本文深入探討了如何通過細分場景挖掘、用戶行為分析、智能化模型應用等手段實現業務的量變到質變的增長。如果你對如何提升業務效率、優化用戶體驗、實現數據驅動的產品化感興趣，那么這篇文章將為你提供寶貴的參考和啟示。

首先我要先發表一個我的觀點：今天的增長不再是撬動單點的巨大杠桿，而是通過更多細分場景的挖掘和提升、組合起來從而量變引發質變的增長。所以今天的增長拼的是效率，效率所形成的杠桿。

數據驅動業務基本貫穿我的職業生涯，大大小小的規模、階段以及不同的業務場景。從早年攜程的業務自動化到網易的數據中臺與SaaS商業化再到阿里的ALL in AI，這讓我站在不同視角看到和體會了很多，也沉淀了一些自己的方法和看法。數據驅動業務是業務數字化的表現，會有涉及很多板塊。

從不同的視角出發點和框架也不同：從業務的視角下核心就是從用戶和收入出發；從企業數據的視角下那就是支撐數據起作用的各個板塊和環節：BI、數據采集、數據資產（要素）、數據服務以及數據智能化。但大多數人受限于經歷往往只會從某個點思考，就會缺失某些對業務和數據同樣重要的共同點。

早年阿里有句話叫業務數據化和數據業務化，標語說的很實在，不會脫離業務搞數據，數據要有業務語義的解釋，也不會脫離數據搞業務。放在2020年前可以大講特講數據中臺，但在今天的企業環境下中臺黯淡了許多，不是因為不重要，而是大家都搞不起了，更多的關注眼前利益。

所以今天我們從業務視角出發，結合那些少為人知的數據中臺理念，看數據驅動的業務該怎么建設。

我說業務核心的是用戶和收入，當然收入更多是一個自然而然的結果，它可以被影響但很難被趨勢性的改變，還是源自產品或商品售賣方式和服務。

所以俗話說的很有哲理，所謂回歸初心，回歸初心。不單是保持本心，也是一切的源頭，要想改變就要回到初心，改變初心。那我們就從這兩個方面入手來看——對于業務建設的核心要素有這么幾點：

1. 用戶旅程的數據化呈現和設計
2. 用戶行為數據采集模型的全局規范
3. 用戶來源的歸因以及行為偏好
4. 站外培育的用戶識別與站內承接
5. 生命周期各業務環節用戶模型的建立
6. 用戶模型的數據快照與流轉分析
7. 指標和標簽的數據中間層
8. 各渠道間用戶轉化路徑設計與跟蹤
9. 各場景的單點智能化與模型策略沉淀
10. 單點場景策略的人群放大
11. 數據驅動增長的產品化

我把這些要素歸納總結為以下幾個板塊：

1. 用戶行為與旅程
2. 用戶模型
3. 業務數據中間層
4. 智能化與策略模型沉淀、優化和放大
5. 產品化

這篇文章可能無法事無巨細的講清楚，畢竟篇幅太長，所以我通過這幾個大的板塊去來講述這些要素和必要性。

01 用戶行為與旅程

用戶行為是個老生常談的問題，而用戶行為和旅程這里面涉及到2個粒度：一個是細粒度的用戶行為路徑——關系路徑和時序路徑；另一個是業務各重要節點的用戶流轉關系。

當然用戶路徑呈現的前提是行為數據的埋點采集，這里面涉及到一個很重要但卻關乎數據驅動業務整體性增長成敗的問題，就是規范——也就是說對于埋點和行為數據在企業層面認知和話語體系是否統一的問題。

因為如果沒有規范就會導致每個人都會不斷地對一個地方進行重復埋點永遠無法信息對稱，如果你不知道別人埋了什么，憑一個人的力量無法將所有點埋完，那就無法整體性的分析和使用，就無法突破量變引起質變。

所以這是一個看似無助實則巨大又容易被忽略的問題，往往業務走到后期陷入困境才發現這個問題只能回過頭來重構。這不是一個中臺問題，這是一個業務問題，只是往往中臺去承擔這個責任。

