《用户增长实战笔记》读书笔记

包括但不限于获得好友、愉悦、知识、实惠、收入等

用户价值=新体验-旧体验-替换成本

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

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

从时间维度来看，用户增长需要关注长期的用户规模，这依赖于用户认为产品有长期价值

从空间维度来看，用户增长需要关注尽可能多的潜在受众，确保获得新用户，这就依赖于产品价值的传播

宏观机会处在用户价值的上一层，其中蕴含了大概率会成功的增长方向

正所谓顺势而为，站在一个上升的面上来做增长，成功的概率自然要大得多

商业模式，都是描述一家企业如何通过生产、销售产品或服务来创造财务收益

发现商业模式中的断点是找到用户增长方向的一个思路，这样带来的增长也更可能是长期有效的

用户增长中数据驱动的主要目的，首先是找到具体切入点，然后是推进整个工作流

找切入点是指通过对现有数据进行全局扫描、相关性分析等，从而发现问题或机会

推进工作流则是指通过实验方法评估策略效果，并基于此效果进行下一步的策略迭代

数据驱动首先要明确增长目标。这个目标最好是企业从上到下都认同的核心指标，所有增长工作都将围绕这个指标进行拆解

在用户增长中，实验方法是数据驱动中至关重要的一环

营销策略是一个直接面向用户的界面，它的作用主要包括向用户传递信息、讲清利益点、与用户进行互动、引导用户完成关键行为，最后促进增长目标的达成

营销策略的挖掘和生效依赖于冰山之下的强力支撑，即以用户价值为基础，通过对宏观机会和商业模式的洞察，借助数据驱动科学高效地落地

（1）明确增长目标：参照北极星指标的制定方法，确定一个最能体现产品价值的增长指标，然后根据恰当的方式向下拆解增长指标（如杜邦分析法），直到拆解出的指标可以指导执行

（2）搭建增长模型

（3）找到策略切入点

（1）提升新旧体验差

（2）降低替换成本

网络效应

技术的成熟

用户的意愿

生态的完善

宏观机会只是必要条件，顺势而为、借助势能找到增长方向才是增长与否的关键

补齐商业模式中的短板，或者消除制约商业逻辑正常运转的障碍

通过北极星指标的制定来确定增长目标

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

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

从活跃度视角

从商业收入视角

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

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

在寻找断点时，优先推荐基于产品逻辑推演或从用户反馈中直接找到原因

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

（1）线性相关

（2）魔法数字

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

（1）新增用户激活

（2）新增用户留存

（1）用户活跃度提升

（2）用户时长提升

（1）广告收入提升

（2）商品收入提升

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

平台可以做的事情

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”

谁先填补好信息差，谁就更有机会

需求的第一定律描述了需求量随价格升高而降低，随价格降低而升高

需求的第二定律是指随着时间的推移，需求对价格的弹性会增加，因为用户找到更合适的替代品

需求的第三定律是人们相对陌生的，它是指精选品和普通品之间原本有较高的价差，当加入附加费用之后，二者价格的相对差距会减小，精选品因此显得便宜。不难看出，当附加费用越大时，精选品就越让人觉得便宜。

