不依賴渠道投放，如何靠用戶分析實現內生增長？

編者按：本文來自微信公眾號「職人社」（ID：Shokunins），作者 張弦，曾負責豆瓣所有產品線的數據分析工作，2016 年加入移動健身類應用 Keep，擔任數據團隊負責人。

「一開始大家眼裡的數據分析，就是一些數據和一些率，增長率或者變化率……我後來慢慢發現，分析這些規整的數據沒什麼意義。我把研究轉移到單個的用戶上。相同行為的用戶會放被在一起，組成一個用戶群。不同特徵的用戶群會有什麼用法，會做什麼轉化，這些比單純的數據分析，要有價值多」

作為最早把數據分析應用到互聯網產品的數據分析師之一，張弦認為數據分析之上是用戶分析，應該通過定量 + 定性結合的方法，用數據搭成的框架去了解用戶，了解整個產品運轉的情況，才能更好地做增長。

在「職人社 X 最美應用 X 光澗實驗室」的分享會上，張弦結合實際案例，圍繞「用戶分析和內生增長」兩個話題，分享活躍用戶增長、用戶與產品的關係、用戶遷移、留存優化方面的獨家經驗。

增長有很多種方式，比如說增加渠道的投放去獲取用戶。但張弦主張「如何讓用戶不那麼快走」比渠道投放更重要，因為：

「產品上線的第一天，流失就開始發生了」。

「我把 30 天以內的所有用戶想象成一個池子，這一天新來用戶都會進入這個池子。如果用戶後來沒有使用我們的產品，他們就會一層層蒸發，30 天以後他們就從池子里蒸發走了。」

「活躍用戶池」模型，按照用戶下載 App 后的使用情況，分級為每日活躍、近期活躍、沉默。右上角的數字代表上次使用距離今天的日期。0 代表用戶今天使用過 App。

活躍用戶池的概念就像是一個水與大氣的生態圈。最底下的一層是每日活躍用戶，而中間層就是近期活躍用戶。用戶有兩個方向，不活躍的往上走，蒸發流失；活躍的用戶往下走，變成黏性用戶。活躍用戶的面積和走勢，可以很好反應一個產品的受歡迎程度。而如果一個產品優化做得好，那麼正在蒸發的用戶可能會變成「雨」，又回到到了下層。用「池子」的概念，就把用戶活躍管理起來了。

所謂的增長，是一件「開源節流」的事情。現在獲客成本已經非常高，應該把注意力放在控制用戶流失上。這件事對活躍用戶池的增益就是阻止池子里的用戶往上走，讓用戶不斷往下翻滾、輪轉，形成對產品的依賴。用戶對產品的依賴程度不同，生命周期長度也不同。一個月或者幾小時，都是有可能的。用戶超過 30 天沒有來，我們就定義為「流失」。

已經流失的用戶就沒有意義了么？

「我會觀察這些用戶的特徵，都走過哪些路徑，有哪些痛點還未解決，跟 PM 一起討論目前產品可以改進的點。對於流失，還有一個重要場景，找到 30天用戶最後一次使用的行為，看他最後一個 session 都幹了什麼事情，我稱它為死亡現場，這個場景會給 PM 提供一個直觀的認識。這些是我的控制流失的方法，哪些地方需要維護，都一目了然」。

如何做不花錢的內生增長？

「內生增長是不花錢的，靠的是自身的資源和傳播。」

如何怎樣刺激用戶去做主動的傳播呢？

縮短決策時間。張弦舉例說 Keep 在每次用戶完成訓練以後的打卡界面都設置了分享，用戶不需要在決策的時候花費時間，這就增加用戶自發傳播的可能性。

找到合適的出口。也就用戶為什麼要做分享。以 Keep 為例，用戶的分享出口可能是由於工具（訓練的成就感、自我激勵、表明態度），內容（分享快樂、傳遞知識、收藏），社交（陪伴、自我實現）這幾個特性，在不同的使用場景下都為用戶設計了快捷的分享出口。

提升運轉效率。張弦給運轉效率定義了一個公式。其中，sr 代表分享率，ar 代表激活率。後面的累乘就是優化的目標，也就是要不然每次優化的效果足夠好使 △sr 和△ar 值變大，或者相等時間內做更多次優化累乘后更大。

