关于数据驱动增长的4个问题：是什么？为什么？有何用？怎么用？（一）

明悦数据

关于“数据驱动增长”，你了解多少？

“数据驱动增长”在2015年开始在国内被人提及，作为“Growth Hacking”的一部分，伴随Growth Hacking概念的流行而逐渐被互联网行业的产品、运营、数据分析人员所接受。

然而大多数朋友只是听说过“数据驱动增长”这个名词，对其方法还缺乏系统的认识。究其原因，首先是各公司普遍缺乏优秀的数据分析工具，其次是简短有效的课程或文章太少。作者本人通过在工作中的实践使用，总结了一些通用的方法、流程，虽不敢称完善，但足够让读者朋友从0做到“基本学会”。

对于还没深入接触过“数据驱动增长”的朋友肯定会产生这样的疑问：这个东西是什么？有什么用？怎么去用？本文第1节“基本认识”中通过4个小节解答“为什么”、“是什么”和“有什么用”的问题。

第2、3、4节解答“怎么用”的问题。其中第2节介绍3个使用实例，这样可以让读者朋友更容易理解后面的方法体系。第3节介绍第2节中的例子所体现的方法。第4节总结搭建数据驱动增长模型的一般化步骤。全文结构如图2。

图2.全文结构

学习“数据驱动增长”首先是要有个正确的宏观认识，而后基于宏观的知识框架学习具体的用法。如果读者朋友对增长已经有了系统化的认识，可以跳过第一节介绍宏观认识的部分。

“数据驱动增长”听起来很高深，其实最核心的内容并不多，之所以很多名家高手通过整整一本书去讲这个技能，恐怕是因为出版社不允许他们的书只写10-20页。作者确信：读完本文，你将对“数据驱动增长”的核心理念和技巧拥有全面系统的认识，并且能够在工作中开始尝试使用这个技能。

1、基本认识

正确认识增长

“增长”是什么？通常认为增长是提升DAU、PV、UV，最好的办法就是多引流量。然而事实是：只有“拉新”，没有“留存”的DAU/PV/UV提升不是增长！

这就好比“竹篮子打水”，看似篮子里面的水在变多，那是因为把水龙头开得大。但问题是：流量要花钱买，用户还没点击广告、没购买就走了，连获客成本都收不回来，就时更别提口碑效应了。而且，一旦你的产品把用户“恶心”过一次，不出意外的话用户是不会再回来的，忽视留存可以说是透支未来的做法！图3所示的就是“只拉新不留存”的作死姿势。

图3.“只拉新不留存”的作死姿势

PS：有些创业者就是用图3中这种办法去骗投资的，俗称“To VC模式”。

重构你的“数据意识”

那增长该怎么定义？个人认为：DAU、UV这样的指标属于“虚荣指标”，关注这些指标很容易误入歧途。目前对“增长”最好的解释就是“AARRR”模型，在有的地方也被称为“海盗模型”，如图4。

图4. AARRR模型

①获取。就是从搜索引擎、应用市场等渠道，获得产品的“访问新用户”。提升的目标要是：渠道的质量、数量、新用户比例等。

②激活。完成“体验完整产品”所需的所有前置操作，如注册、购买等，由“访问新用户”变成“使用用户”。

③留存。用户认同产品带给他的价值，持续使用产品。由“使用用户”变成“活跃用户”。

④变现。通过点击广告、流量售卖、服务付费等方式回收获客成本并盈利。提升的目标要是：付费转化率、客单价等。

⑤推荐。用户对产品的价值非常满意，并推荐他人使用。由“活跃用户”转变为“粉丝用户”。

这5个核心指标共同构成了增长，5个指标在产品生命周期的不同阶段中有所侧重，探索期更关注“激活”和“留存”，增长期更关注“获取”和“推荐”，稳定期更关注“变现”。如图5。

图5.产品生命周期各阶段的增长侧重

无论你是产品经理还是产品运营，你做的每一件事的最终目的一定都是为了增长。因此，每一件事情一定是为了提升这5个指标中的一个或多个，对应的数据分析也都应围绕着这5个方面展开。

数据能为增长带来什么

“转化漏斗”和“留存图（表）”是分析增长数据不可或缺的2个基础工具，可以应用到AARRR模型的每个阶段。具体来说，可以用“转化漏斗”来衡量渠道质量、激活转化率、付费转化率、推荐转化率，可以用“留存图(表)”来衡量日/周/月的留存率。如图6。

