在这个时代，数据分析被应用在越来越多的场合。如何靠数据分析拉动用户增长，却一直是用户运营的一大难题。今天跟着作者，一起学习一套方法，通过不断试验，小步迭代，让数据分析帮助你更好地留住用户吧。

CDP与增长实验结合，很容易让数据分析师立功。今天我们就系统的讲解下这一点。话不多说，直接上干货！

一、数据分析想立功，难在哪里

数据分析想立功，核心难点在于：立功的事是别人办，出事的锅却是自己背。

特别在增长问题上。用户最后注册的页面是产品经理设计的，购买的产品是商品运营选款的，使用的优惠券是用户运营发的——是滴，直观看起来，这跟数据分析一毛钱关系没有。庆功的时候也是这些人冲在最前边。

但是，万一注册的人不够，购买的人太少，用券跟没用一样。这些人会异口同声地说：

• “我们的用户画像太过粗糙”
• “我们的数据预测不够精准”
• “我们的ABtest不够严密”
• “为什么不能提前分析出来！”

你一张嘴对抗他们三张嘴，怎么辩解都是输。

所以，往往我们看到所谓用户画像，ABtest，预测模型，要么就是那些顺风顺水的大厂在说，要么就是当产品准备卖给乙方的甲方在说。一但大形势不好，过往吹得再厉害的模型、画像、测试统统都不管用了。

问题的核心，在于：数据分析不能孤立在增长项目以外，像个街边摆摊算卦的半仙一样，等着业务甩任务过来。

• “大师你看看我这命数咋样”
• “你精准预测下用户响应情况”

这两句话没有本质区别，都是放弃了主观能动性，指望靠计算得出结果。数据分析要和业务并肩作战，打包成一个项目组，才有彻底脱离苦海的机会。

而增长实验，刚好满足这个要求。并且，它对业务方也是一个解脱，最有可能达成双赢局面。

二、增长实验是什么

增长实验，重点在“实验”。这么叫，主要是区别于以往做增长“大干、快上、跟风走”的搞法，真正落地小步迭代。

增长领域是时髦名词最多的领域，“私域流量，直播带货，圈层营销”总之隔三天一个新词冒出来。与新词一起出来的，是各路神仙吹嘘“我是如何0投入增长100万用户的”。

在这种背景下，业务部门的压力是很大的。

• 不做，被老板批跟不上时代
• 做，投多少，做不成咋办，都不知道。

因此，为了避免被领导们过高的期望压死，在传统企业做数字化转型的时候，业务部门开始大谈增长实验：咱做实验，一步步来。搞出来个增长实验做法。

这个概念和互联网公司谈的增长团队，本质上没啥区别。但是传统企业更重现实效益（销售收入，利润）的考核，因此在做法上更效益导向。

第一步：清晰实验定位

做Abtest的时候，要先考虑流量。而业务部门做增长实验，先考虑的是：“到底这个实验对公司意味着什么”以及“为了这个期望，我得投多少钱，多少人”。没钱、没人，谈啥增长。

清晰了定位以后，是落实具体的增长目标。

要注意，互联网企业和传统企业在设定目标上完全不同，大部分互联网企业都是圈钱过日子，因此能采用类似“活跃用户人数”这种很虚的指标做目标，能写进融资ppt就行。

传统企业还指望挣钱度日，因此设太虚的指标，在考核的时候会直接被判死刑。即使要设类似“新会员数量”这种指标，也要捆绑一个“新会员总销售收入”这样才牢靠。

第二步：设定待实验的增长路径

这个路径有四条（如下图）：

这一步非常关键。历史已经反反复复地证明：越是指望毕其功于一役，越是输得裤子都不剩。

最近总见到的，就是传统企业跟风上直播带货，又给折扣，又吐爆款，又砸坑位费，最后亏得底掉。因此在设计策略的时候，尽量清晰每一个策略的逻辑，才更适合循序渐进，总结出经验。

第三步：观察实验结果

对单次试验而言，数值并不是最终的结果。因为业务更多期望通过实验探索出一条道路来，因此，得把实验数据，解读成业务可用的结论。

增长效果要回答五个核心问题：

1. 业务流程是否能跑通，是否有设计缺陷。
2. 流程能跑通前提下，第一次试验，是否达到预期。
3. 第一次试验达到预期的前提下，第二次是否可复现
4. 第二次可复现前提下，第三次是否有边际效益递减
5. 边际效益递增/递减的前提下，峰值/谷底在哪里

实验结果，很可能呈现以下四种效果：

根据实验效果来调整后续工作，好的措施继续用，不好的措施废弃，积累经验，这样就能推动业务越做越好。

显然，这种做法还没有大面积地推广起来，还有很多企业停留在：拉起一面横幅《大干100天，数字化转型必须完！》然后网上时髦啥（阿里的人吹了啥）就照吵啥的原始阶段。相比之下，当然是条理清晰一步步走的增长实验要更靠谱。

三、增长实验与数据分析

明眼人一眼就能看出：这套玩法是高度数据驱动的。

几乎每个环节，都需要大量数据分析介入，这样才能导出正确的结论。同时，这样做对数据分析师的要求也提高了.

第一，要有能力把控大局，对整体业绩发展有自己判断。而不是傻乎乎问业务：目标是多少？

第二，对业务逻辑有拆解能力，能把复杂的业务标签化，从而细致分析每一个改进点（如下图）。

第三，对无法实施分组对比的情况下，如何剔除季节因素，客群属性差异等分析能力有要求。（这一点很常见，比如普通一个企业要玩私域流量，玩微商城，玩裂变，玩线上引流，玩企业微信+个人微信，是根本没法获取大量用户信息，再按属性分层抽样再分AB组的，只有大流量高粘性的平台才玩得起）。

因此，需要数据分析的能力更高。但往好处看：这是数据分析师建功立业的最好机会！想想看，项目组一般都是按项目效益拿提成，凭什么数据分析师要背着锅领死工资呢。

比起坐在后台等着别人来问：“你来个人工智能大数据精准预测一下”，能亲手做出好的结果，不是更有吸引力吗？