本篇文章對用戶增長進行了簡單的講解，對用戶增長進行了介紹，并且講解了從KPI拆解的方法上構建用戶增長策略的基礎。讓我們來看看吧~

咱們討論的前提是公司目標已經定義清楚，無論是付費用戶規模，訂單規模，還是GMV，明確即可。用增的第一步是對流量到目標進行各個維度用戶數據的拆解和分布。

一、關鍵行為

用戶行為反映了用戶與產品的互動，如瀏覽、點擊、購買等。關鍵行為(Engagement，簡稱E），是指可以通過數據證明與轉化率高度相關的用戶行為。大部分E的值是連續的。例如對于電商業務，加購n次雖然暫時還未在窗口期內轉化，但可視為完成了F(n)的目標。

需要注意邊際收益一般是遞減的，有的維度甚至遞減非?？?。具體是什么，我先賣個關子，你看看自己的業務里是否有這樣的數據：

非電商也一樣，比如游戲用戶完成了一個小任務，雖然還未付費，但可視為完成了一部分結果。

把所有E1,E2,E3…的折算率累計=∑(En)，則可視為過程目標。便于團隊內的績效評估和資源的協調。

todo：LTV相關性

二、關鍵特征

關鍵特征，是指通過計算目標完成效率，能看到明顯差異的用戶數據維度，且在短期內value不變，一般是非連續的。例如地理位置、性別、婚姻、家庭成員、設備、電信運營商等約10-15種。大多以最新狀態為準即可。

舉例，某國家城市->效率分布

從人口的分布可以看出，數據分布的規律。若再如果把地圖打開，還可以發現一般沿海城市自帶港口、或者距離港口型城市較勁的地區，效果也不錯。（沿海只是一個例子，需要舉一反三。）

舉例，某國家電信運營商->效率分布

按一般經驗，比如上面城市級數據，人口數量大的往往效果也不錯，但這個維度會告訴你不一定。剛好這個最大運營商的用戶特征不太與業務的供給側匹配。

如果有專業數據團隊配合，還需要做數據校驗。例如注冊手機號做散列分10組的話，兩組效率應該幾乎是一樣的，任何一個維度都可。

反例

簡單利用一部分行為數據來定義用戶數據拆解邏輯，例如歷史記錄中，一共有多少次付費行為。最近N天的多少天訪問過APP。最近N天的多少天有付費行為。超出M天無購物行為。超出N天無訪問行為。我個人粗淺理解，這屬于刻舟求劍，因為日常運營行為直接干預了某些數據。關鍵是這些數據和最終目標并無因果關系，對用增團隊來說也并沒有可操作性。

三、關鍵特征的應用

這些數據對于劃分用戶群體、定制創意、以及預測用戶需求至關重要。關鍵特征可以迅速盤點當前資源分配上不均衡的地方（可以簡單的用標準方差來計算），最不均衡的維度，一般是第一個突破口，還可幫助指定完整的增長策略，和每個具體方向的抓手，也為后續內容優化提供了基礎。

比如對于電商業以訂單量(而非GMV）為目標，那么地理位置、行業的差異會比較明顯。性別、年齡、設備等較弱。資源按照差異最大維度的分布重新分配，就可以快速出結果了。接下來是每個維度的運營策略。每個業務差異度很大，要學會舉一反三。

• 地理位置，常見為城市?；诔鞘械膬热萜貌呗?，商品、內容差異度甚至可以到80%。對電商來說還需要考慮物流的可用性和效率。
• 設備、運營商。針對性的服務。例如充值、回收、貼膜、使用技巧的內容。
• 性別、婚姻狀況。內容偏好策略，差異度甚至可以到90%。
• 年紀這個維度上也呈現出非常明確的信號。我們的業務能讓某些年齡段用戶更滿意。換句話說，就是對某些年齡段服務不夠好。我判斷是特定年齡的內容供給不足，且推薦算法有問題。
• 行業類目的偏好，可橫向比較的類目，如果有較大效率差異，先看看供給側是否有缺失，很可能缺少關鍵商品/內容。再看看流量側是否有較大差異，假設體量相似，流量成本是否相差較大。若A整體不如B，且A的流量成本更低，轉化過程區別不大的話，很可能供給側出了問題。我們雖然不能在短期解決供給，但可以控制資源的分配。

服務策略的一些數據分析結果（為了讓大家理解，列舉了很多例子，其實我基本就用了兩條算法邏輯。）：

• 地理位置的行為慣性概率可以到90%+。（這個是為了應對合作團隊的挑戰：你怎么知道你說的是對的，難道用戶就不能xxx么。）
• 當用戶的APP與最新版相隔N個版本號，轉化的概率大大降低。我推斷是跟用戶忠誠度相關。
• 某國家頭部運營商的用戶，轉化率明顯低于其他運營商。很可能是這類用戶的消費能力和我們的業務不匹配。
• 類目偏好，可以明顯看出用戶的轉化率和留存率的分布差異。只需一小部分數據即可提前判斷用戶LTV。
• 類目偏好這個維度也極大影響內容偏好。一個最經典案例，如果已知用戶對假發有需求，推送染發劑的成功率居然大于推送美妝用品。相信聰明的同學可以自行挖掘出原因。
• 想再說一下設備，可能旗艦級機型之間相似度更高，而不是按品牌劃分。
• 女性可以給男性買快時尚產品。但反過來不行?？鞎r尚比如男裝男包，最多甚至50%買家是女性。這個和我在商場中觀察的流量現象一致，Zara在大部分商場布局是1層女裝2層男裝。暫不討論3層童裝。1層購物的都是女性，但是2層也能經?？吹脚哉J真挑選商品。
• 女性一旦有了孩子， 對時尚和美妝類，也就是花在自己身上的錢大大降低，需求向孩子和家庭傾斜，廚房、清潔、家裝、收納。
• 女孩的商品，基本都是媽媽買。男孩的產品是父親買。
• 通過對孩子的性別識別，可以反推這個國家或地區的生育率，和公開數據幾乎一致。
• 更深層數據分析，即剛需和改善型需求，還可以再次提升運營效率。時尚類剛需例如：服裝，口紅，粉底，腮紅，高光（三件套）。改善型例如：眼影等高階化妝品類，鞋，包，首飾，手表。隨后展開。（devils in the details。某些業務只考慮供給側分類，并不考慮需求側分類。把原本剛需的產品，歸類到改善型，例如發卡歸到了fashion accessories。會讓你得出甚至相反的結論。）

四、關于KPI的口徑

一個基礎但重要，且居然有人犯錯的細節。

可能有的業務采用了寬歸因口徑，例如24小時甚至更粗。具體業務具體分析。

單說電商的話，session基本可以作為合適的口徑，在這個基礎上修改即可。但如果采用粗口徑，會導致無論做什么，似乎都沒什么用，甚至結果違反商業常識。

當你用自己的錢經營一個零售業務，且非常依賴渠道時，你會采用寬口徑還是細口徑呢？當渠道商期望用更粗顆粒度找你要傭金時，你會拒絕。為什么錢不從自己口袋出，就容易忘記呢？

如果目標定錯了，團隊努力的結果只能是隨機的。