文將以一個數據人的視角，分享用戶增長的相關方法與實踐。

文章標題結合了兩個作品的名字，一個是博爾赫斯的《交叉小徑的花園》，這篇小說講的是在不同的選擇以及環境的影響下會產生很多不確定性，前面的選擇可能會影響后面的發展，環境本身也是詭異多變的；第二個是《隨機漫步的傻瓜》，告訴我們要敬畏隨機性、不確定性，可能大家不停歸因，試圖強行給出解釋，但很多時候是有一些偶然因素存在的，尤其是在這個時代，黑天鵝事件非常容易出現。我們要在外界和內在的不確定性下，想辦法去找到更平穩的路徑去做用戶增長。

一、交叉小徑的花園

1. 信息管理：無序到有序

在互聯網興起之前，計算機都是用來做科學計算的。第一代產品主要是做信息管理，MIS 管理信息系統從物料管理慢慢變成企業資源計劃系統。整個過程其實就是不斷將生產中的要素更好地管理，達到有序的狀態，信息管理系統的變化并不產生新的東西，而是逐漸從混亂狀態變到有序狀態。

2. 信息分發：低效到高效

實現信息管理后，下一步就是信息分發。信息分發也經過了不同發展階段，最早是在黃頁中記載了相關信息，之后隨著互聯網信息的爆炸，黃頁很難完成高效的信息檢索，因此慢慢出現了搜索引擎，搜索引擎會根據網頁質量以及大家訪問情況，給用戶呈現預測排序結果。搜索引擎形態還是人找信息，那就需要用戶利用關鍵詞搜索，或更深入了解搜索引擎的用法。內容的供給方需要絞盡腦汁做各種SEO 盡可能使內容獲得更多曝光。

再進一步，能否根據用戶個性化需求做自動推薦，這就出現了推薦系統，推薦系統是根據用戶和信息的互動過程以及用戶行為反應，判斷用戶對什么東西最感興趣，然后從海量的互聯網信息里面把用戶最可能點擊查看的信息呈現出來。

3. 信息生產：從復雜到簡單

在推薦和搜索系統中，查找完信息后還需對信息進行識別、理解和整合，整合完之后可能再做一些生產加工，后續環節更多是依靠人工完成。但現在進入大模型時代，有了 AIGC 之后，很多后續工作可以通過大模型來完成，我們獲取信息的效率就會更高，信息生產也變得更為簡單。

4. 產品的本質是熵減

結合整個產品的發展會發現，信息的管理從無序到有序，信息的分發從低效到高效，信息的生產從復雜到簡單，本質上都是在做熵減，讓我們從混亂、無序、低效的事情中解放出來，在紛繁復雜的世界中找到更多的安全感。

我們會做很多努力去迭代產品，降低熵值，提升用戶體驗，從而促進用戶增長。與此同時我們也會積極創新，帶來新的價值，也是達到熵減的目的。

上述關于熵的介紹，其實是想闡明在做用戶增長之前，要先去找到自己產品熵減的路徑，形成 PMF（Product Market Fit），即產品和市場需求的匹配，然后逐步做熵減。熵減主要有兩個作用，一是有助聚焦用戶核心需求，帶來新價值，從而避免過度地設計功能，導致產品非常臃腫卻不能滿足用戶實際需求；二是避免無效動作和資源浪費，即無必要勿增實體，如盲目地跟隨競品上線新功能，但其實可能受益并不大。所以，用戶增長一定是建立在產品本身可以提供價值的基礎之上。

二、數據驅動的飛輪

1. 今日頭條用戶增長

當用戶卸載應用時，我們會嘗試挽留，挽留界面可能包含不同文案+色彩的組合，最終，我們發現其中一個方案在挽留用戶上轉化率可以提升 57%。這就是用戶增長的后續環節如何防止流失。大家會在非常多的細節上做各種各樣的打磨，AB 測試是幫助我們選擇高效挽留方案的一個法寶。

2. 字節跳動數據驅動實踐

字節的用戶增長跟數據驅動是緊密相關的，從文化基因上，大家會把公司最核心的目標用 OKR 管理起來。管理層也會使用一些經營管理工具，一線人員也會去看各種看板和報表。