这2个基本工具再结合下个小节提到的“用户分群”、“用户细查”等工具，可以让我们通过数据发现AARRR中每一步的提升空间和提升方法，这就是数据为增长带来的价值。

图6.数据工具在AARRR模型中的使用

数据驱动增长需要什么样的工具

工欲善其事必先利其器，数据驱动增长需要有具备特定功能的工具。从上一小节可以看出，最常用到的数据工具是以下5个：

①转化漏斗。如图7。用于量化用户在某个功能的一组操作行为中，各个步骤的转化/流失情况，以及产品内各个功能的使用率。

②留存图(表)。如图8。用于分析7日留存、1月后周留存、1年后月留存等数据，可以通过它寻找留存率的提升空间、提升方法，检验产品优化方向的正确性等等。

③用户分群。通过用户行为筛选用户群体，达到标记重要功能的作用。

④用户细查。可以查看某个用户的所有点击和页面浏览行为，是进行定性研究的利器。

⑤来源管理。用于标记用户来源，进而可以分析各渠道的转化率、留存率、新用户占比等流量质量指标。

图7 .转化漏斗示意（图片来源：GrowingIO）

图8 .留存图示意（图片来源：GrowingIO）

其中前三个功能尤其重要，缺一不可。图9是GrowingIO、诸葛IO、神策数据的功能菜单，可以看到，每个工具都具备这3个核心功能。

图9.GrowingIO、诸葛IO、神策数据的主面板

是否能够熟练使用“转化漏斗”、“留存图(表)”、“用户分群”这3个功能，是衡量一个产品人员是否具备“数据驱动增长”基本技能的重要标准。如果手头没有这种工具的话，也可以采用其他替代方案，比如请技术同学导数据或自己写脚本，但是效率会低很多。

2.实战案例

本节介绍3个使用案例。有了案例作为铺垫，可以帮助读者朋友更好地理解后面介绍的技巧、流程。本节所采用的案例分别摘选自GrowingIO公开课第2、4、14课。（本来是打算使用作者工作背景作为案例，但是考虑到商业保密的问题，最终决定用社会上公开的例子）

案例1

以某音乐APP为例，如图10左侧，在一段时间内点击“喜欢”大于3次的这部分用户的留存如红色线所示，蓝色线表示总体用户。可以看到，点击“喜欢”大于3次的用户留存率都高于总体用户。

再对比点击“喜欢”大于3次与小于3次的用户留存之间留存的差异？如图10右侧，最下面绿色线是点击“喜欢”小于3次的用户的留存曲线。可以明显地看出来：点击“喜欢”小于3次的人留存率比总体用户的还要低。

留存分析的作用就是指导如何优化产品，既然通过数据我发现了点击“喜欢”大于3就会留存率高，那么我们可以得到一个假设：如果能让用户更早地去点击“喜欢”，那么留存下来的客户会更多。

类似地，如果用户加入了一个兴趣社区，也可以看到他们的留存率相对整体客户来说是有一个提升的。更进一步，如果用户既点击“喜欢”大于3次以上，又加入兴趣社区，其留存率又高于只点击“喜欢”大于3次或者只加入兴趣社区。

图10.某音乐APP留存图

案例2

以某在线旅行网站为例，需要提升支付页的转化率，于是选取了一个到达支付页面但未完成支付的用户，借助“用户细查”功能来详细观察这位用户在支付页的行为轨迹。

如下图11，最左边的是该用户第一次进入该平台时的动作，该客户打开页面，浏览了旅游商品页，点击了购买，并提交支付页面，但是却直接退出了，没有确认支付。第二次，这个用户又重新进来，浏览旅游商品，选择了另外一个商品，提交支付，然后又是在支付页面退出了。第三次这个用户又进来，浏览了另外一个旅游商品，提交支付，最终还是没有完成支付，这次用户完全退出APP。

通过“用户细查”发现：用户每次都在支付页面退出，然后重新选择新的旅游商品。结合对业务的理解，建立如下假设：客户选择旅游商品是一个反复的过程，包括旅游时间、酒店套房、交通安排、参观景点等等。客户在提交订单后容易再次更改自己的选择，如果订单的支付页面无法修改订单内容或者返回上一页修改订单，用户最终会放弃支付或者直接退出，导致支付转化率过低。