用戶在使用產品是付出的是時間或者金錢，而產品需要持續給用戶提供價值，同時為自己積累 Credit。Credit 可以用來消費，比如日後增加了可能產生傷害用戶體驗的行為時，比如說廣告、改版，Credit 高的產品對應用戶的留存率會更高。

觀察高留存用戶或者路徑是無意義

用戶分析體系由屬性 （Profile），偏好 （Tag），用法 （Preference) 和生命周期四個維度組成。屬性包括人口學特徵（性別、年齡等）、通過機器記錄下來的東西，例如渠道、機型等。偏好則是在用戶使用產品之後表現出來的特性。用法要比前兩層更深入一些，是用戶使用產品足夠長后產生的數據，比如是喜歡訓練、喜歡看視頻。生命周期則是更長遠的問題，是用戶從激活到流失的整個過程的特徵，要關注用戶在生命周期中產生的價值與獲客成本之間的關係。

Keep 的全景漏斗

全景漏斗是更好觀察用戶體系的方式，把產品的核心用法進行梳理，建立每個核心用法的轉化率漏斗。全景漏斗有兩個維度，橫向是各類用法平行分佈，用戶在用法之間遷移。用戶要有兩次來訪才能被定義為真正使用某個「用法」，通過這樣清洗一些臟數據。縱向是各類用法核心流程的轉化。每一個用法都有自己的漏斗，漏斗裡面每一步都是可以執行的。

觀察用法遷移時，需要選定觀察周期，一般是周。在同一個觀察周期內，我們研究用戶在各用法的重合度。在兩個觀察周期間，我們研究各用法的遷移情況。

「單找高留存的用戶或者是他們的路徑是沒意義的，這是回答不了如何讓產品留存率高的問題。」張弦說，「找出留存優化空間才更重要。」

每個產品中都會存在一些「Ranger」。這些 Ranger 不存在於任何用法中，只具備「屬性」和「偏好」兩種特質，甚至甚至連「偏好」都沒有。這樣的用戶比例有多大呢？張弦的經驗數字是 20-30%。這些用戶雖然是活躍的，但他們沒有真正在用產品。就是所謂的來訪遊客。「Ranger 的生命周期都很短，我們要做的優化就是避免用戶遷移到 Ranger上去。」

留存優化的空間在哪？

關於留存的優化空間，張弦給出了三個方向：

1.解決掉阻現有阻礙

例如 Keep 關於運動能力測試的調整，本來想希望通過引導新用戶進行體能測試，快速找到練習課程，但其實很多用戶首次註冊啟動后並不具備這樣的測試環境，但又比較難找到關閉的「入口」，導致新用戶流失，調整之後留存率有明顯上升。

2.場景化和個性化（推送、推薦、模塊），提高留存率

例如根據用戶的網路環境情況來做不同的 Push，Keep 對新用戶的首周推送套餐

3.引導和激勵，把用戶激活

做留存優化的第一步要關注正確的指標。張弦認為選擇的關注指標與留存率的關係應該是兩步以內的。影響留存率的因素會有很多，所以留存率是可以往下拆的。與留存率直接相關的顯然對留存影響更大。

下一步是做 A/B 測試。A/B 測試是有順序的。A/B 測試需要去研究轉化漏斗，從上游和下游的關係去想。開始要先對上游的指標去做測試，因為上游的指標被優化后，下游的指標也會改變。

A/B 測試最容易遇到的坑就是誤差被低估。在做 A/B 測試時很重要的點在於控制唯一的變數，其他的變數上的變化應該是均勻的。這一步的變數檢驗一定不能忽略，實現的手段可以是逐步分組。另外一個容易犯的錯是，同時分析多個因素對某個指標的影響。這樣的測試是沒有意義的，因為測試結果不能表明是由什麼因素造成的。

本文為「職談」第 3 場線下交流會部分內容整理，若想獲得張弦的全部講義內容，可在公眾微信號職人社（）回復「張弦」，即可獲取下載鏈接。如有其他問題，請聯繫職醬 （）。

「職談」是職人社主辦的系列線下分享活動，為 3 年以上工作經驗的互聯網從業者提供一手的經驗乾貨、實戰案例，持續交流學習，拓展視野。同時構建高質量的社交圈子，結識同行新朋友。關注公眾微信號職人社（）可了解詳情。