《用户增长实战笔记》读书笔记
2022-01-01 20:27:29 0 举报
AI智能生成
一口气看完《用户增长实战笔记》
作者其他创作
大纲/内容
增长并不是无条件持续的。到了一定的阶段,继续增长就需要一些新的条件,突破一些桎梏,或接受一些变革
增长首先需要具备一定的起步条件或要把握时机
当规模逐渐扩大时,持续增长又将面临巨大的挑战和限制
如果不能解决积累的问题,无法突破当前的局限,增长将会停止甚至快速转向衰落
增长是事物发展的一般规律
(1)用户规模
(2)用户时长
(3)商业收入
用户增长是什么
更多站在企业的角度思考
增长黑客理论
站在用户角度思考,强调基于用户价值提升的增长,关注的指标除了用户规模和商业收入,还有用户时长、用户满意度等体验指标
用户增长
包括但不限于获得好友、愉悦、知识、实惠、收入等
持续使用产品源于获得价值
用户价值=新体验-旧体验-替换成本
当增加任何一个用户都会增加产品或服务对于其他用户的价值时,这种产品或服务就会产生积极的网络效应
通过网络效应提升用户价值,也是获得增长动力的有效途径
价值传递这部分工作在用户增长中同样关键,需要通过营销策略来完成
增长动力来自提升用户价值
用户增长的动力
以用户价值为基础,向上支撑对宏观机会、商业模式的洞察,进一步通过数据驱动更科学有效地完成营销策略落地
从时间维度来看,用户增长需要关注长期的用户规模,这依赖于用户认为产品有长期价值
从空间维度来看,用户增长需要关注尽可能多的潜在受众,确保获得新用户,这就依赖于产品价值的传播
用户价值
宏观机会处在用户价值的上一层,其中蕴含了大概率会成功的增长方向
正所谓顺势而为,站在一个上升的面上来做增长,成功的概率自然要大得多
宏观机会
商业模式,都是描述一家企业如何通过生产、销售产品或服务来创造财务收益
发现商业模式中的断点是找到用户增长方向的一个思路,这样带来的增长也更可能是长期有效的
商业模式
用户增长中数据驱动的主要目的,首先是找到具体切入点,然后是推进整个工作流
找切入点是指通过对现有数据进行全局扫描、相关性分析等,从而发现问题或机会
推进工作流则是指通过实验方法评估策略效果,并基于此效果进行下一步的策略迭代
数据驱动首先要明确增长目标。这个目标最好是企业从上到下都认同的核心指标,所有增长工作都将围绕这个指标进行拆解
在用户增长中,实验方法是数据驱动中至关重要的一环
数据驱动
营销策略是一个直接面向用户的界面,它的作用主要包括向用户传递信息、讲清利益点、与用户进行互动、引导用户完成关键行为,最后促进增长目标的达成
营销策略的挖掘和生效依赖于冰山之下的强力支撑,即以用户价值为基础,通过对宏观机会和商业模式的洞察,借助数据驱动科学高效地落地
营销策略
用户增长的全局视野
(1)明确增长目标:参照北极星指标的制定方法,确定一个最能体现产品价值的增长指标,然后根据恰当的方式向下拆解增长指标(如杜邦分析法),直到拆解出的指标可以指导执行
最常见的AARRR模型及强调留存的RARRA模型都能够很好地帮助我们做初步梳理
对增长目标进行拆解,细化出具体的增长模型
(2)搭建增长模型
定性的方法就是找典型用户去询问验证
定量的方法则可以通过最直观的漏斗分析来定位用户路径的“断点”
首先考虑的是因果性
分析增长指标和用户行为之间的相关性
找到高相关行为后,把具体策略定位到提升该行为频次或深度的指标,以验证是否能够增长目标
其次考虑的是相关性分析
(3)找到策略切入点
用户增长的核心工作流
用户增长的主要工作
正确认识用户增长
降低内容获取成本
降低完成消费成本
拓展了消费场景
(1)提升新旧体验差
(2)降低替换成本
只要产品或服务存在双边、多边关系,也都有潜在的网络效应
网络效应
提升用户价值
技术的成熟
