方法论：从三大运营场景构建用户增长体系

运营观察 2023-08-07 05:44:14

用户增长体系我们主要从三方面来搭：分别是增长模型、抓手体系和标签体系。

如果我们把做用户增长的过程形象为一个建房子的过程，搭建增长模型就好比搭建整个房屋根基框架，它决定我们做增长根基是否稳定框架是否牢固，一个好的增长模型能够决定我们获客的效率和质量，比较经典的增长模型是海盗船模型AARRR模型，明确增长是获客-促活-留存-转化-自传播这5个路径。

在此基础上我们深化了三大模型，分别是用户增长决策模型、用户成长路径规划模型和人货精准营销模型；抓手体系就是建房子过程中需要的工具，需要一砖一瓦的把房子建起来，包括获客抓手、留存抓手、促活抓手这些。标签体系就是将运营做的更为精细化，相当于建完房子后的一个装修过程，通过标签分群将用户增长做到深度运营。

一、构建增长模型

第一构建增长模型，指导用户增长工作，具体构建哪些模型，我们分场景来讲：

第一个场景是我们实现业绩目标需要多少活跃用户，实现这么多活跃用户又需要拉来多少新用户，又需要投放多少预算，这个是做增长第一步要想明白的问题，所以我们需要的模型是用户增长决策模型。影响增长的三大要素是用户规模、营收、预算。做增长决策需要找到这三要素的影响因子，并通过因子分析来判断或者预测运营方向做增长决策需要找到这三要素的影响因子，并通过因子分析来判断或者预测运营方向。
第二个场景是我们需要这样一个用户路径，去让一个新手用户通过完成某个或者一系列的行为动作，朝着我们希望的方向走，最终成为一个核心用户，所以我们需要搭建的模型是用户生命成长路径管理模型，首先要规划出清晰的生命周期路径，其次是基于路径去做用户分层，再次是围绕用户分层最优转化路径做运营模型。
第三个场景就是人货场的运营，做用户运营存在两种精准营销场景，一种是人找货，另一种就是货找人，所以需要打造的就是精准的人货模型。比如货找人下的品类高潜、品类复购模型，人找货下的实时人货匹配模型、智能选品模型。

二、构建抓手模型

第二构建抓手体系，落地用户增长工作。一般来讲，从获客-促活-留存-转化-分享的AARRR模型出发，获客、留存、促活抓手是各个平台构建的核心能力，具体来讲，我们构建三大体系即可。

第一个是会员积分体系，各大平台做留存运营的标配；
第二个是获客运营体系，包括获客渠道+获客工具；
第三是游戏化运营体系，游戏化运营逐渐成为各平台拉新裂变、留存促活的利器，比如风靡一时的农场游戏，拼多多的多多果园，京东的咚咚农场，美团的免费领水果，集合了签到、分享、攒积分兑换水果一系列动作，目的涵盖了邀请拉新、每天浇水做促活、积分兑商品做留存。

三、构建标签体系

第三构建标签体系，精细化用户增长运营，标签的作用有两个，第一个是让用户更具象，比如你的核心用户，通过标签来画像，可以清晰知道用户是在哪里、购买力怎么样，社会化属性是什么样的，这样在做获客时候会更加清晰如何找到他们。第二个是精细化分层运营，不同的商品、活动推给谁能获得最大的转化和最低的成本可以通过标签构建分层来实现，同时在做广告DMP推广过程中，标签可以让我们更精准的触达到我们的目标用户。

以用户增长决策模型为例，我们如何搭建一个好的决策模型指导增长工作。

首先是增长决策模型的应用场景，无论是0-1还是1-100阶段，基于老板给到的销售目标来做拆解，每个月需要做到多大的MAU量级，主攻哪些获客渠道，每个渠道需要投入多少预算都需要合理的进行决策。

其次增长的三要素是什么，是用户规模、预算、营收，增长决策模型的核心逻辑是找到这三要素的影响因子，并通过因子分析来判断或者预测运营方向。

再次就是模型搭建如何搭建，我们通过五层逻辑进行拆分：

第一层逻辑：GMV=付费用户*ARPU，GMV目标已知，ARPU可预测前提下倒推所需付费用户；

第二层逻辑：付费用户=MAU*付费转化率付费转化率可预测前提下倒推MAU；

第三层逻辑：基于留存率和召回率倒推需要多少活跃老用户、多少新增用户（均为活跃行为用户）可实现MAU，留存率基于历史数据和回归算法模型来拟合预测；

第四层逻辑：基于用户粘度=DAU/MAU来倒推需要多少DAU才能达成月活目标；

第五层逻辑：DAU=当日DNU+活跃留存+新增留存，到这层就已可以指导运营策略决策，DNU新增获客需要投哪些渠道抓手，量级目标以及预算；活跃留存要做什么，新增用户如何提升次日留存等。

我们将这五层逻辑所用到的指标、公式形成一个预测表，输入模型参数比如付费转化率、留存率这些参数值，输出预测值包括MAU、DAU。

我们根据增长决策模型来预测下一月或整个季度获客目标，并完成渠道策略布局、预算拆解、留存抓手运营策略等。非常有效的指导了我们的运营工作。

以上是一个用户增长体系的全部框架，做用户增长，需要一个完善的框架指导运营，构建良好的人货运营场景实现精准的推荐，而不是针对不同用户分层去发券和做促销。