字節的模式是中臺加數據 BP，中臺提供了各種各樣工具平臺，以及基礎設施；而 BP 會深入業務貼合業務需求。

為保證各類業務人員更好地消費數據，我們會建設一些敏捷易用的工具，比如數據應用層，數據資產層，或者一些引擎工具，通過不同層面的工具來保障大家目標的落地。

0987 評價體系是指 SLA 故障數為 0，業務需求滿足率 90%，分析師查詢覆蓋率 80%，用戶滿意度指標 NPS 70%。

基于上述實踐，我們提出了數據飛輪的概念。數據飛輪以數據消費為核心，連接業務和數據兩個輪子，形成增長引擎。數據應用類是直接面向業務的，比如 AB 實驗是關于如何決策更科學，行動敏捷是怎么更便捷地把數據轉化成業務收益，價值提升是如何通過數據來帶來業務增長。

飛輪底層是讓數據研發更加高效，比如做數據報表、看板都是為了幫助大家解放生產力。如何將數據變成資產更好地進行維護，以及保障數據質量，這些都是數據資產側需要考慮的。

業務應用方面，有一個增長分析產品，其作用是全方位采集使用過程中的埋點，通過增長模型深度洞察用戶，從中找出一些異動的點，進而基于洞察來指導 AB 實驗或業務上的調整。

AB 測試是通過觀察數據指標后，進行假設嘗試，看能否在某些指標上通過產品改進得到收益。我們可能會進一步做產品設計和研發，開發不同的新版本，然后通過 AB 測試將不同版本上線，通過小流量，在一定周期內觀察指標體系，去看成功指標以及業務護欄指標等，幫助我們找出最好的版本。

以一個真實業務場景為例來加深理解。以下是一個垂直資訊平臺上關于短視頻播放量提升的案例，我們希望提升短視頻播放量，進而實現用戶的促活。這里面用到了我們應用增長的兩個工具。

第一步先拆解業務，現狀是短視頻的觀看人數滲透率遠低于其他內容形態。播放量跟兩個要素有關，一是有多少人在觀看，以及人均觀看多少次。借助 DataFinder 高級分析，找到問題，主要有兩個問題一是首頁推薦里面流量占比大，但是播放率低，二是下滑 feed 流模塊新用戶人均播放次數較低。

第二步根據 AB 實驗挑選最優方案：

• 首頁改造：同類產品推薦流均提供組卡形式短視頻流，在平臺中也加入短視頻組卡。播放人數提升 100+%。
• 進料流改造：在該模塊引導新用戶進行下滑查看更多視頻，加入新手引導提示。人均播放次數提升 140+%。

通過拆解播放量指標，定位關鍵入口和目標人群，最終綜合兩個改造方案，使播放量提升了 300%。

三、西西弗斯的巨石

在這一章節中將著重探討用戶增長，這是一個循環往復，需要持續投入的工作。

用戶增長可以分成幾個階段：

1.0 階段主要是拉新和促活，即如何增加產品的 DAU(Daily Active User)。拉新策略主要通過廣告投放或一些內容營銷來吸引新用戶。促活是通過推送手段或者紅點，甚至一些優惠活動等運營手段來提升用戶活躍度，這些更多是屬于外力。

例如，Ohayoo，是一個休閑游戲平臺，在游戲推廣中一直在使用 DataTester 的廣告實驗進行投放素材的優化。通過實驗發現利用 DataTester 選取的素材轉化率更高。

用戶增長 2.0 階段，更關注留存，不管是海盜模型還是逆海盜模型，都把留存放在最前面，也就是追求長期利益，不只是短期的用戶人數增長。留存率越高，產品增長越穩定。這一階段會圍繞留存采取各種策略，比如優化產品體驗或增強用戶粘性，留存被作為了北極星指標。

留存對增長是至關重要的。花費大量精力去拉新促活，但如果用戶不能留下，產品也只能是曇花一現。例如，下圖中，A 企業次月留存 80%，B 企業次月留存 20%，一年內的發展產生了非常大的差異，盡管基礎是非常相似的。

提高留存的策略，主要分為四個方面：

一是功能和服務，要找到用戶留存的關鍵，其次通過一些補貼或精神激勵讓用戶在產品里有成長或獲得感，從而確保留存。

二是內容留存，現在是一個內容時代，不管是什么產品類，大家都得創造各種各樣內容，然后讓用戶去消費內容，或者讓用戶去做一些 UGC 的動作產生他們自己的內容進而提高用戶在產品里的痕跡。同時我們也會給用戶去推一些感興趣的內容。現在不管是內容產品、電商產品、金融理財產品，都會有自己的內容板塊。

三是社交互動留存，讓用戶跟其他人產生連接，這也是一個提升留存的手段，大家可能就某個主題形成社區去做討論，實現人和人之間的連接。

四是用戶激勵，用戶激勵需要持續、周期性地做，同時我們需要考慮當前激勵對后續行為的影響，比如學習打卡類，會設計很多數值策略，例如打卡時長。電商消費類，可以有一些優惠或者折扣等激勵政策。這些都是為了提高留存。

