都不知道我哪裡得到的。連X的産品經理都不知道能這麼用。當你做出成績，其他團隊會立即抱團支援你。
本人跟行業同僚基本沒有交流。都是自己悶頭分析資料、梳理邏輯、建構架構、上線測試并借助算法團隊的能力逐漸擴大規模直到推全。話術可能不統一，希望各位幫忙糾正。就像高中時候拿了北京市區級一等獎，一堆人圍過來問我在哪個論壇交流的，我當時甚至不知道論壇是什麼。
二、建構使用者增長政策的基礎：KPI拆解
前提是公司目标已經定義清楚，無論是付費使用者規模，訂單規模，還是GMV，明确即可。用增的第一步是對流量到目标進行各個次元使用者資料的拆解和分布。
先說清我的engagement定義（簡稱E），就是關鍵行為的次數和權重。例如關鍵動作：注冊，領取代金券，完成新手指導。這些對LTV的影響是巨大的。也包括各種重要動作：關注一個KOL，對話一個商家，遊戲中建立好友關系。這些對LTV的影響是細微但是可以持續增長的。
每個業務根據自身資料都可計算出E權重，比如注冊是10分，關注可能就是0.1分。那麼營運的關鍵過程名額可以歸納為CPE，cost per engagement score。其中cost包含自有流量(organic)的價值。某些業務把自有流量當作免費，這是個誤區。
我們拆解為使用者的特征資料和行為資料兩大類。不僅有助于理清現狀，找到第一個突破口，還可幫助指定完整的增長政策，和每個具體方向的抓手，也為後續内容優化提供了基礎。
1. 使用者特征資料
特征資料幫助我們了解使用者的背景和持久屬性，例如地理位置、性别、婚姻、家庭成員、裝置、電信營運商等約10-15種。大多以最新狀态為準即可。這些資料對于劃分使用者群體、定制創意、以及預測使用者需求至關重要。
舉例，某國家城市->效率分布
從人口的分布可以看出，資料分布的規律。若再如果把地圖打開，還可以發現一般沿海城市自帶港口、或者距離港口型城市較勁的地區，效果也不錯。（沿海隻是一個例子，需要舉一反三。）
舉例，某國家電信營運商->效率分布
按一般經驗，比如上面城市級資料，人口數量大的往往效果也不錯，但這個次元會告訴你不一定。剛好這個最大營運商的使用者特征不太與業務的供給側比對。
如果有專業資料團隊配合，還需要做資料校驗。例如注冊手機号做散列分10組的話，兩組效率應該幾乎是一樣的，任何一個次元都可。
2. 使用者行為資料
行為資料則反映了使用者與産品的互動，如浏覽、點選、購買等約15-20種。統計口徑需要session内和近期（可暫定最近10天）。這些資訊不僅可以用來預測轉化機率，還能追蹤使用者的實時興趣和偏好變化，進而優化産品和内容推薦。
【todo：session内加購行為到轉化分布圖】
【todo：最近10天購物次數到轉化分布圖】
反例：簡單利用一部分行為資料來定義使用者資料拆解邏輯，例如曆史記錄中，一共有多少次付費行為。最近N天的多少天通路過APP。最近N天的多少天有付費行為。超出M天無購物行為。超出N天無通路行為。我個人粗淺了解，這屬于刻舟求劍，因為日常營運行為直接幹預了某些資料。關鍵是這些資料和最終目标并無因果關系，對用增團隊來說也并沒有可操作性。
如何找到主線？把使用者特征資料分布的方差倒叙排，同時考慮營運的可操作性，基本可以得出。可操作性對于付費管道來說，可以定期重新配置設定預算。例如把TOP50的城市，建立50個campaign，媒體幾乎都支援到城市級别的定向投放。我們可以每周甚至每日重新評估CPT(cost per target)，把預算配置設定到價值窪地。
營運可操作性舉例（每個業務差異度很大，要學會舉一反三。）：
- 主線次元可以在campaign級别對預算降級。【todo：自有流量營運方法。】
- 地理位置，常見為城市。基于城市的内容偏好政策，差異度可以到50%。對電商來說還需要考慮物流的可用性和效率。
