互联网的世界里一切都是为了增长，灵光一现的创新可能会让一个产品成功，但绝不可能长久，在用户增长的领域里，如何复用一套框架，找到最佳实践的一条路径，再配备一点运气，去实现商业成功是我一直所探索的话题，这篇文章和今后的几篇文章将系统性地阐述用户增长的最佳路径。
用户增长定义在市面上已经有很多完整解释了，这里就不再赘述，简单来说，用户增长的根本目的是为了提升产品在一段时间内的有效用户数（后面有详细解释），进而提升当下和未来的GMV和利润，实现商业成功。
为了实现这个目标，从战略和战术层面，我们将这个概念拆解为以下几个部分：
战略：
战术：
看清楚产品发展现状，定位问题和潜力空间，总结TODO事项并合理判断必要性和排序优先级。
总之，分析的根本目的是更加清楚地看清楚业务，并集中资源和精力解决最重要的事情。
这句话的重点在后半句，如果只是为了满足好奇心或者追求分析复杂度和工作量，而没有能够判断哪些事情应该先做、哪些事情应该后做、哪些事情没必要做，那这个分析没有任何价值，徒费时间精力而已。
基于用户生命周期维度搭建分析体系一个产品的用户池是如何构成的，以及使用我们产品服务的用户是如何从生到死的过程基本是这样的：
如果说产品的用户池像一个蓄水池一样，我们希望用户尽量留在我们的池子中，其实我们每天所做的事情基本都是围绕着以下几个目标展开的（篇幅有限，细化这些具体的方法会在后续文章中给出，敬请关注）：
如何指标化地建立分析体系第一步：定义新用户、有效用户、沉默用户、流失用户
用户分类的定义要基于对业务经验的判断（例如用户连续10天未登录是否认定为流失）以及企业的战略目标（订单量导向、毛利导向或者GMV导向）。
在不同行业和不同产品的理解有所不同，比如微博、twitter、Instagram这样产品的有效用户是指持续在平台活跃的用户，可以用平均每日停留时长高于30分钟的用户数、平均每日发布至少1个feed的用户数、平均每日收藏或转发至少1个的用户数等相关指标来量化。
又比如淘宝、美团外卖这样的产品可以用近7日内至少完单3次的用户数、近30天内登陆次数大于5次且近7日内收藏商品数量大于1件的用户数来衡量。
总之，计算有效用户数可以基于所在业务的经验，判断一个（或几个，组建复合指标）真正能合理衡量为产品持续贡献正向价值的用户数的指标来量化产品的有效用户数。
以天猫为例，我们可以将这四类用户进行如下定义：
第二步：拆解核心指标
精细化运营中会将用户的属性进行更细维度的切分：
第三步：搭建不同类别用户迁移路径
由于我们产品的改版、市场的变化以及用户需求的升级，每一个层级的用户可能在每天都会发生用户行为的变化，这样，就需要在我们第二步搭建的基础上进行路径变化的体系建设，来观测每天用户心智发生了哪些变化、用户对于我们产品的认可和依赖发生了怎样的变化，以及评估如何采取运营抓手可以针对性地促进哪个迁移路径。
用户的迁移路径以高质量用户类举例是下图这个样子的：
因为我们人群拆解后形成的组合过多，导致了不同类用户迁移的可能路径过多了，为了更好的看清楚并了解我们用户的流向，我们可以用如下方式来观测用户变迁：
每个人群关注是否正向迁移还是负向迁移，理想情况下如果所有的人群都在正向迁移，那说明我们的产品变现的很好，但如果某个人群负向迁移的比较多，说明需要一些运营抓手来进行刺激，防止持续负向迁移的情况发生。
举个例子：
如果是卖牛奶的电商产品，我们为了提升高质量高忠诚用户的用户粘性，进行产品详情页面文案的优化，增加“您已经购买过5次、立即下单即可获得历史吸收卡路里报告”类似这样文案来促使用户迅速下单，降低用户跳出概率。
由于这种优化只面向高质量高忠诚用户（通过切分流量的方式实现产品千人千面），在优化动作上线后，观测高质量高忠诚的用户高中低粘性的用户每天净正向&净负向的变化情况，如果高粘性和中粘性的用户都在净正向明显增加、净负向明显减少，说明我们的优化是有效的。
日常监控与复盘专题分析（1）运营策略复盘
这部分看数要策略的目标是否达成，基于转化流程看优化空间在哪。
比如策略目标是为了提升新用户数，复盘的时候要基于曝光-点击-注册-购买等环节看最终实现了多少新用户的提升，以及哪些环节是这个渠道提升效率的瓶颈；如果是曝光到点击的点击率明显低于业界标准，说明我们的投放物料需要优化了。
（这里的转化路径只是举个例子，当我们实战的时候肯定需要再进一步细拆，比如电商类注册-购买可以拆为注册-浏览产品列表页且停留时长超过5秒-浏览产品详情页且到达完整详情页-加入购物车-点击立即购买-。。。。-付款成功）