价格弹性是指用户的购买意愿随价格而变化的敏感程度，弹性大就是指对价格更敏感

价格歧视是指针对价格敏感的用户提供稍低的价格，以促进更多的消费完成

比较优势

边际收益

（1）错把相关当因果

（2）结论先行造因果

（1）医学中的双盲实验

（2）经济学中的实验方法

我们都需要知道所做的事情有没有效果（定性），效果比之前好了多少（定量），对关键指标贡献了多少（归因）

（1）前后对比

（2）对比大盘

用户增长最直接的目的就是做出增量，而准确评估这个增量

用从未处理样本统计到的参照值和从处理样本统计到的结果值完成对比

最常用的方法就是随机对照实验，通过随机分组得到实验组和对照组，再进行进一步的实验

实验中的随机分组不能直接使用这种现成的、简单的用户ID，而需要引入一个对用户ID进行二次加工的方式——Hash算法

至少存在两个分组，它们之间仅有“需要考察的变量”这一个差异

如果不设计单一变量，最大的问题在于无法做归因

（1）确定实验目标

（2）确定如何选取样本

（3）明确样本量和时间

（4）明确实验方案

（1）测试产品流程：确保实验策略符合预期的下发

（2）检查数据上报

短期实验效果难以避免新奇效应，一些改动会带来指标的突增，长期看才能判断真实的影响

仅通过简单的AB实验，只能从粗到细地逐步精细化策略，难以做到全局极致的最优

要想突破这一点局限，需要借助算法模型，通过机器学习逐步逼近全局最优

因果推断是一类方法的统称，指通过各种数理手段，基于结果对其原因进行估计

自然实验（Natural Experiments）实际上是一种观察性实验，不对任何用户进行干预，仅通过观察随机分组样本的实验结果，进行比较而得出结论

双重差分（Difference-in-Difference,DID）常用于政策效果评估。

DID的思路是设法找到政策的净效果

首先排除时间因素及其他策略的影响

边际效果归因也可以用于定性判断策略是否有效

这种方法基于一个假设：如果策略对用户有影响，加大策略的力度能够看到观测指标发生相应变化

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

其次，在选对了分析的指标后，要尤其注意能导致实验组和对照组不可比的各种因素

通常的分析方法包含三个要素

（1）流量型

（2）唤醒型

（3）分享型

在增长实验中，假设检验的目的是确认策略带来的影响，即实验组的指标与对照组之间的差异是否显著

第1步，提出原假设并定义显著性水平

第2步，定义拒绝域

第3步，计算检验统计量（t值）

第4步，得出假设检验的结论

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

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

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

（1）强目的性

（2）可归因性

（3）可复制性

（1）重新实验

（2）重复实验

团队间目标协同，基于实验分析结论明确分工和优先级

实验评审和复盘，尽可能保证规范和高效运作

实验结果共享机制，激励优秀，打击重复低效执行

借助一系列正交Hash算法，我们可以保证任意两层之间的实验独立性

正交分层能够做到第N层中A组命中策略的用户，在第N+1层会随机分布在A1和B1两个组

通过正交分层，我们可以做到当样本量有限时依然能够同时进行多组实验

正交分层若想保证策略之间无干扰，还需要一个前提：不同层之间策略的相关性需要尽可能低

SRM问题的核心是实验组和对照组的实际比例和理论比例有所偏差

实际样本比例是1.01/0.99，上述案例中实验效果偏差依然可以达到41%

判断样本偏差是否显著，可以使用卡方检验

（1）实验部署

（2）实验执行

（3）数据采集

（4）实验分析

（5）外部干扰

特征是描述用户特点的最小单元

标签是一个产品形态，它由一个或多个特征形成

画像又是由一个或多个标签进一步具象而来

标签系统操作流程

如何搭建一个标签系统

标签可以分为三大类

标签系统分为离线标签和实时标签。当不要求实时性时，实验操作者可以把标签值按周期更新存放

当标签需要实时更新时，实验操作者就需要连接实时服务（如Kafka）

随机分组是实验有效的最基础要求，而正交分层的目的是保证每一层的策略可以均匀影响其他层中的各个分组。二者共同作用，保证实验平台可以满足大量、并发实验的需求

分桶是指每一层均匀分为若干份，每一份即称为一个桶（bucket），有着唯一的桶ID

分组则是在实验设计时由实验操作者自主划分的实验组和对照组，一个实验组会使用一个或多个分桶

正交分层和分组一般在后端处理，实验平台的前端只需要操作者先选择分层再确认分组数量，最后输入每组的用户比例即可

通常在一个新实验场景，为了检验分组和流量的稳定性，需要选择两个实验组和两个对照组，设计为AABB实验

结果展示除了整体实现效果以外，还有必要关注结果下钻。下钻依赖标签体系，相当于带着用户标签去查询实验结果，在实验结果的基础上细分各个主要维度的细分效果

效果下钻的意义在于快速发现策略针对的有效人群。因为整体的效果很可能会掩盖不同人群之间的差异，而在策略整体无效时需要及时确认该策略是对细分人群无效，还是全局都无效

当发现部分人群的效果和整体差异较大时，为了谨慎起见，还是需要圈定细分人群重复进行实验。因为通过一次实验做下钻可能存在一些偶然性，而且细分后的实验样本量可能不满足最小样本量的要求，使结果不置信