决定了技术应用能否被广泛接受
用户的意愿
完善的生态才能保证技术的大规模应用
生态的完善
宏观机会只是必要条件,顺势而为、借助势能找到增长方向才是增长与否的关键
利用宏观机会
补齐商业模式中的短板,或者消除制约商业逻辑正常运转的障碍
优化商业模式
借助全局视野找方向
通过北极星指标的制定来确定增长目标
拆解目标通常可以使用杜邦分析法将北极星指标拆解为多个因子,因子之间具有数值关联性,通过某些方式最终可计算得到北极星指标
这些拆解后的公式也被称为“增长模型”,用来指导策略的设计和落地
以DAU为北极星
从WAU来看,DAU=WAU×周活跃天数/7;从MAU来看,DAU=MAU×月活跃天数/当月天数
将用户按照周活跃天数进行分层,看均值情况、各周活跃天数用户的分布状况
之后要确认重点提升哪一部分人群(例如,是周活跃1~2天的,还是3~4天的)的量,以及通过什么策略来提升
从活跃度视角
由于用户规模见顶,而时长是新的增长方向,所以商业收入也会拆解为单位时长收入与时长的乘积
从商业收入视角
确认增长目标和增长模型
策略的制定,更容易见效的方式就是针对用户核心路径上的问题对症下药。核心路径是指用户接触、使用产品或某个功能的必经之路
优先要做的就是通过因果分析,找到影响这些关键指标的负面因素并设法排除它
产品经理需要在活动页面中保证有实时反馈的入口,并关注用户反馈,尽可能快速修补问题
定性的方法是找典型用户(如占比最多的用户、反馈用户)做路径分析去发现问题
一条路径可能存在多个断点,找到断点之后需要量化其可优化的空间,据此决定策略的优先级
与预期对比定量差距
与行业标杆对比定量差距
定量的方法则可以通过最直观的漏斗分析来定位用户路径中的断点,以及用户在该点的流失情况
在寻找断点时,优先推荐基于产品逻辑推演或从用户反馈中直接找到原因
找用户核心路径的断点
相关性分析可以帮助我们找到与增长指标高度相关的用户行为,从而把策略定位到提升该行为发生的概率或频次上
筛选一些能够影响用户次日留存的用户行为,与次日留存进行线性拟合
线性拟合的结果,可以通过相关系数(通常使用Pearson相关系数)来评估相关性
通过假设检验,可以判断样本有相关性是否能够推知总体也有相关性。
决定系数即我们能够借助相关性、以一个变量准确预测另一个变量的概率
(1)线性相关
与线性拟合不同的是,其不需要在分析前选定某些行为指标,而是将大量行为特征输入模型去做分析。最终,在行为特征与增长指标的二维坐标中呈现的拐点就是魔法数字
(2)魔法数字
找用户行为和增长目标的相关性
基于因果性、相关性的分析结果,就可以得到具体的增长假设
形成增长假设
通过数据驱动找切入点
在用户增长的全局视野中,营销策略是冰山顶端,也是大众视野唯一能直接看到的部分
营销策略的直接目的是提升转化率,且不仅着眼于当前环节(如某个按钮的点击率、某个裂变的扩散比例等),更应该着眼于整体和长期效果
从用户增长的全局来看,所有营销策略都在围绕一个核心服务,即如何将“用户价值提升”这个信息传递到位
在拉新的过程中,我们和用户的沟通都是为了传递好这样一个信息:使用本产品或服务能够让用户“在某些方面得到提升”
(1)新增用户激活
在获得新用户后,最关键的事情就是让其真正使用产品或服务,并尽可能多地留存下来
(2)新增用户留存
拉新:新增用户激活与留存
如果用户顺利经过新增期(通常为前7天),在生命周期中还会活跃相当长的时间,本书即称为留存用户
针对留存用户的重点工作就是如何保持、提升其活跃度
在提高频次方面,营销策略的核心依然是告知用户“经常来”会有什么好处
(1)用户活跃度提升
用户停留越久,理论上商业广告就会更有机会触达目标用户
(2)用户时长提升
拉活:用户活跃度与时长提升