（2）监控异常
这部分的主要作用是帮助我们实时发现产品的事故，及时修复。建立指标的时候可以尽可能全面，覆盖所有产品转化路径，指标不怕多，可以有几百个都没关系，设定好阈值，每天只看报警的就可以了，不报警的就不用看了。
举个例子，我们的监控体系中有“点击立即发送短信按钮-填写完成验证码转化率“这个指标，阈值为80%，某天这个指标突然降为1%，说明我们的短信通道出现了问题或者被黑客攻击，用户可能没有收到短信，这样我们就可以通过这个监控体系第一时间发现事故并进行修复，将损失降到最低。
（3）日常分析常见误区
由于分析体系的搭建全部都是基于数据的，数据分析的新手可能误入以下数据陷阱：
1）为了满足好奇心而看数据
所有的数据分析都是要包括明确分析目标、提出假设、验证假设，如果目标不清晰，没有make sense的基于经验的业务假设，而只是认为“我觉得应该看blabla数据”而跟BI部门提需求，往往会造成等了很久才出来的数据，看了之后满足了好奇心，但发现好像并没有什么指导性的用处。
那这样的数据分析就很没有用户，白白浪费自己和BI同事的时间。
2）在茫茫数据中看图找规律
有的时候老板交代的任务可能只是一句“分析一下我们的用户”，这样非常泛泛的任务，思路不清晰的同学可能就会立刻着手提取全局用户所有能想到的特征，然后做全集的数据透视，算各种占比，横向的、纵向的，一维交叉之后没啥发现看二维交叉，结果越算越复杂，可能弄了上百个表也没得到啥拿得出手的结论。
这样的事情聪明人做一次就够了，全局看图找规律这种事就是在用战术上的勤奋弥补战略上的懒惰，这种情况发送的根本原因就是自己没有在用户需求层面有足够深度的思考。
3）将虚无缥缈的假设寄希望于模型复杂度上
在不以成绩导向的地方有的人就喜欢追求做事过程的复杂度，仿佛一个目标没有达成是因为方法太过简单的原因，足够复杂、足够高端就可以达成了。当然，如果在科学领域，这种论调基本没问题，但做运营的人，是以结果导向的，持续贡献增长才是唯一目标。
有的人没有完成kpi，又没提出过什么复杂的方法论，说的做的都是老生常谈的东西，恨不得每个月都不好意思领工资，所以就开始走上了追求复杂模型的不归路：明明就是渠道投放的文案特点突出不够显著，导致拉新效率低，优化个文案就好了的事情，非要去分析渠道用户画像和产品用户画像的相似性，再搞个挖掘领域的K-means聚类算法 ，光衡量个体差异的模型就搞了好几个来评估准确性，模型大概是长成这样的：
搞了两个月之后仿佛自己的人生都瞬间充实了一样，其实真心没必要，用户增长本质还是要围绕用户需求，数据只是工具，千万不要舍本逐末，变成数据的奴隶。
二、后续思考：为什么我们这里只是从用户维度搭建分析体系，而没有展开说销售额、毛利、净利这些？避免宏观环境变化、用户需求变化影响业务决策、产品价值观混乱和运营策略重心偏移。
举个例子：
一家超市的销售额连续3个月下降，老板可能就慌了，觉得是不是超市的运营方法出现了问题，开始一系列的“改革措施”。但拆解看来，如果该超市的拉新效率和质量均没有下降、有效用户数也没有下降、流失用户数也没有升高，只是这段时间原来买百威啤酒的用户变成买农夫山泉了，客单价下降引起的GMV下降。
如果把这个问题前置思考一下，客单价的下降有没有必要引起关注和制定相关措施（比如啤酒打9折）？个人认为是没必要的，反而容易引起产品价值观的混乱和运营策略的重心偏移，让原本有机会发力的拉新创新和提升服务质量的工作滞后。
原因是我们做产品的第一要务是满足用户需求（用户想喝啤酒卖啤酒、想喝农夫山泉卖农夫山泉），而非创造用户需求（乔布斯让用户觉得一年应该换一部新IPHONE就是创造用户需求，在乔布斯之前用户是不觉得自己应该一年换一次手机的）。
三、结语：愿各位“历尽千帆、归来仍是少年”，回归初心，只做对的事情这篇文章主要讲了我所理解的用户增长架构，和其中第一部分“分析体系的建设方法和思路以及我踩过的坑”，后面我也会陆续把剩下的几个话题也尽量补充完整，由于篇幅有限和各位看官所处的行业产品千差万别，一篇文章无法做到帮助大家所有人手把手建立自己产品的详细分析体系，感兴趣的朋友欢迎留言进一步交流。
下期预告：开源重要、截流更重要：提升留存（有效用户数）方法论
实战增长时我们经常会掉入“增长陷阱中”，即拉来的新用户很多，但留存特别差，用户池的“水闸”始终关不上，下一篇我会集中写一下如何“理解留存”、“提升留存”的具体运营方法，希望能帮到大家。