現在大多數產品已進入到 3.0 階段，用戶增長不再是單一的動作，而是循環運轉的動作，因為用戶狀態也在不斷變化。要形成業務飛輪，即不斷優化關鍵業務環節，形成正向循環，推動用戶增長，建立長期可持續的商業模式。

業務飛輪優勢是能加快企業實現用戶增長，提升市場份額，同時通過飛輪模型優化運營策略提升運營效率。

構建業務增長飛輪有幾個關鍵因素：

• 一是數據驅動決策，通過數據指導日常產品迭代、運營策略、增長策略。
• 二是構建增長閉環，形成用戶增長、留存、轉化的良性循環。
• 三是持續迭代優化，根據數據反饋不斷調整和優化策略。

四、隨機漫步的傻瓜

市場具有很多不確定性，很多難以預料的風險會不斷發生。

一是市場變化風險，我們很難事先預測市場的變化趨勢，這就要求我們時刻關注市場趨勢，及時調整策略，避免錯失機遇。

二是技術更新風險，當技術發展到拐點，新技術就會把老技術代替。這就要求我們跟蹤新技術發展，確保產品與時俱進，避免技術落后。

三是用戶流失風險，產品可能現在有很多用戶，但你永遠不知道用戶可能會被什么吸引走，這就要求我們及時分析用戶流失原因，制定針對性措施，提升用戶留存率。

競爭環境也是非常激烈的，大家都是在存量的池子里爭奪用戶，最大可能地擴大用戶使用時長，這就要求我們不停地推陳出新，讓用戶持續使用。市場的快速變化，也要求我們能夠做出靈活調整，及時變革以跟上這種變化。

在這種充滿不確定的時代，我們需要不斷創新自己的增長策略，研究各種各樣新的、更有效的手段，應用到增長策略和實踐中。

還要強調的一點是優化用戶體驗。通過用戶反饋和數據分析，不斷優化產品功能和界面設計，提升用戶體驗。

另外一點是資源整合，現在有很多平臺 APP、小程序、網頁，通過實現各平臺互通提升用戶體驗。用戶的整個行為鏈路可能是跨平臺的，如何整合好這些資源，形成產品跨平臺路徑，也是非常值得探索的。還可以嘗試跨界合作創新，有一些跨界的聯動和碰撞，也可能會產生一些化學反應。

產品的終極目的是追求健康的商業模式，我們做用戶增長是希望有一定商業回報的，這就要求我們要確定產品長期價值，營造一個健康、可持續的商業模式，在這個基礎上做用戶增長才是更好、更有意義的。

我們產品主線還是追求給用戶不斷創造價值、提升價值。在長期發展中，用戶還是會愿意選擇價值最大化的產品。

五、Q&A

Q1：AB 測試如何評估某一個指標？在這個評估體系下面我們如何避免辛普森悖論？

A1：辛普森效應指的是把用戶進行一些拆分，可能他在男性用戶上表現是好的，在女性用戶上表現也是好的，但是放在一起測試結果就會變差。辛普森效應更多是因為最開始的優化目標設定問題是不是針對特定人群。比如你做了一個實驗或者策略是針對特定用戶群體，但你想看他在全局上的表現，這其實是不合理的。在這里我覺得最重要的事還是要清楚歸因，比如我們在分成各種用戶群之后，要搞清楚為什么該策略對某類或某幾類用戶有收益，但對其他無收益甚至下降，進行有效的歸因分析是最重要的，我覺得一定程度上我們不必特別在意數據上的表現。

Q2：您提到了一個工具，叫 DataFinder，它是一個可視化工具，還是利用大模型，基于現有數據和分析可以直接給出解決方案和結論？

A2：它是一個交互式分析工具，和其他報表工具不同的點是其固化了很多模型，比如留存模型。它還有一個優勢就是非常快，你不用寫很多 SQL 語句做數據分析，直接按需點擊分析按鈕即可，大大降低了數據分析的門檻。

Q3：數據科學團隊和業務如何更好的配合工作？

A3：首先我理解就是 DS 要貼近業務，大家日常和 PM 類似于結對的感覺。日常要做一個功能或者策略，大家要共背指標，組成一個敏捷的虛擬項目團隊。其次 DS 要有一定的話語權，要有一定的辦法去影響業務。比如 AB 實驗，數科團隊就可以來制定一些上線標準，不滿足就不能上線。這樣對業務的影響或者干預就是比較大的。當然也是因為大家共識上重視了數據科學，才可以這么干。