- 裝置、營運商。針對性的服務。例如充值、回收、貼膜、使用技巧的内容。
- 性别、婚姻狀況。内容偏好政策，差異度甚至可以到90%。
- 年紀這個次元上也呈現出非常明确的信号。我們的業務能讓某些年齡段使用者更滿意。換句話說，就是對某些年齡段服務不夠好。我判斷是特定年齡的内容供給不足，且推薦算法有問題。
- 行業類目的偏好，可橫向比較的類目，如果有較大效率差異，先看看供給側是否有缺失，很可能缺少關鍵商品/内容。再看看流量側是否有較大差異，假設體量相似，流量成本是否相差較大。若A整體不如B，且A的流量成本更低，轉化過程差別不大的話，很可能供給側出了問題。我們雖然不能在短期解決供給，但可以控制資源的配置設定。
服務政策的一些資料分析結果（為了讓大家了解，列舉了很多例子，其實我基本就用了兩條算法邏輯。）：
- 地理位置的行為慣性機率可以到90%+。（這個是為了應對合作團隊的挑戰：你怎麼知道你說的是對的，難道使用者就不能xxx麼。）
- 當使用者的APP與最新版相隔N個版本号，轉化的機率大大降低。我推斷是跟使用者忠誠度相關。
- 某國家頭部營運商的使用者，轉化率明顯低于其他營運商。很可能是這類使用者的消費能力和我們的業務不比對。
- 類目偏好，可以明顯看出使用者的轉化率和留存率的分布差異。隻需一小部分資料即可提前判斷使用者LTV。
- 類目偏好這個次元也極大影響内容偏好。一個最經典案例，如果已知使用者對假發有需求，推送染發劑的成功率居然大于推送美妝用品。相信聰明的同學可以自行挖掘出原因。
- 想再說一下裝置，可能旗艦級機型之間相似度更高，而不是按品牌劃分。
- 女性可以給男性買快時尚産品。但反過來不行。快時尚比如男裝男包，最多甚至50%買家是女性。這個和我在商場中觀察的流量現象一緻，Zara在大部分商場布局是1層女裝2層男裝。暫不讨論3層童裝。1層購物的都是女性，但是2層也能經常看到女性認真挑選商品。
- 女性一旦有了孩子， 對時尚和美妝類，也就是花在自己身上的錢大大降低，需求向孩子和家庭傾斜，廚房、清潔、家裝、收納。
- 女孩的商品，基本都是媽媽買。男孩的産品是父親買。
- 通過對孩子的性别識别，可以反推這個國家或地區的生育率，和公開資料幾乎一緻。
- 更深層資料分析，即剛需和改善型需求，還可以再次提升營運效率。時尚類剛需例如：服裝，口紅，粉底，腮紅，高光（三件套）。改善型例如：眼影等高階化妝品類，鞋，包，首飾，手表。随後展開。（devils in the details。某些業務隻考慮供給側分類，并不考慮需求側分類。把原本剛需的産品，歸類到改善型，例如發夾歸到了fashion accessories。會讓你得出甚至相反的結論。）
我實際落地過程中，先用“類目偏好”作為主幹，随後更新為“不可逆人生狀态”的使用者畫像，及性别+婚姻狀況。是以我最終的主幹是這樣，使用者量更大的業務還可以繼續細分，暫不贅述：
- 0-6歲嬰幼兒的母親
- 7-18歲孩子的母親（有條件的話先拆這裡）
- 未孕育女性
- 父親
- 非父男性
- 無法識别
關于KPI的口徑。一個基礎但重要，且居然有人犯錯的細節。
可能有的業務采用了寬歸因口徑，例如24小時甚至更粗。具體業務具體分析。單說電商的話，session基本可以作為合适的口徑，在這個基礎上修改即可。但如果采用粗口徑，會導緻無論做什麼，似乎都沒什麼用，甚至結果違反商業常識。
當你用自己的錢經營一個零售業務，且非常依賴管道時，你會采用類似session的口徑。當管道商期望用更粗顆粒度找你要傭金時，你會拒絕。為什麼錢不從自己口袋出，就容易忘記呢。如果CEO看的目标都定錯了，團隊努力的結果隻能是随機的。
本文由 @達太 原創釋出于人人都是産品經理。未經作者許可，禁止轉載
題圖來自Unsplash，基于CC0協定
該文觀點僅代表作者本人，人人都是産品經理平台僅提供資訊存儲空間服務