可以根据上述行为，建立“支付页缺乏产品比较功能”的假设，然后去对这个假设证真或证伪。具体来说，可以通过种子用户访谈去验证，如果开发代价很小，也可以通过线上A/B测来验证。

图11 .使用“用户细查”发现设计缺陷

案例3

对某个功能的转化漏斗，可以从地区维度（分析各地区的转化情况）、平台维度（iOS，Android，web等）、行为维度（领取优惠券，关注了1个商品等）等维度分析，如图12。通过对比各个维度转化率的差异，就可以找到很多的优化空间。于是可以采取类似这样的措施：增加某些地区或渠道的投放，增加某些功能的曝光，向更多的人发放优惠券。

图12.用维度对比发掘转化提升空间

3.技巧介绍

技巧1：寻找魔法数字

例1中的方法是典型的“魔法数字”，首先来明确魔法数字的概念。

当新用户在一定时间里、以某种频率使用了某个功能时，会有更大的可能留下来，成为忠诚用户。这些能够大大提高用户留存的神奇数字，就叫做魔法数字（Magic Number）。

该方法起源于硅谷的互联网公司，比如：Twitter发现新用户在30天内关注了30个好友，就很容易在平台上继续活跃，否则流失的风险就很高；LinkedIn发现新用户如果一星期内加到5个联系人，他们的留存率和使用频率将会提高3-5倍；Dropbox发现新用户只要使用1次Dropbox文件夹，变成忠诚用户的可能性大大增加。

然而仅仅知道“魔法数字”这个事实还远远不够，还应该知道这个事实背后的道理。明白道理的好处是：①如果你的产品功能点非常多，挨个试验要花费很大的精力，明白道理可以让试验有针对性。②容易混淆使用行为与留存提升的因果关系：使用该功能究竟是带来留存提升的“因”，还是留存提升后的“果”？

“魔法数字”现象之所以存在，背后的道理就是：产品中的某些功能可以让用户更快速地发现产品给他带来的价值。假如一个产品实现的用户价值是90分，而用户到达产品时可能只发现了其中的60分，另外的30分需要用户在使用产品的过程中逐渐发现。然而，用户的耐心是很有限的，如果没能让用户在耐心耗尽之前认识到产品带给他的价值，那么你没办法阻止他离开。例1中，“喜欢”以及“兴趣社区”这2个功能可以让用户更快速地发现该音乐APP的用户价值。

找到了“魔法数字”也就相当于打通了留存的“任督二脉”，事半而功倍。同样的手段其实广泛存在于我们每天都在用的产品中，比如：京东会对每月购物3天以上的用户发放积分奖励，Boss直聘把“消息”入口放到了应用内最醒目的位置。如图13。这样做都是为了让用户触发“魔法数字”。

图13.京东和Boss直聘中的魔法数字

技巧2：发现设计缺陷

这里的设计缺陷包括：测试同事未能发现的bug和让用户不舒服的设计。发现设计缺陷是一个先定性、再定量的过程，其目标通常是：提升转化漏斗中某个步骤的转化率。

A.在定性阶段，目标是找出用户行为异常的case。首先，明确自己想要提升转化漏斗的哪一步，并把这一步离开的用户使用“用户分群”功能标记出来。然后，通过“用户细查”功能去发现用户离开的前后都发生了什么，通常会找到一些“用户没有按照设计初衷使用”、“用户遇到功能bug”等类型的现象。

比如例2中，目标是提升“支付”这一步的转化率，通过“用户分群”把“到达支付页但没有确认支付”这样的用户标记出来，然后通过“用户细查”分析这部分用户的行为，最后发现：“没有完成支付”的用户中，很多都在支付页面“返回重新选择商品”。

B.在定量阶段，目标是估算定性阶段发现的问题所影响的用户数和占比。因为定性阶段发现的case既可能是单个用户遇到的个别问题，也可能是一群用户都遇到的普遍问题，所以我们需要结合影响的人数和占比来评估这里是不是要优化？优先级多高？定量计算时，首先使用“用户分群”将需要定量分析的用户定义出来，然后使用“转化漏斗”评估影响大小。

比如例2中，先用用户分群把具有“到达支付页面后返回，然后重新选择商品”这个行为特征得用户定义出来，这样就知道了这个问题每天/每周影响的用户数。然后把这个分群的用户放到漏斗中，去看这部分用户在“支付”这一步每天/每周的未转化比例有多少。

请看下集