那基于用戶行為和旅程必然會梳理和追蹤到各用戶來源渠道，渠道涉及到最核心的問題一個是自然流量、一個是付費流量。尤其是付費流核心就是投入和ROI的問題，那資源、錢最大化的利用就要涉及到渠道歸因，直白來說基于ROI哪個渠道用戶貢獻最大，資源投入最大。

當然不同渠道也有其人群特性和業務價值，比如像用戶培育、種草口碑、裂變等，因此還有其他的考量因素。除了資源分配，就是在投流時抓住用戶的作息和興趣偏好等進行優化來進一步提升轉化。

當今天內容種草成為趨勢以及搜索平臺往內容平臺轉移的趨勢，大大的加強了站外培育的趨勢。你無法阻止用戶在站外了解你、評估你和學習你，同時你也不用費心去想方設法的構建站內的內容培育體系，因為站外往往更優秀和更接地氣（所謂接地氣就是更能從用戶視角出發以及痛點的把握）。其實站外培育這個可以放到用戶模型中來講，會在潛客模型這一側。

但正是因為當用戶行為數據以及旅程的梳理，會自然而然的發現這一波奇特的用戶群體——你什么都不用做，這波用戶就會從自然流進來直接付費。這個就屬于業務增長中單點場景的挖掘，量變中的“量”。

所以這就是數據驅動從無到有的優勢，如果憑借經驗你很難發現，即使發現了也無從下手，因為沒有行為就無法區分這些用戶。

當這個場景的用戶數據模型建立后，就可以不斷優化算法模型來更精準的找到這波人——這叫Look-alike人群放大，我后面會在用戶模型中講這一場景和方法——通過調研和定性的方式挖掘到一小批用戶樣本，再通過模型訓練、人群放大的方式放大場景價值。

02 用戶模型、策略框架與智能化

用戶模型我們聽到的有很多，比如像電商、零售常見的RFM、AIPL、FACT等；App類的活躍留存模型等。對于用戶模型的設計和分析涉及面很廣，根據不同的行業和業務模式應用方式也不同，即使同一個模型比如RFM在不同的業務和場景下應用方式和目的也會有很大差異。

當然剛才提到的是一些固化的用戶模型方法，這些更多的是在大的業務流程中以及用戶生命周期各個環節上的用戶模型框架。

比如貫徹整個生命周期的AIPL，又或者在AARRR中——（Revenue）收入環節的RFM價值用戶分層。但是這些固化的模型方法往往沒辦法進行新的用戶場景挖掘的，只是更好的對用戶進行分層管理。

亦或者說，十年前的方式對于今天來講不夠精細化，今天的精細化是要在這些用戶模型框架下去挖掘一些新的細分用戶場景，而這些細分場景是量變引起質變增長的變量。

我們一直在說『用戶挖掘』——其實這是一件很難的事情，對于大部分人來說無從下手。這個名詞看似是一個完全由數據挖掘的，其實不然。這也是我一直在強調的——大數據不能解決所有問題，單純的數據分析無法找到真正的根因。

那對于細分場景的挖掘，或者說更細粒度的用戶模型該怎么挖掘？

對于用戶模型來講其實應該有兩層含義：一層就是上面提到的用戶分層模型；另一層其實是通過模型進行細分場景用戶的識別——比如上面我講到的已經進行過站外培育的用戶群體。

那對于新場景人群的挖掘和識別，單純靠數據是沒法冷啟動的，因為你不知道你不知道的東西——也就是新場景是什么。這里就會涉及到一個調研和定性研究，其實本質上是在發現一個新的場景以及積累模型種子人群樣本的過程。

在智能營銷投放的領域有一個概念叫Look-alike人群放大——基于種子樣本人群進行模型訓練后，通過模型在廣泛的人群中找到相似特征的人群。

同樣我們把這個思路放在業務場景挖掘上，當我們發現一些具有特殊行為表現的用戶進行調研，或者就單純對用戶進行抽樣調研，會發現一些新奇的場景——比如說站外培育群體、對你具有濃厚興趣但并非產品設定的目標用戶等。

