时间: 2021-07-30 10:57:40 人气: 13 评论: 0
关于“数据驱动增长”，你了解多少？
“数据驱动增长”在2015年开始在国内被人提及，作为“Growth Hacking”的一部分，伴随Growth Hacking概念的流行而逐渐被互联网行业的产品、运营、数据分析人员所接受。
图1 .增长黑客的搜索指数（图**来源：百度指数）
然而大多数朋友只是听说过“数据驱动增长”这个名词，对其方法还缺乏系统的认识。究其原因，首先是各公司普遍缺乏优秀的数据分析工具，其次是简短有效的课程或文章太少。作者本人通过在工作中的实践使用，总结了一些通用的方法、流程，虽不敢称完善，但足够让读者朋友从0做到“基本学**”。
对于还没深入接触过“数据驱动增长”的朋友肯定**产生这样的疑问：这个东西是什么？有什么用？怎么去用？本文第1节“基本认识”中通过4个小节解答“为什么”、“是什么”和“有什么用”的问题。
第2、3、4节解答“怎么用”的问题。其中第2节介绍3个使用实例，这样可以让读者朋友更容易理解后面的方法体系。第3节介绍第2节中的例子所体现的方法。第4节总结搭建数据驱动增长模型的一般化步骤。全文结构如图2。
图2.全文结构
学习“数据驱动增长”首先是要有个正确的宏观认识，而后基于宏观的知识框架学习具体的用法。如果读者朋友对增长已经有了系统化的认识，可以跳过第一节介绍宏观认识的部分。
“数据驱动增长”听起来很高深，其实最核心的内容并不多，之所以很多名家高手通过整整一本书去讲这个技能，恐怕是因为出版社不允许他们的书只写10-20页。作者确信：读完本文，你将对“数据驱动增长”的核心理念和技巧拥有全面系统的认识，并且能够在工作中开始尝试使用这个技能。
“增长”是什么？通常认为增长是提升DAU、PV、UV，最好的办法就是多引流量。然而事实是：只有“拉新”，没有“留存”的DAU/PV/UV提升不是增长！
这就好比“竹篮子打水”，看似篮子里面的水在变多，那是因为把水龙头开得大。但问题是：流量要花钱买，用户还没点击广告、没购买就走了，连获客成本都收不回来，就时更别提口碑效应了。而且，一旦你的产品把用户“恶心”过一次，不出意外的话用户是不**再回来的，忽视留存可以说是透支未来的做法！图3所示的就是“只拉新不留存”的作死姿势。
图3.“只拉新不留存”的作死姿势
PS：有些创业者就是用图3中这种办法去骗投资的，俗称“To VC模式”。
那增长该怎么定义？个人认为：DAU、UV这样的指标属于“虚荣指标”，关注这些指标很容易误入歧途。目前对“增长”最好的解释就是“AARRR”模型，在有的地方也被称为“海盗模型”，如图4。
图4. AARRR模型
这5个核心指标共同构成了增长，5个指标在产品生命周期的不同阶段中有所侧重，探索期更关注“激活”和“留存”，增长期更关注“获取”和“推荐”，稳定期更关注“变现”。如图5。
图5.产品生命周期各阶段的增长侧重
无论你是产品经理还是产品运营，你做的每一件事的最终目的一定都是为了增长。因此，每一件事情一定是为了提升这5个指标中的一个或多个，对应的数据分析也都应围绕着这5个方面展开。
“转化漏斗”和“留存图（表）”是分析增长数据不可或缺的2个基础工具，可以应用到AARRR模型的每个阶段。具体来说，可以用“转化漏斗”来衡量渠道质量、激活转化率、付费转化率、推荐转化率，可以用“留存图(表)”来衡量日/周/月的留存率。如图6。
这2个基本工具再结合下个小节提到的“用户分群”、“用户细查”等工具，可以让我们通过数据发现AARRR中每一步的提升空间和提升方法，这就是数据为增长带来的价值。
图6.数据工具在AARRR模型中的使用
工欲善其事必先利其器，数据驱动增长需要有具备特定功能的工具。从上一小节可以看出，最常用到的数据工具是以下5个：
图7 .转化漏斗示意（图**来源：GrowingIO）