实验管理的规则

任务配置就是大家都比较熟悉的运营配置后台，需要支持单个任务和组合任务

任务配置需要与App前端直接联动，用户在前端直接请求任务系统，后端确定是否需要下发任务

组合任务需要引入“前置条件”这个配置项。因为用户只有满足前置条件，才能够触发后续任务的下发

组合任务的常见逻辑有串行、并行、混合三类

策略的实时效果可以通过一些实时监控报表、漏斗工具直观地展示出来

实时数据的可视化是运营工具的标配，用户增长工具则需要更进一步拿到用户粒度的实时数据，为快速验证增长假设服务

首先，数据分析从被动的“人看数据”升级为“洞察模块”，其主要的改进在于对全局的核心指标自动监控，对异常波动进行预警和初步筛查

其次，人群模块由传统的人工配置逐渐升级至场景规则和模型指派

最后，在增长引擎积累了足够多的经验数据后（即何时对谁采用何种策略），人群模块、传统的任务模块就可以逐步被替换，从人工配置转化为由运行成熟的智能模块来完成人群、任务的指派

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，平台就可以对人群的各种特征进行分析，得到各个特征的取值和分布。参照种子人群的特征可以在所有其他用户中进行匹配，找到指定数量的相似用户

重点的工作在于选择尽可能多的用户特征进行分析，得到种子人群的特征分布。Lookalike最终要完成的工作，就是“拿着这个分布图”在全量用户池中按需找到指定数量的拓展用户

种子人群可以来自简单规则，如上例中进入某目标页面的用户或完成购买的用户；也可以是复杂规则，例如，通过聚类、分类等方法得到的某一类型用户

目标人群的预估要先有目标，即需要提升的某个指标；还需要一系列约束条件，以保证在此约束条件下完成目标

当积累了足够多的用户特征数据，构建好用户画像之后，每个用户在一个页面上看到的营销素材都可以不一样。理论上，营销策略确实可以做到千人千面的效果

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

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，核心的方法依然是机器学习

使广告个性化的主要步骤

关注以下用户特征并建模

智能化广告的尝试

通过机器学习的方法理解视频内容，其中包含三个要素：对象、事件和场景

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

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

内容的热度通常会随着新鲜度的降低而褪去，这个生态是否繁荣的一个关键就是保证新、热的内容能被更多目标用户看到

从平台视角来看，就需要追求全局最优，要考虑整个区域当前的总体效率，甚至还需要关注未来一段时间的效率

追求最优还需要考虑对未来的预测，即进行基于供需预测的分单

较理想的增长团队应该保证两个要点：独立和闭环。

独立是指增长团队具备独立于传统产品迭代模式的通道，以便能够快速验证增长假设

闭环也是为增长效率服务的，它指增长团队拥有涵盖“产品→设计→运营→数据→研发”整个链路的专属资源

项目中的每位成员都有一个自己需要关注的核心指标及其上下游的关联指标，工作链条就这样环环相扣了

目标协同是指在一个共同目标的基础上进行协作，实现整体效率提升，加快完成目标

第一层，两个团队的目标之间最好是一个大方向

第二层，协同目标要正确，大方向有意义，协同才有意义

目标协同的关键是找到一个能够代表各个团队共同利益的总体目标

一旦找到关联，就可以基于这个关联来拆解和分配具体目标

目标明确后需要进行拆分，确保两个团队及团队成员清楚自己所处的位置和边界，清楚他人的工作，明确上下游、相关方及权责

增量思维

用户思维

商业思维

数据能力

技术能力

营销能力