在用户增长场景下，数据驱动究竟有没有意义？在这篇文章里，作者尝试围绕这个问题进行了探讨，并对数据驱动用户增长的逻辑和底层框架做了一定解读，一起来看一下，或许会对你有所帮助。

增长必然需要数据驱动，但数据更多的是在用户增长的流量上设道坎儿，亦或在成熟衰退期找到新的利基市场从而实现第二增长曲线。

一般用户增长的放量阶段是粗旷的，要么烧钱、要么找到了产品口碑的价值点。用户增长的逻辑是找增量，而数据驱动更多的是筛选流量，这俩本质上是相悖的。数据驱动是在做存量生意，很早年前我说过数据的能力是精准。

那在用户增长场景下，数据驱动就没有意义了吗？并不是。

首先精准是做中小企业和产品的逻辑，因为中小企业更专注于眼下事情的ROI（短期利润），而大企业更关注中长期价值。这也是为什么效果广告（精准营销）是给中小企业做的，大企业如果只做精准投放营销预算都花不掉。大企业的核心是流量的合理划分导入生态最大化利用，生态说白了就是那个长尾，对流量的多道过滤。

在用户增长的数据驱动上有几件事是确定的：

一个就是用户来源的渠道归因，这个也是数字营销贯穿的逻辑，就是我哪些地方花的钱起效了，数据是可以追踪衡量的。只不过这里面比较重要的是，用户多触点渠道进来的归因逻辑问题。本质上也是为了衡量ROI，以及可以在哪些渠道大幅放量。

再一个就是精准投放的逻辑，如今演进到了oCPX（oCPCoCPAoCPS）的概念。

原本最早由于数据技术的限制，还在离线分析数据的时候，会通过离线的种子人群来进行算法特征的分析，然后通过固化的模型进行潜在用户圈选放大的逻辑，那今天数据实时化已经比较成熟，离线的训练迭代过程演变成了算法实时优化，那就变成了实时算法的迭代，实现更精准和高效。

这是可以很直接的提升ROI的手段，不过也因此越来越多的投放代理从投放优化转变成了单纯的渠道资源。

一、数字化投放场景

精准投放中有几个核心场景：

1. CTR点击率预估模型；
2. 种子人群的Look-alike ；
3. 行为标签的偏好预测；
4. 用户画像；
5. 人群聚类；
6. oCPX目标人群实时优化；
7. 渠道归因

通过对这些方式排列组合的工作流串起来，就是在不同场景场景下的精准投放SOP，当然这里面会涉及到比较强的数据技术。

我们拿一个数字化投放场景来看：

精准投放本质在与降低转化成本，提升ROI。拉新、老用户促活以及流失用户召回，这里面除拉新的目标是注册成本外，其他的目标是付费成本。

我们以优化拉新注册成本为例，低成本意味着曝光受众与目标用户匹配度高，有购买意向的人群必然最精准，用户特征可以作为人群定向策略。所以我们会对高购买意向人群进行定向投放，那这部分群体如何选取？

结合现有成熟的数据技术可以通过上文提到的手段进行人群选取。在拉新场景下有别于其他场景的是：不能通过人群包的方式定向触达，只能通过特征分析进行域外用户的特征定向圈选优化。因为是新用户，所以你的用户池中没有这个用户（当然潜客场景另当别论比较特殊，也是数字营销中的核心场景，早年DMP中的匿名用户主要就是这个场景）。

二、域外精准投放

首先可以把历史成交用户作为种子人群，进行标签画像分析以及在域外进行人群放大（Look-alike），同时可以把实时转化的种子人群通过对接oCPX的方式进行动态目标人群的特征优化，越跑越精准。现在成熟的流量平台基本都会支持oCPX。

这里用户画像可以分为域内和域外画像分析，以及域外不同的投放域。

因为现在的标签体系主要以预测标签为主，不同平台的标签体系和规则有差异，要贴合平台属性。对于域内画像就会涉及到行为偏好的标签预测，通过种子人群的行为特征进行模型训练后对用户打标。

那用户画像的作用是什么？在前些年用户画像更多的在指导投放时的定向策略，但现在随着智能投放越来越成熟，画像更多的是指导素材的创作，进行新用户的承接。

虽然画像是标签的产出，但画像和标签的用途差距很大，这里暂且不展开。详细可见我以前写的文章：《用户画像是如何用来数据驱动的》

投放也好，自然流量也好，当一个用户通过多渠道进来后就需要知道评估各渠道价值，把有限的资源投入到高价值渠道上。那渠道归因必不可少，像今年阿里妈妈推出了升级后的MTA Uplift（Multi-touch Attribution，消费路径全域全旅程归因）渠道分析归因模型。

对于阿里妈妈这个模型不再赘述，大家可以自行去查阅。不过有一点这个模型的“历史追溯分析能力”很有意思，让我想到了之前在支付宝做智能风控时为了验证机器学习推荐的策略有效性时用到的流量回溯和仿真能力。在投放渠道归因上，通过对历史流量的行为回溯和仿真进行投放策略的推演真的算是创新了。

其实域外投放和域内转化的最大区别在于算法部署的环节是在第三方流量侧还是第一方广告主侧。比如马上要说的CTR用户点击率预测模型，以及类似的预测模型。

三、域内注册转化

CTR模型其实是通过历史行为对用户的点击概率进行预测，这种方式常见于各种搜索排序和推荐场景，所以只要涉及到曝光点击的场景都会有触及。在投放场景中，因为投放的底层逻辑是CPC或CPM的点击曝光价格，要想降低转化成本本质上是要提升曝光和点击概率。

同时对于平台来讲还有一个竞争维度需要考虑，就是这个流量给谁（广告主）的问题。除了价高者得以外，自然谁点击概率高给谁曝光。

那对于域内的转化也是如此，无非拉新场景是对潜客的转化，其他是对存量用户转化。只不过潜客和存量用户的数据获取方式以及数据类型不同，因为存量用户有大量域内数据积累，而潜在用户的域内数据非常稀疏。

其实对于CTR点击概率也好、注册转化也好还是购买转化也好，本质上是算法目标的不同来进行优化。那这里面就会涉及到几个非常核心的环节，就是行为标签以及用户画像。

用户画像是作为目标人群的选取依据，标签作为训练特征。当然用户画像既可以作为目标，又可以作为结果，本质上模型就是一个精准的用户画像。

不同的用户总会给你出其不意，所以对于精细化运营来讲必然需要用户分群以及分群的画像运营。当用户表现没有明显的业务特性时就很难通过专家经验进行定义，那这个时候就需要通过人群聚类的方式利用算法找到一些特征差异和显著表现。聚类和算法模型相关的也不在此赘述了，可详见我之前写的《深入数据分析思维》。

所以数据驱动这个事本质上的核心是如何把数据技术更好的应用在业务场景上去解决问题同时通过数据来实现自动化和智能化。而数据的作用更多的是在做“筛选”，这个看似复杂实则简单的道理，大道至简。

知道了底层逻辑和框架，你自然就明白用户增长如何数据驱动。