图8 .留存图示意（图**来源：GrowingIO）
其中前三个功能尤其重要，缺一不可。图9是GrowingIO、诸葛IO、神策数据的功能菜单，可以看到，每个工具都具备这3个核心功能。
图9.GrowingIO、诸葛IO、神策数据的主面板
是否能够熟练使用“转化漏斗”、“留存图(表)”、“用户分群”这3个功能，是衡量一个产品人员是否具备“数据驱动增长”基本技能的重要标准。如果手头没有这种工具的话，也可以采用其他替代方案，比如请技术同学导数据或自己写脚本，但是效率**低很多。
本节介绍3个使用案例。有了案例作为铺垫，可以帮助读者朋友更好地理解后面介绍的技巧、流程。本节所采用的案例分别摘选自GrowingIO公开课第2、4、14课。（本来是打算使用作者工作背景作为案例，但是考虑到商业保密的问题，最终决定用社**上公开的例子）
以某音乐APP为例，如图10左侧，在一段时间内点击“喜欢”大于3次的这部分用户的留存如红色线所示，蓝色线表示总体用户。可以看到，点击“喜欢”大于3次的用户留存率都高于总体用户。
再对比点击“喜欢”大于3次与小于3次的用户留存之间留存的差异？如图10右侧，最下面绿色线是点击“喜欢”小于3次的用户的留存曲线。可以明显地看出来：点击“喜欢”小于3次的人留存率比总体用户的还要低。
留存分析的作用就是指导如何优化产品，既然通过数据我发现了点击“喜欢”大于3就**留存率高，那么我们可以得到一个假设：如果能让用户更早地去点击“喜欢”，那么留存下来的客户**更多。
类似地，如果用户加入了一个兴趣社区，也可以看到他们的留存率相对整体客户来说是有一个提升的。更进一步，如果用户既点击“喜欢”大于3次以上，又加入兴趣社区，其留存率又高于只点击“喜欢”大于3次或者只加入兴趣社区。
图10.某音乐APP留存图
以某在线旅行网站为例，需要提升支付页的转化率，于是选取了一个到达支付页面但未完成支付的用户，借助“用户细查”功能来详细观察这位用户在支付页的行为轨迹。
如下图11，最左边的是该用户第一次进入该平台时的动作，该客户打开页面，浏览了旅游商品页，点击了购买，并提交支付页面，但是却直接退出了，没有确认支付。第二次，这个用户又重新进来，浏览旅游商品，选择了另外一个商品，提交支付，然后又是在支付页面退出了。第三次这个用户又进来，浏览了另外一个旅游商品，提交支付，最终还是没有完成支付，这次用户完全退出APP。
通过“用户细查”发现：用户每次都在支付页面退出，然后重新选择新的旅游商品。结合对业务的理解，建立如下假设：客户选择旅游商品是一个反复的过程，包括旅游时间、酒店套房、交通安排、参观景点等等。客户在提交订单后容易再次更改自己的选择，如果订单的支付页面无法修改订单内容或者返回上一页修改订单，用户最终**放弃支付或者直接退出，导致支付转化率过低。
可以根据上述行为，建立“支付页缺乏产品比较功能”的假设，然后去对这个假设证真或证伪。具体来说，可以通过种子用户访谈去验证，如果开发代价很小，也可以通过线上A/B测来验证。
图11 .使用“用户细查”发现设计缺陷
对某个功能的转化漏斗，可以从地区维度（分析各地区的转化情况）、平台维度（iOS，Android，web等）、行为维度（领取优惠**，关注了1个商品等）等维度分析，如图12。通过对比各个维度转化率的差异，就可以找到很多的优化空间。于是可以采取类似这样的措施：增加某些地区或渠道的投放，增加某些功能的曝光，向更多的人发放优惠**。
图12.用维度对比发掘转化提升空间
例1中的方法是典型的“魔法数字”，首先来明确魔法数字的概念。
当新用户在一定时间里、以某种频率使用了某个功能时，**有更大的可能留下来，成为忠诚用户。这些能够大大提高用户留存的神奇数字，就叫做魔法数字（Magic Number）。