针对提升广告收入这个难题,除了借助推荐算法实现个性化的、更符合用户消费预期的广告,还应该将广告的形式和平台的调性做匹配
(1)广告收入提升
电商和本地生活等App需要通过用户购买商品和服务获得收入。如何能让用户接收到优惠信息,更多地购买,就是提升这部分收入的关键。
(2)商品收入提升
变现:广告与商品收入提升
巧用营销策略提升指标
在交易费用为零或足够低的情况下,不管资源的最初主人是谁,资源都会流转到价值最高的用途上去
资源会流动到最善于利用它及能最大化其价值的人手里,我们要做的可以是提供必要的便利、加速流动过程、做好资源倾斜
首先是提供必要的便利
大方向上,资源必然会流向价值最高的用途,我们能做的就是缩短消耗在中途的等待时间
其次是加速流动过程
最后是做好资源倾斜
平台可以做的事情
科斯定律
信息不对称的概念来自经济学家阿克罗夫,它表述的是这样一种场景:在交易中,卖方可以控制产品的质量,要么提供高品质产品以求高价,要么提供低质产品以求低价,而买方无法确定卖方究竟提供的是哪种产品,所以只愿意出一个中间价。卖方见买方只能出中间价,便只能提交低质产品。因此,买方会进一步压价。买卖双方经过多次博弈,最终无法成交。这个场景也被称为“阿克罗夫困境”
谁先填补好信息差,谁就更有机会
信息不对称
需求的第一定律描述了需求量随价格升高而降低,随价格降低而升高
需求的第二定律是指随着时间的推移,需求对价格的弹性会增加,因为用户找到更合适的替代品
需求的第三定律是人们相对陌生的,它是指精选品和普通品之间原本有较高的价差,当加入附加费用之后,二者价格的相对差距会减小,精选品因此显得便宜。不难看出,当附加费用越大时,精选品就越让人觉得便宜。
需求第三定律
常见的价格补贴、红包、优惠券都是利用价格弹性提升用户消费转化的案例
价格弹性是指用户的购买意愿随价格而变化的敏感程度,弹性大就是指对价格更敏感
促销、发券、红包、满减等营销策略都是在消除无谓损失,这些策略在用户增长中的应用已经很常见
价格歧视是指针对价格敏感的用户提供稍低的价格,以促进更多的消费完成
价格弹性与价格歧视
擅长什么就更多地做好什么,企业可以通过更低的成本完成生产,并能够以更低的价格在市场中获得竞争优势
想获得比较优势,除了先天的优势,如地理区位、自然资源、先发优势之外,企业还可以通过一些对商业模式的颠覆实现弯道超车
很多跨界尝试就是因为没有处理好成本问题,或者在没有比较优势时贸然追赶,导致多数草草收场
比较优势
在用户增长中,如何得到最大化的ROI?直观地说,就需要利用“边际ROI=边界收益/边际成本”这个公式
互联网思维的一个核心就是在形成规模经济之后,每增加一个用户所需的边际成本极小,几乎可以忽略不计
边际收益
比较优势与边际思维
用户增长中的经济学思考
快速开始用户增长
实验的目的是验证假设,而实验方法能够验证因果关系,准确量化策略效果
很多时候我们会误把相关性当成因果性,进行错误的归因
面对模糊不清的因果关系,我们需要更进一步、更严谨地进行分析和验证,而实验是最好的方法之一
(1)错把相关当因果
心理学中的“禀赋效应”就解释了这种现象:多数人会觉得自己的东西就是好的,自己的行为总能带来积极影响
当我们有了结论后,会积极地找理由和数据支撑这个结论
(2)结论先行造因果
一些错误归因的案例
先把若干被试者随机分成实验组和对照组,然后对这两组采用不同的治疗方案,以此来验证药物或疗法是否有用,或者是否有副作用
双盲实验是一种严格的实验方法,实验者和参与者都不知道哪些参与者属于对照组、哪些属于实验组
采用双盲实验是为了减少偏见和无意识的暗示对实验结果的影响
(1)医学中的双盲实验
(2)经济学中的实验方法
两个有名的实验归因
我们都需要知道所做的事情有没有效果(定性),效果比之前好了多少(定量),对关键指标贡献了多少(归因)
