用户增长框架与实战（1）：构建用户增长策略的基础：KPI拆解

达太 2024-04-16 22:34:29

近些年用户增长的定义逐渐模糊，有时归属流量运营了。很多业务把用增需要的职能部门整合成一个团队，例如独立一套运营产品技术算法，就期望能起到业务增长的作用。可能实际工作内容更多是日常流程化管理。我所讲的用户增长，是对整个业务有显著增量的方法论。别人对我的总结属于突破型策略。最后一个业务的结果：

一、前言

内容非常简单明了，甚至你会诧异，这么基础的东西都没人做？是的，我提到的绝大部分策略都是我第一个落地。由于我任职过的公司都很出色了，那么我相信大部分公司也是这种状态。因为绝大部分人只能模糊的理解一个概念的表面，平时经常讨论，包括合作的媒体，画的概念图天花乱坠，但逻辑无法自洽。也可能你的公司有类似的中台产品，但可惜没人理解本质，也就没发挥多大作用，且在大公司业务中几乎没有落地可能性了。

我都是按照头部平台型电商用户增长的经验论述的。非电商业务区别不大，稍微改造一下即可复用。对中型业务有一定帮助，可能不太适合小型业务，但一些分析思路说不定对你有所启发。整个过程可能看起来很简单明确，但如果对业务价值，底层逻辑理解不够的话，很可能我讲的方法对你帮助不大。

听到过新人抱怨公司很多条件都不具备，无法正常开展工作。我必须劝一劝新人，那基本是因为你没有起到关键作用，没有充分理解业务。办法一定是有的。我利用公司内部产品X做了大约300-500项数据分析，别人都不知道我哪里得到的。连X的产品经理都不知道能这么用。当你做出成绩，其他团队会立即抱团支持你。

本人跟行业同僚基本没有交流。都是自己闷头分析数据、梳理逻辑、构建框架、上线测试并借助算法团队的能力逐步扩大规模直到推全。话术可能不统一，希望各位帮忙纠正。就像高中时候拿了北京市区级一等奖，一堆人围过来问我在哪个论坛交流的，我当时甚至不知道论坛是什么。

二、构建用户增长策略的基础：KPI拆解

前提是公司目标已经定义清楚，无论是付费用户规模，订单规模，还是GMV，明确即可。用增的第一步是对流量到目标进行各个维度用户数据的拆解和分布。

先说清我的engagement定义（简称E），就是关键行为的次数和权重。例如关键动作：注册，领取代金券，完成新手指导。这些对LTV的影响是巨大的。也包括各种重要动作：关注一个KOL，对话一个商家，游戏中建立好友关系。这些对LTV的影响是细微但是可以持续增长的。

每个业务根据自身数据都可计算出E权重，比如注册是10分，关注可能就是0.1分。那么运营的关键过程指标可以归纳为CPE，cost per engagement score。其中cost包含自有流量(organic)的价值。某些业务把自有流量当作免费，这是个误区。

我们拆解为用户的特征数据和行为数据两大类。不仅有助于理清现状，找到第一个突破口，还可帮助指定完整的增长策略，和每个具体方向的抓手，也为后续内容优化提供了基础。

1. 用户特征数据

特征数据帮助我们理解用户的背景和持久属性，例如地理位置、性别、婚姻、家庭成员、设备、电信运营商等约10-15种。大多以最新状态为准即可。这些数据对于划分用户群体、定制创意、以及预测用户需求至关重要。

举例，某国家城市->效率分布

从人口的分布可以看出，数据分布的规律。若再如果把地图打开，还可以发现一般沿海城市自带港口、或者距离港口型城市较劲的地区，效果也不错。（沿海只是一个例子，需要举一反三。）

举例，某国家电信运营商->效率分布

按一般经验，比如上面城市级数据，人口数量大的往往效果也不错，但这个维度会告诉你不一定。刚好这个最大运营商的用户特征不太与业务的供给侧匹配。

如果有专业数据团队配合，还需要做数据校验。例如注册手机号做散列分10组的话，两组效率应该几乎是一样的，任何一个维度都可。

2. 用户行为数据

行为数据则反映了用户与产品的互动，如浏览、点击、购买等约15-20种。统计口径需要session内和近期（可暂定最近10天）。这些信息不仅可以用来预测转化概率，还能追踪用户的实时兴趣和偏好变化，从而优化产品和内容推荐。

