数据小白|如何理解用户增长？

导读： 上篇介绍了数据小白|如何使用用户画像？这篇主要总结一下用户增长沙龙的一些精华及自己实战中的总结。...

上篇介绍了数据小白|如何使用用户画像？这篇主要总结一下用户增长沙龙的一些精华及自己实战中的总结。（长文预警 干货预警 建议不看直接收藏 ）

之前po的数据小白|十周入门数据分析中最后一条提到分析师要多注意一下增长相关的方法，这里就“总结”一下的方法论吧。内容实属管中窥豹，若能给你带去一丝丝启发，也就满足了～

本文分三部分：增长团队都有哪些角色？增长の核心方法论和流程是什么？分析师如何做好增长？

增长团队都有哪些角色？

现在很多大公司都会搭建增长团队，例如市场部门负责拉新，会设立单独的增长团队，测试不同的广告投放渠道、不同的拉新手段等，目的是更高效的找到高质量的增长渠道，团队为新增等KPI负责。例如产品运营团队可能倾向于测试不同的产品功能设计、运营手段能否提升用户留存等，团队为留存等KPI负责。不同的部门设立增长团队的侧重点不同，不过目标都是聚焦于增长这个主题。增长说白了就是做量（用户数Up）和做大收入（利润Up）。

增长团队可以看成一个项目组，就是不同职能的几个同学聚到一起，为增长目标负责，所有尝试和行为符合MVP原则。通常一个增长团队包括以下角色：数据分析、增长产品&运营、设计、增长研发等角色，每个成员都需要打破职能边际。例如研发不再只是被动的接需求，要更了解产品业务。分析师区别于职能部门的分析师，需要更多的业务Sense，了解产品的优缺点，从数据角度出发，协助验证假设，产出结论驱动决策。

增长の核心方法论和流程是什么？

做增长需要聚焦到业务目标上面来，找到合适的增长等式。一句话描述增长的话：实验驱动增长。核心步骤有两个：拆解北极星指标，快速迭代实验。

首先要找到衡量增长的北极星指标，做工具、社交、资讯的产品北极星指标肯定不一样。比如Uber是总乘车数，Airbnb是总订房天数，FB是月活跃用户数。电商行业一般为GMV，Saas行业一般为月付费用户数，共享行业一般为订单数等。北极星指标需要反映用户的活跃程度及产品的核心价值，同时也在宏观层面上反映了公司的经营情况，所以北极星指标一般是绝对值。通常北极星指标是一个结果指标，无法反映业务的具体问题。比如说我们DAU 10w/天，但是新客占据的DAU 9w/天，说明我们的留存做的不好，结果指标无法反映具体问题。拆解北极星指标很关键，拆解的等式就可以理解是增长等式/模型。例如拿我们常见的DAU来拆解，DAU最后与两个关键指标有关系：新增和留存率。这两个指标可以拆到不同的部门变成KPI，不同的部门发力点不同，但是为同一个目标努力，形成合力。增长的关键指标是：新增和留存率，就像一个池子，进来的水要大，流出的水要少，这样池子才能做大。举个例子：DAU=当天新增+前一天新增*次日留存率+2天前新增*2日留存率+….通过这样的拆解，我们能够将增长点细化起来，分析每个点的数据，找到能够真正的着力点。举两增长相关个例子：

数据驱动产品迭代。这个例子是沙龙现场分享的，该增长团队的数据分析人员发现某文档过半的文章标题带有“统计、收集”等主题，通过数据洞察发现用户在线收集文档可能是重要的使用场景。接着提出若干假设，例如用户看不到对方填的信息，收集信息时候自动转换成表格等，最后就有了现在某文档这个形式的产品了。传统的产品迭代是靠经验（我瞎说的），现在更多是数据驱动，洞察用户的潜在需求，促使产品迭代。这让我想到之前做的一个新业务探索，产品在上线前已经确定了产品形态及产品定价。但是在新业务探索的过程当中，通过数据挖掘及调研，发现潜在需求用户于与既定产品并不match，最后通过行为-用户-场景的挖掘，促使产品做新的迭代，后面的冷启动效果就比之前好了。用户行为窥探用户习惯。不同的产品对应的目标用户有不同的特点，这就是很多方法论里面谈到的Magic number。比如用户腾讯文档超过三个文档，FB10天内添加7个好友，LinkedIn7天内添加5个好友，Tweet7天内30个关注等，留存会显著提升。围绕魔法数字重构用户体验，这也是增长当中常做的事情。但根据产品的不同类型，魔法数字可能会失效，工具型的产品我认为不太适合，需求摆在哪儿，没有这个需求的话，Magic number可能不会那么有效。

增长的核心就是增长实验。增长实验最大的成本是时间，尝试是最小的投入。如果实验效果显著，那么就落地复用。如果实验效果无效，那么就积极复盘，积累经验。我们曾经做过一些Case，实验收益不是那么明显，但是我们认为这个Case复盘的价值很大，不断的总结成增长实验当中的方法论。一句话介绍增长流程的话：数据洞察是纽带，链接价值探索和快速试验。数据洞察包括数据分析、预估收益、假设验证、导出结论等。数据洞察之后就是提出问题，定位问题，制定增长策略。快速试验包括实验增长策略，功能实验，上线实验，数据监控（评价），数据验证，产出结论。分析师在这里面很关键，通过数据洞察，快速验证假设，评估预期收益，再建议是否上策略做实验。比如我们最近做了个高价值用户流失原因的调研，发现一批高价值用户不在平台上下单了，但是依旧活跃在平台上，他们利用平台比价等操作。这批用户是否真的值得去召回就是分析师需要去分析和评估的了。

分析师如何做好增长？

目前分析师由于所在的部门不同，能直接做增长的不多。我所在的职能部门对接公司各个部门的业务需求，大家做的需求各不相同，对接市场、产品运营的同学可能做增长相关的工作会更多一些。如何做好增长的话，我认为分析师应当注意两点：快速验证假设，高效开展实验。快速验证假设相当于数据洞察，验证这个假设值不值得去做，需不需要制定增长策略。高效开展实验就是找到最高效的方式开展增长实验。听起来像句屁话，但是真的做着做着就很容易跑偏。举个例子：我们想提升用户留存，其中最重要的一个点就是预测用户流失。一提到预测，很多人一想到就是算法模型咔咔上，我之前脑海里面立马出现了各种预测模型，这并不是不行。分析师关注实现路径很重要，但是更重要的综合投入产出比，算法模型项目周期很长，未必适合快速验证这个事情。同样模型分为业务规则模型和数学模型，分析师对数学模型上头，却忽视了业务规则模型，实现预测用户流失的路径，明显更快更高效的是业务规则模型。算法需要调动更多的资源，收益也不可预期。如果业务问题能从业务路径去解决，那就要避免复杂的技术路径，参考12306购票机制。分析师在增长项目当中不仅要考虑增长策略落地路径，更要兼顾投入产出比。

增长有哪些坑需要避免？初次做增长实验肯定会遇到一些坑，这些坑只有冲在前线的数据分析师清楚。

结尾

用户增长这个方向火起来还没有几年，以上总结的算不上很系统的方法论，算是自己这段时间的沉淀吧～一不小心写多了，下次更及时点

Reference

前三期文章：