对产品经理来说,如何快速切入到用户增长的工作中呢?我们需要从三步入手——明确增长目标;搭建增长模型;找到策略切入点。
用户增长的工作(User Growth,后均简称UG)。人人都是产品经理 2020-04-05
UG是个系统工程,理想的情况下,我们希望拥有完善的数据平台、标签体系、实验平台,甚至有了不错的算法模型支持自动下发策略。但同时,用户增长也是和时间赛跑,即使我们什么都还没有,也需要尽快开始,一点一滴积累正向经验、按需搭建工具提升效率。
假设我们处在UG工作的初期,上述条件我们都还没具备,该怎么开始?
01 明确增长目标
增长目标是最先需要跟老板明确清楚的,我们决定要这项工作,背景是什么,我们最终要提升什么指标?可以参照「北极星指标」来选择,相关的文章很多,这里就不赘述了。不妨假设我们经过深思熟虑,确定要提升的指标是DAU。
02 搭建增长模型
在整体的UG工作规划时,我们会关注全局,看整个用户链路和生命周期的各种环节(最常见的AARRR以及强调留存的RARRA);在切入到具体的工作时,我们会发现这些「大模型」往往无法指导我们做什么。
回到我们具体的例子:只有一个DAU的目标,还不能指导任何工作,需要对DAU进行拆解,拆到可执行的程度。DAU可以怎么来拆?
1. 流入流出视角
把DAU看成一个容器,「流入」的是每天的新增用户以及回流用户,「流出」的则是流失用户。以「日」为观察周期来举例:
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 + 昨日存量 – 今日流出 =(新增用户数+回流用户数)+ 昨日DAU – 流失用户数
那么,想要获得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)需要我们决策的就是,资源有限,先从哪一侧开始切入?需要具体来分析DAU中上述几类的构成和趋势,原则上优先看「缺口在哪里」或者「怎么做最能起量」;还需要结合产品现状、所处阶段来做具体的资源分配(比如是否有足够预算做付费增长)。流入流出视角比较直观,如果大家感兴趣,后续我可以补充一些案例说明。
2. 新老用户视角
和2.1类似,但相对简化。把DAU简单的划成两份,一份是「新用户」即当日新增,一份是「老用户」即非当日新增,那么:
今日DAU = 昨日新用户 * 新增次日留存率 + 昨日老用户 * 活跃次日留存率
等式一共4个变量,想提升DAU,可以将已知的量代入上面的式子,按照目前的经验,我们可以看看,提升哪个指标更能够获得较大的收益。例如,老用户占比90%,提升一个点的次留,DAU就会提升90%*1%=0.9%,而提升一个点的新增次留DAU只能提升10%*1%=0.1%。
3. 活跃度视角
活跃度视角,我们可以从周活WAU来看:
DAU = WAU * 周活跃天数 / 7
也可以从月活跃MAU来看:
DAU = MAU * 月活跃天数 / 当月天数
从这个视角,我们会重点关注到如何提升「活跃天数」,首先看活跃天数的水平,有多少提升的空间(均值如何,低活跃的用户占比多少),重点先抓哪一部分人群(周活跃1~2天的,还是3~4天的)。这里涉及到用户活跃度建模,后续会在介绍「用户分群」时详细介绍。
上述这些模型帮助我们知道大致的方向,需要如何发力,或者优先在哪发力。同时也把DAU拆解成若干更前置的、更灵敏的、可以和策略产生关联的小指标。帮助我们认识到:「若想提升DAU,必先提升XXX」。
03 找到策略切入点
知道了如何发力,最终还需要落地到具体策略上,策略需求切入哪个点,可以考虑因果性和相关性来帮忙。
1. 优先因果性
如果知道某个指标为什么不高,推荐从产品逻辑、用户反馈中直接找到原因,针对性去修补。定性的方法就是找典型用户去问和验证,定量可以通过最为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,也是用户增长的本质和源动力,这里也不再赘述。
2. 其次相关性
相关性分析,可以帮助我们找到和关键指标高相关的用户行为,从而把具体策略定位到提升该关键指标,以验证是否能够提升我们的增长目标。
继续以提升DAU为例,假设我们明确当前提升DAU最关键的是提升活跃用户次留,可以进一步来看,活跃用户的哪些行为与其次日留存具有相关性(简单的线性拟合,或者复杂一点的「魔法数字」分析,如图1和图2示例)。
图1:相关性示例,某资讯类APP当天的资讯渗透率(横轴)与未来一周活跃天(纵轴)正相关
图2:魔法数字示例,某短视频APP用户群当周日均VV(横轴)与未来一周活跃天(纵轴)的关系,在VV10次之内,是很好的线性相关,我们应该设法提升。而10~12之间存在拐点,用户的活跃度随后趋于稳定
通常情况下,用户的活跃次留,与用户活跃当日的使用深度高度相关,例如信息流App的时长、图文阅读PV、视频播放VV。通过对不同分层的用户群留存率、与上述几个指标的相关分析,我们可以得出哪些指标与次留的相关性更好,可以优先去提升这些指标。
3. 用实验验证
切入策略时,需要注意亮点:
相关分析有些具体的坑,可以先补一补统计学的基础以防万一;相关性高,只是给我们提供了一个假设:提升该指标,大概率可以提升活跃次留,进一步提升DAU。是否真能够提升,需要通过设计实验来验证。正式引入UG中最核心的手段之一:增长实验。
简单说,实验帮助我们验证假设是否成立,量化策略的效果:施加策略或不施加策略,发布或者不发布功能,究竟提升了多少,短期看是多少,长期看是多少,准确吗,放量后会怎么样……小朋友,你是否有很多问号?
实验会是我们后续的重点。
尾巴
本篇假设大家还处在未切入UG工作的初期,提炼出几个切入的步骤供参考。同时本篇也概括了UG实战在做什么:分析数据——形成假设——实验验证,三者循环起来就是UG的核心工作流。这也是整个笔记的框架,后面我们针对每一块逐步展开,每篇讨论一个点,不对之处,欢迎大家指出。
作者:jinlei886;5年+用户增长的一手经验,前腾讯、滴滴出行用户增长产品经理,专注增长策略挖掘、增长工具搭建、实验设计分析。浙江大学工学学士、理学博士。
本文由 @jinlei886 原创发布于人人都是产品经理。
联系客服