该方法起源于硅谷的互联网公司，比如：Twitter发现新用户在30天内关注了30个好友，就很容易在平台上继续活跃，否则流失的风险就很高；LinkedIn发现新用户如果一星期内加到5个联系人，他们的留存率和使用频率将**提高3-5倍；Dropbox发现新用户只要使用1次Dropbox文件夹，变成忠诚用户的可能性大大增加。
然而仅仅知道“魔法数字”这个事实还远远不够，还应该知道这个事实背后的道理。明白道理的好处是：①如果你的产品功能点非常多，挨个试验要花费很大的精力，明白道理可以让试验有针对性。②容易混淆使用行为与留存提升的因果关系：使用该功能究竟是带来留存提升的“因”，还是留存提升后的“果”？
“魔法数字”现象之所以存在，背后的道理就是：产品中的某些功能可以让用户更快速地发现产品给他带来的价值。假如一个产品实现的用户价值是90分，而用户到达产品时可能只发现了其中的60分，另外的30分需要用户在使用产品的过程中逐渐发现。然而，用户的耐心是很有限的，如果没能让用户在耐心耗尽之前认识到产品带给他的价值，那么你没办法阻止他离开。例1中，“喜欢”以及“兴趣社区”这2个功能可以让用户更快速地发现该音乐APP的用户价值。
找到了“魔法数字”也就相当于打通了留存的“任督二脉”，事半而功倍。同样的手段其实广泛存在于我们每天都在用的产品中，比如：京东**对每月购物3天以上的用户发放积分奖励，Boss直聘把“消息”入口放到了应用内最醒目的位置。如图13。这样做都是为了让用户触发“魔法数字”。
图13.京东和Boss直聘中的魔法数字
这里的设计缺陷包括：测试同事未能发现的bug和让用户不舒服的设计。发现设计缺陷是一个先定性、再定量的过程，其目标通常是：提升转化漏斗中某个步骤的转化率。
A.在定性阶段，目标是找出用户行为异常的case。首先，明确自己想要提升转化漏斗的哪一步，并把这一步离开的用户使用“用户分群”功能标记出来。然后，通过“用户细查”功能去发现用户离开的前后都发生了什么，通常**找到一些“用户没有按照设计初衷使用”、“用户遇到功能bug”等类型的现象。
比如例2中，目标是提升“支付”这一步的转化率，通过“用户分群”把“到达支付页但没有确认支付”这样的用户标记出来，然后通过“用户细查”分析这部分用户的行为，最后发现：“没有完成支付”的用户中，很多都在支付页面“返回重新选择商品”。
B.在定量阶段，目标是估算定性阶段发现的问题所影响的用户数和占比。因为定性阶段发现的case既可能是单个用户遇到的个别问题，也可能是一群用户都遇到的普遍问题，所以我们需要结合影响的人数和占比来评估这里是不是要优化？优先级多高？定量计算时，首先使用“用户分群”将需要定量分析的用户定义出来，然后使用“转化漏斗”评估影响大小。
比如例2中，先用用户分群把具有“到达支付页面后返回，然后重新选择商品”这个行为特征得用户定义出来，这样就知道了这个问题每天/每周影响的用户数。然后把这个分群的用户放到漏斗中，去看这部分用户在“支付”这一步每天/每周的未转化比例有多少。
提升转化率时常常遇到这样的问题：我这个转化率是高呢还是低呢，还有多少提升空间？你基本没有可能拿得到竞品的数据作为参照，而且也没有必要，因为你自己的转化数据就包含了很多的信息。比如例3中，可以小范围尝试发放优惠**，然后分析收到了优惠**的用户购买转化率相对于没收到优惠**的用户提升了多少。这样你就知道了通过这一个策略，可以将整体的转化提升到多少。向新用户发放优惠**以促进购买转化在电商和互联网金融中非常常见。图14是“考拉海购”和“爱钱进”对新用户发放优惠**的做法。
图14.考拉海购和爱钱进向新用户发放优惠**
在AARRR模型中，最值得关注的是“激活”和“留存”。虽然“获取”也十分重要，但“数据驱动增长”只是为其提供了从“激活率”和“留存率”分析渠道质量的手段，其最核心的投放策略和以前相比没有太多变化；而“变现”和“推荐”的提升方法与“激活”类似，不单独讲述。