【todo：session内加购行为到转化分布图】

【todo：最近10天购物次数到转化分布图】

反例：简单利用一部分行为数据来定义用户数据拆解逻辑，例如历史记录中，一共有多少次付费行为。最近N天的多少天访问过APP。最近N天的多少天有付费行为。超出M天无购物行为。超出N天无访问行为。我个人粗浅理解，这属于刻舟求剑，因为日常运营行为直接干预了某些数据。关键是这些数据和最终目标并无因果关系，对用增团队来说也并没有可操作性。

如何找到主线？把用户特征数据分布的方差倒叙排，同时考虑运营的可操作性，基本可以得出。可操作性对于付费渠道来说，可以定期重新分配预算。例如把TOP50的城市，创建50个campaign，媒体几乎都支持到城市级别的定向投放。我们可以每周甚至每日重新评估CPT(cost per target)，把预算分配到价值洼地。

运营可操作性举例（每个业务差异度很大，要学会举一反三。）：

主线维度可以在campaign级别对预算降权。【todo：自有流量运营方法。】
地理位置，常见为城市。基于城市的内容偏好策略，差异度可以到50%。对电商来说还需要考虑物流的可用性和效率。
设备、运营商。针对性的服务。例如充值、回收、贴膜、使用技巧的内容。
性别、婚姻状况。内容偏好策略，差异度甚至可以到90%。
年纪这个维度上也呈现出非常明确的信号。我们的业务能让某些年龄段用户更满意。换句话说，就是对某些年龄段服务不够好。我判断是特定年龄的内容供给不足，且推荐算法有问题。
行业类目的偏好，可横向比较的类目，如果有较大效率差异，先看看供给侧是否有缺失，很可能缺少关键商品/内容。再看看流量侧是否有较大差异，假设体量相似，流量成本是否相差较大。若A整体不如B，且A的流量成本更低，转化过程区别不大的话，很可能供给侧出了问题。我们虽然不能在短期解决供给，但可以控制资源的分配。

服务策略的一些数据分析结果（为了让大家理解，列举了很多例子，其实我基本就用了两条算法逻辑。）：

地理位置的行为惯性概率可以到90% 。（这个是为了应对合作团队的挑战：你怎么知道你说的是对的，难道用户就不能xxx么。）
当用户的APP与最新版相隔N个版本号，转化的概率大大降低。我推断是跟用户忠诚度相关。
某国家头部运营商的用户，转化率明显低于其他运营商。很可能是这类用户的消费能力和我们的业务不匹配。
类目偏好，可以明显看出用户的转化率和留存率的分布差异。只需一小部分数据即可提前判断用户LTV。
类目偏好这个维度也极大影响内容偏好。一个最经典案例，如果已知用户对假发有需求，推送染发剂的成功率居然大于推送美妆用品。相信聪明的同学可以自行挖掘出原因。
想再说一下设备，可能旗舰级机型之间相似度更高，而不是按品牌划分。
女性可以给男性买快时尚产品。但反过来不行。快时尚比如男装男包，最多甚至50%买家是女性。这个和我在商场中观察的流量现象一致，Zara在大部分商场布局是1层女装2层男装。暂不讨论3层童装。1层购物的都是女性，但是2层也能经常看到女性认真挑选商品。
女性一旦有了孩子，对时尚和美妆类，也就是花在自己身上的钱大大降低，需求向孩子和家庭倾斜，厨房、清洁、家装、收纳。
女孩的商品，基本都是妈妈买。男孩的产品是父亲买。
通过对孩子的性别识别，可以反推这个国家或地区的生育率，和公开数据几乎一致。
更深层数据分析，即刚需和改善型需求，还可以再次提升运营效率。时尚类刚需例如：服装，口红，粉底，腮红，高光（三件套）。改善型例如：眼影等高阶化妆品类，鞋，包，首饰，手表。随后展开。（devils in the details。某些业务只考虑供给侧分类，并不考虑需求侧分类。把原本刚需的产品，归类到改善型，例如发卡归到了fashion accessories。会让你得出甚至相反的结论。）