通過對這些用戶的行為進行模型訓練后，這就是既定場景人群的挖掘模型——不是為了人群分層管理，而是為了劃分場景制定個性化的策略。

所以我們今天一直在說智能化，所謂智能化不是一個從0到1再到N的過程，而是一個從N到1的過程，是由大量的單場景智能化組成的體系化。

那我們再說回用戶分層，對于用戶分層來講，我們不單單是按照既定用戶模型規則把人群分好即可——用戶是流動的，為了后續能對策略進行精確的效果分析和歸因，是需要通過人群的靜態切片去進行觀測的——這也是Cohort Analysis（同期群分析）的核心，也就是通過控制變量的方式來看策略的有效性。

當然Cohort Analysis是遠遠不夠的，因為我剛才說到用戶是流動的，如果從整個數據閉環來看，必然要追蹤用戶流轉到什么地方以及為什么。

所以這時候我們需要對不同時期通過用戶模型劃分的群體進行數據快照，通過數據快照的對比來發現和分析用戶在群體間的流轉關系以及發生了什么和為什么。

這是很多業務同學所忽略的，主要原因在于不懂數據、不知道能做得到以及沒有往深處想，當然也很復雜。我之前的文章有詳細的講解和案例《深入用戶分層的數據應用》，在這里就不詳細贅述了。

對上面所講的用戶模型做個簡單總結：一類是場景挖掘和拓展的模型——通過固化下來用戶場景的模型后，拓展找到更多相似的用戶群體；另一類是老生常談的分層模型，但需要進一步精細化深挖下去進行流轉和歸因分析。

當然對于用戶分層模型來講，在不同的業務環節和用戶生命周期階段會有不同的模型應用，因為分層的目的是為了針對性策略落地：比如AARRR中潛客獲客、激活活躍、收入等環節，那整個生命周期串起來的用戶模型是個大的策略框架，在每個用戶模型下場景挖掘的用戶模型就是策略框架下的細分場景。

同樣這些細分場景最終組合起來的其實是一個影響用戶體驗管理的歸因因素框架，當然這是一個額外和更高深的話題這里暫且不談。

03 業務數據中間層

一般說到業務數據大家常說的是指標體系，10個人的簡歷有9個人會寫指標體系。但往往大家所指的指標體系僅僅是在監控和觀測角度的指標。

你說重要吧？很重要，但又不那么重要——因為除了觀測，其他的什么都不能做。

這里要說的業務數據中間層不像數倉的數據中間層一樣過于抽象業務難以理解，又或是業務數據集市過于定制不靈活。

當然今天我們不講數據構建，講了大部分人也不感興趣聽不懂，但是有必要來說說為什么要有供業務使用的數據中間層?！蔷褪菙祿褂贸杀?、產品化的準備、業務歸因基礎以及老生長談的數據一致性、可解釋性以及質量等。

想要數據驅動必然先要解決的是業務同學數據使用成本的問題，否則取數過于困難還是拍腦袋靠譜，談什么數據驅動？

對于現在很多運營來講，寫個單SQL查詢還是容易的。所以對于中間層來講，可以快速的讓運營通過一個簡單的SQL查詢可以聚合不同維度進行多個指標的查詢。

這就解決了一個找數據分析師擠兌取數的問題，取數必然是為了策略以及效果驗證，排隊意味著你的策略反饋不及時，永遠趕不上業務變化。當團隊越龐大，這種現象越明顯，企業人效的角度永遠不會配備充足的數據分析師。

這就是很多策略和業務節奏之間總是存在很大的gap，最終策略無論好與壞都是無效的，因為不具備時效性和及時反饋——從用戶感知的角度就是行為旅程是斷層的，從運營的角度就是SOP是割裂的。

因為策略永遠不是單點策略，是需要前后承接的。后面我們要講到的要把數據驅動的過程產品化時很重要的一點就是要有與業務語義一致的數據體系——指標和標簽的數據、口徑和可解釋性。那最好的方式就是用同一套數據源，數據一致這也能保證業務策略和產品的步調一致，不會像瀑布一樣因為落差變成一個傳遞的過程。

