本篇文章对用户增长进行了简单的讲解，对用户增长进行了介绍，并且讲解了从KPI拆解的方法上构建用户增长策略的基础。让我们来看看吧~

咱们讨论的前提是公司目标已经定义清楚，无论是付费用户规模，订单规模，还是GMV，明确即可。用增的第一步是对流量到目标进行各个维度用户数据的拆解和分布。

一、关键行为

用户行为反映了用户与产品的互动，如浏览、点击、购买等。关键行为(Engagement，简称E），是指可以通过数据证明与转化率高度相关的用户行为。大部分E的值是连续的。例如对于电商业务，加购n次虽然暂时还未在窗口期内转化，但可视为完成了F(n)的目标。

需要注意边际收益一般是递减的，有的维度甚至递减非常快。具体是什么，我先卖个关子，你看看自己的业务里是否有这样的数据：

非电商也一样，比如游戏用户完成了一个小任务，虽然还未付费，但可视为完成了一部分结果。

把所有E1,E2,E3…的折算率累计=∑(En)，则可视为过程目标。便于团队内的绩效评估和资源的协调。

todo：LTV相关性

二、关键特征

关键特征，是指通过计算目标完成效率，能看到明显差异的用户数据维度，且在短期内value不变，一般是非连续的。例如地理位置、性别、婚姻、家庭成员、设备、电信运营商等约10-15种。大多以最新状态为准即可。

举例，某国家城市->效率分布

从人口的分布可以看出，数据分布的规律。若再如果把地图打开，还可以发现一般沿海城市自带港口、或者距离港口型城市较劲的地区，效果也不错。（沿海只是一个例子，需要举一反三。）

举例，某国家电信运营商->效率分布

按一般经验，比如上面城市级数据，人口数量大的往往效果也不错，但这个维度会告诉你不一定。刚好这个最大运营商的用户特征不太与业务的供给侧匹配。

如果有专业数据团队配合，还需要做数据校验。例如注册手机号做散列分10组的话，两组效率应该几乎是一样的，任何一个维度都可。

反例

简单利用一部分行为数据来定义用户数据拆解逻辑，例如历史记录中，一共有多少次付费行为。最近N天的多少天访问过APP。最近N天的多少天有付费行为。超出M天无购物行为。超出N天无访问行为。我个人粗浅理解，这属于刻舟求剑，因为日常运营行为直接干预了某些数据。关键是这些数据和最终目标并无因果关系，对用增团队来说也并没有可操作性。

三、关键特征的应用

这些数据对于划分用户群体、定制创意、以及预测用户需求至关重要。关键特征可以迅速盘点当前资源分配上不均衡的地方（可以简单的用标准方差来计算），最不均衡的维度，一般是第一个突破口，还可帮助指定完整的增长策略，和每个具体方向的抓手，也为后续内容优化提供了基础。

比如对于电商业以订单量(而非GMV）为目标，那么地理位置、行业的差异会比较明显。性别、年龄、设备等较弱。资源按照差异最大维度的分布重新分配，就可以快速出结果了。接下来是每个维度的运营策略。每个业务差异度很大，要学会举一反三。

• 地理位置，常见为城市。基于城市的内容偏好策略，商品、内容差异度甚至可以到80%。对电商来说还需要考虑物流的可用性和效率。
• 设备、运营商。针对性的服务。例如充值、回收、贴膜、使用技巧的内容。
• 性别、婚姻状况。内容偏好策略，差异度甚至可以到90%。
• 年纪这个维度上也呈现出非常明确的信号。我们的业务能让某些年龄段用户更满意。换句话说，就是对某些年龄段服务不够好。我判断是特定年龄的内容供给不足，且推荐算法有问题。
• 行业类目的偏好，可横向比较的类目，如果有较大效率差异，先看看供给侧是否有缺失，很可能缺少关键商品/内容。再看看流量侧是否有较大差异，假设体量相似，流量成本是否相差较大。若A整体不如B，且A的流量成本更低，转化过程区别不大的话，很可能供给侧出了问题。我们虽然不能在短期解决供给，但可以控制资源的分配。

服务策略的一些数据分析结果（为了让大家理解，列举了很多例子，其实我基本就用了两条算法逻辑。）：

• 地理位置的行为惯性概率可以到90%+。（这个是为了应对合作团队的挑战：你怎么知道你说的是对的，难道用户就不能xxx么。）
• 当用户的APP与最新版相隔N个版本号，转化的概率大大降低。我推断是跟用户忠诚度相关。
• 某国家头部运营商的用户，转化率明显低于其他运营商。很可能是这类用户的消费能力和我们的业务不匹配。
• 类目偏好，可以明显看出用户的转化率和留存率的分布差异。只需一小部分数据即可提前判断用户LTV。
• 类目偏好这个维度也极大影响内容偏好。一个最经典案例，如果已知用户对假发有需求，推送染发剂的成功率居然大于推送美妆用品。相信聪明的同学可以自行挖掘出原因。
• 想再说一下设备，可能旗舰级机型之间相似度更高，而不是按品牌划分。
• 女性可以给男性买快时尚产品。但反过来不行。快时尚比如男装男包，最多甚至50%买家是女性。这个和我在商场中观察的流量现象一致，Zara在大部分商场布局是1层女装2层男装。暂不讨论3层童装。1层购物的都是女性，但是2层也能经常看到女性认真挑选商品。
• 女性一旦有了孩子， 对时尚和美妆类，也就是花在自己身上的钱大大降低，需求向孩子和家庭倾斜，厨房、清洁、家装、收纳。
• 女孩的商品，基本都是妈妈买。男孩的产品是父亲买。
• 通过对孩子的性别识别，可以反推这个国家或地区的生育率，和公开数据几乎一致。
• 更深层数据分析，即刚需和改善型需求，还可以再次提升运营效率。时尚类刚需例如：服装，口红，粉底，腮红，高光（三件套）。改善型例如：眼影等高阶化妆品类，鞋，包，首饰，手表。随后展开。（devils in the details。某些业务只考虑供给侧分类，并不考虑需求侧分类。把原本刚需的产品，归类到改善型，例如发卡归到了fashion accessories。会让你得出甚至相反的结论。）

四、关于KPI的口径

一个基础但重要，且居然有人犯错的细节。

可能有的业务采用了宽归因口径，例如24小时甚至更粗。具体业务具体分析。

单说电商的话，session基本可以作为合适的口径，在这个基础上修改即可。但如果采用粗口径，会导致无论做什么，似乎都没什么用，甚至结果违反商业常识。

当你用自己的钱经营一个零售业务，且非常依赖渠道时，你会采用宽口径还是细口径呢？当渠道商期望用更粗颗粒度找你要佣金时，你会拒绝。为什么钱不从自己口袋出，就容易忘记呢？

如果目标定错了，团队努力的结果只能是随机的。