建立增长模型共分为4步：①定义增长指标。②寻找魔法数字。③优化核心功能。④提升核心功能的覆盖人数。
要根据产品特性明确激活与留存的定义。比如电商通常**把“完成购买”作为激活的标识，而不是“完成注册”就得了。同理，产品人员也要想清楚是把“打开APP”作为留存的标识，还是把“浏览商品详情页”作为留存的标识？
在明确“留存”定义的基础上，使用“技巧1”中的方法寻找“魔法数字”以及承载“魔法数字”的产品功能。
我们应该把有限的资源用于优先产品的核心功能，产品的核心功能指：“激活”过程中的必要功能和承载“魔法数字”的功能。因为如果“激活”相关的功能不好用，**导致用户直接走掉，而如果承载“魔法数字”的功能不好用，**导致“魔法数字”被触发的机**大大减少。
例如，Boss直聘中“注册”和“发布简历”就是激活过程必要功能，而“IM聊天”、“简历投递”则很可能是承载了“魔法数字”的功能。
对于“核心功能”，依照“技巧2”和“技巧3”的方法尽可能提升其转化率，以期让这些功能更加好用。
假如你开了一家很有特色饭店，你肯定**尽力把最好的招牌菜给顾客品尝。因为顾客品尝这些招牌菜后，更容易认可饭店的厨艺水平 。那么顾客就更容易在下个周末再来你的饭店消费。反之，如果顾客在第一次光顾的时候没有品尝到招牌菜，他**误以为你的饭店口味很一般，也就不**再来第二次了。“魔法数字”其实就是产品的“招牌菜”。
在完成核心功能优化之后，要使出浑身解数让用户触发“魔法数字”。可以通过“用户任务”、“物质激励”、“弹窗提示”、“push推送”、“把承载魔法数字的功能放到最显眼的位置”等等手段来实现。
有时候，你的产品中不止有一个魔法数字，为了最大化地挖掘用户留存的潜力，还需要试验下不同的魔法数字之间是否存在“叠加效果”。如果存在叠加效果，则应该把多个魔法数字组合起来使用；如果不存在叠加效果，则把实现成本低的作为首选方案，实现成本高的作为首选方案未被触发时的备选方案。比如案例1中“点击喜欢>3次”和“加入兴趣社区”就是具有叠加效果的2组魔法数字，可以同时引导用户“点击喜欢>3次”并“加入兴趣社区”。
通过数据来驱动产品增长是每个PM必备的技能，最好不要由“数据分析师”代劳，因为做这一切的事情有个重要前提——对产品和用户非常非常熟悉。比如，例1中需要非常清楚产品的用户价值才能有针对性发现承载魔法数字的功能，依据行为数据建立合理的假设也需要对用户非常熟悉，再如，例2中需要知道“加入购物车”有哪些操作入口，否则转化漏斗数据就**不全。
增长的过程当然少不了运营工作的参与。但作者本人没有负责过运营工作，在运营这件事上缺少发言权，因此本文中只对“数据驱动运营”的常用方法做一下简略的介绍。
没有数据是万万不能的，但是数据也不是万能的！
比如例1中的“收藏”、“兴趣社区”等功能的第一版方案是怎么得到的？显然不是通过数据，因为第一版之前没有数据可用；再如，为什么有的用户到了支付页后看了一眼，什么都没点就走了，这时用户没留下可分析的数据。
这说明了数据驱动的2个局限性：①数据很难启发重大创新。②某些问题压根没有数据可供分析。
可见，除了数据驱动之外，产品的优化一定还要依赖其他驱动力。关于其他驱动产品增长优化的力量，稍后我**写一篇《不可不知的4个产品进化驱动力》予以介绍，不久就**与大家见面。
如果您能够阅读到了这里，我相信你一定是一个有意志力的人。世上没有什么是一个有意志力的人办不到的，更别说掌握一个不算复杂的技能了。你接下来要做的是在工作中去不断使用这个技能。Come on！
本文作者刘鑫洋，58赶集产品经理，微博：刘鑫洋0314。
本文由 @刘鑫洋 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