當我們通過產品化的方式保證策略自動化和智能化執行的時候，數據一致性就顯得更為重要，否則事前的分析和執行的結果永遠無法對齊，這就像聽天由命一樣——你也不知道誰是對的，有沒有效。

上面提到業務歸因，歸因本質上是一個關系建立的過程，那業務歸因的前提是要建立數據之間的關系。業務中間層從場景和數據的角度建立了數據關系，所以這個就是具備業務歸因可解釋性的基礎。

否則就只能通過像類似異動檢測算法一樣，僅僅通過數據表現來尋找關系。最后我強調一下，其實對于業務中間層來講包括指標和標簽的數據中間層就夠了。

只不過在標簽這一層可能會有好幾套數據體系，因為標簽會有一個主體的概念，在今天 的互聯網中我們標記主體的標識很多，所以有了OneID。

但從業務的角度不同標識其實對應的用戶場景是有區別的，所以策略的應用也會有所差異，比如不同場景下的觸達策略和渠道對應不同的用戶觸達標識等。

對于業務數據中間層這個部分我相信很多人理解起來有點抽象，因為背后涵蓋了太多的數據領域的專業知識沒辦法逐個展開，以及把一個龐大的數據體系濃縮后更貼合和適配于業務。

所以…其實也沒什么所以，這就是一個業務和數據知識、團隊以及資源整合的問題，這里先給大家傳輸一個理念吧。

04 數據驅動的產品化

把數據驅動產品化的核心就是把業務目標、人群、觸點、內容以及自動化流程，包括我上面提到的以及其他業務定制的場景產品化。詳細的在這里我不過多的贅述了，可以去翻我以前寫的所有跟數字營銷和增長相關的文章，結合自身的業務場景把產品整合起來就好。

但我想要強調的是為什么要做這件事，就是在做產品前你要把價值和定位想清楚，而不是一味的我就是要做。做產品化的目的不是要一個營銷增長工具或者數據分析工具，在今天SaaS成熟度比較高的情況下，好用的工具遍地都是，更何況AIGC的加持。

從工具層面完全可以利用SaaS的開放去進行整合，既省力又省錢，這也是多虧了這么些年來SaaS在開放層面的努力。

產品化的目的是為了固化場景和策略并形成SOP、建立業務場景的數據聯系以及自動化與智能化從而實現量變到質變，所以今天的增長拼的是效率，而借助產品化來提升的就是效率和杠桿。

這里的效率不單單是人效，像我前面提到的很多場景挖掘模型是沒辦法靠人做到的。當然人在這里最核心的作用變成了探索——也就是說在既定場景的SOP形成前，是需要通過人來挖掘和快速實驗去摸索初步的SOP。

還有一層效率是——當積累了場景、數據和策略的時候，在智能化上的突破——用戶挖掘、智能投放、用戶路徑優化、內容生成等。

產品化也是歸因的前提：一方面產品可以強制性約束策略的沉淀；另一方面可以把每個人分散的策略歸集為一個整體并數據標準化。否則只是靠單個人的匯報，很難有一個整體性的判斷，并且你也不知道策略互相之間的影響是怎樣的。

當然你覺得這個東西可以靠數據分析師去完成和統籌，那基本不可能——暫且先不提數據分析師與業務之間的gap以及對業務的理解程度，光我上面提到的業務節奏和數據時效性問題，以及對數據分析師來講每一個個性化策略背后都是一個獨立且復雜的數據處理過程。

而對于策略是可以抽象標準化的執行動作，就像開始我提到的人群、觸點和內容等——這就意味著個性化的策略背后數據、評價標準是可以標準化的。以及策略間的相互影響是可以通過數據清晰可見的。

當然產品化還有一些產品自身的優勢，比如便于管理、約束、信息對稱以及提效等——這些是所有產品的共性，不是獨有的，在這就一略而過了。

05 簡單再提一嘴智能化

上面用戶模型中我提到了一些智能化的場景應用，其實智能化的應用方式非常多，本質上智能化的應用是你對機器學習的理解——比如上面提到可以通過機器學習進行用戶挖掘；同樣也可以對用戶樣本數據反向進行特征的相關性分析；也可以拋開固有的用戶模型方法通過機器學習進行人群聚類分層等。

