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）。
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。微信公众号：用户增长实战笔记
本文由 @jinlei886 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
给作者打赏，鼓励TA抓紧创作！ 赞赏 2人打赏