機器學習過程中的每一個環節都可以考慮在不同場景上去應用或進行策略分析和產出。我提到的量變可以先從單點的智能化開始，但不同場景的目的和解決方式各不相同，所以要好好思考和機器學習的匹配和結合。如果今天你在做增長不帶點數據科學的話，那就要真的好好思考一下增長的破局方式了。

06 額外提一嘴PLG

PLG是指的產品驅動增長。PLG是國外環境下的產物，其實我認為也是國外工程師文化的表現，國內的文化環境差異性較大，所以我想聊聊對國內PLG的一些想法。

中國和美國市場差異比較大的是營銷環境，國內充斥著大量營銷所產生的噪聲，其實你看銷售市場也是這樣——美國注重的是知識型或項目解決方案型的銷售，國內注重的是快速成單的電銷。

當然對于原因我們不去深究，但呈現出來的現狀確是如此，這也是為什么很多國外知名的產品進入國內后屢遭碰壁，甚至退出中國市場——Amazon、salesforce等。所以PLG不是沒有營銷屬性，而是不以營銷屬性為主。

營銷在其中核心的是那個鉤子以及最后促使你轉化的臨門一腳。你會發現AIPL模型的核心不是把人劃分成了認知、興趣、購買和忠誠，而是人性——是通過各種方式和手段push你進入到下一個階段。你看銷售亦是如此。

我覺得在國內的環境下對于PLG來講核心是要從這幾點去思考和建立體系化的常規策略：

①如何保證免費流量的最大化轉化；②如何通過付費流量去撬動免費流量；③在不同階段的用戶鏈路上保持常規的營銷手段。

對于免費流量來講本質上如果拋開營銷和權益的誘惑，主要就是源于品牌知名度和口碑。

所以免費流量的規模和波動是很難直接把控的，所以核心應該是保證進來的免費流量最大化的轉化和利用，所以要有清晰的用戶跳轉鏈路——通過構建用戶在不同外部渠道引流站內的路徑來促使用戶更方便的找到你和了解你從而產生興趣，甚至說先產生興趣再來找到你、了解你。

像我們前面提到的站外培育，當通過模型識別出用戶后通過一系列觸達手段提升直接轉化率來達到最大化轉化也是一個很好的例子。內容種草以及信息搜索方式的轉變是用戶付費決策的轉變——信息檢索的是口碑，口碑代替的是親身體驗，所以這應該也算是體驗經濟下的另一種體驗方式。

所以付費流量要把流量采買和內容種草結合起來再通過口碑傳播的方式撬動免費流量——這也是今天一種比較成熟的達人經濟模式，你幫我內容植入我幫你投流放大影響，也有一套比較完善的評價體系。

說到免費流量，說到PLG，我相信很多人第一個想到的就是裂變，然后就是拼多多。

但拼多多通過裂變帶來的巨大增長我不認為是所謂的免費流量，因為撬動免費流量背后砍一刀的巨大現金誘惑，實際上是為這些免費流量進行了付費，只不過付費的方式不同于直接的流量采買，和我剛才提到的付費的方式去進行內容植入是一樣的。

所以都是付費，這個錢花在哪能帶來更高的杠桿去撬動免費流量是很重要的。

對于PLG的營銷手段來講，我們不能完全像國外一樣干干凈凈，因為國外用戶和中國用戶對產品價值的感知不一樣?？评盏臓I銷學原理中有講的一個基礎的理論叫顧客讓渡價值，總而言之就是顧客總價值和總成本之差。

國內用戶對產品價值的理解不只是產品本身，大部分用戶的產品價值中是包含著一些蠅頭小利去彌補自身的精神成本，所以常規的營銷手段是為了補齊產品價值。

以上就是我把我的這些數據驅動業務增長的要素和關鍵方法濃縮提煉出來的一篇深度的希望可以引發大家思考的文章。最后我想說開源是增長，節流也是增長。