效果=策略后-策略前
(1)前后对比
效果=观察人群-大盘人群
(2)对比大盘
一方面能帮我们评估目前的策略是否有效、横向比较多个策略哪些更好
另一方面能帮我们思考如何迭代能让有效的策略更有效、无效的策略尽可能优化或摈弃
用户增长最直接的目的就是做出增量,而准确评估这个增量
用户增长需要通过实验看增量
为什么需要实验方法
从统计学的视角看,增长实验本质上是一个统计推断的过程,即用一个样本回答关于总体的问题
用从未处理样本统计到的参照值和从处理样本统计到的结果值完成对比
最常用的方法就是随机对照实验,通过随机分组得到实验组和对照组,再进行进一步的实验
实验中的随机分组不能直接使用这种现成的、简单的用户ID,而需要引入一个对用户ID进行二次加工的方式——Hash算法
随机分组
至少存在两个分组,它们之间仅有“需要考察的变量”这一个差异
如果不设计单一变量,最大的问题在于无法做归因
单一变量
(1)确定实验目标
(2)确定如何选取样本
最短实验时间=最小样本量/单位时间的实验用户量
(3)明确样本量和时间
(4)明确实验方案
实验设计全流程
(1)测试产品流程:确保实验策略符合预期的下发
(2)检查数据上报
实验开始前的注意事项
实验设计必知必会
实验文化需要打造
短期实验效果难以避免新奇效应,一些改动会带来指标的突增,长期看才能判断真实的影响
长期效果评估充满挑战
仅通过简单的AB实验,只能从粗到细地逐步精细化策略,难以做到全局极致的最优
要想突破这一点局限,需要借助算法模型,通过机器学习逐步逼近全局最优
实验方法存在一些局限
实验方法面临的挑战
因果推断是一类方法的统称,指通过各种数理手段,基于结果对其原因进行估计
断点回归
自然实验(Natural Experiments)实际上是一种观察性实验,不对任何用户进行干预,仅通过观察随机分组样本的实验结果,进行比较而得出结论
因果推断方法
DID的思路是设法找到政策的净效果
首先排除时间因素及其他策略的影响
双重差分方法
边际效果归因也可以用于定性判断策略是否有效
这种方法基于一个假设:如果策略对用户有影响,加大策略的力度能够看到观测指标发生相应变化
边际效果归因
如果条件和成本允许,尽可能使用随机对照实验;如果无法进行随机对照实验,则可以尝试探索因果推断、用倾向得分匹配的方法获得接近于实验的结论;而如果只想得到一些定性的结论,则可以使用双重差分和边际效果归因
不具备实验条件怎么办
全面了解试验方法
正交分层
随机分桶
随机分组的具体实现过程
实验方法能提供科学的评估手段,但是无法替代对业务增长的理解
首先,分析需要正确选择关注哪些指标,即哪些指标的提升能够真正代表业务本身的增长
分析什么人群
从什么维度
看什么指标
其次,在选对了分析的指标后,要尤其注意能导致实验组和对照组不可比的各种因素
准确分析陷阱重重
样本:指实验期间被实验圈中的用户,包含实验组和对照组
指标:根据实验目的而定,通常包含整个人群的总体指标和人均指标两类,如实验组总时长、实验组人群时长
维度:时间维度,即统计一天,还是完整的用户周期;人群维度,仅看当日实验用户,还是累计实验用户等
通常的分析方法包含三个要素
样本:通常选每天进入场景的实验组和对照组用户
指标:根据实验目的而定,因为样本中均为活跃用户,所以人均指标(人均时长、ARPU等)通常有意义
维度:时间维度取决于所要观察的指标,一般需要关注完整的周期;人群维度一般仅看当日进入实验场景的用户即可,有需要时也可关注累积用户
(1)流量型
样本:所有沉默用户,实验组和对照组
指标:根据实验目的而定,处理人均值要小心
维度:时间维度通常看一周,人群维度需要看累积用户
(2)唤醒型
样本:视实验目标而定,既可以是分享者,也可以是接受者
指标:分享率、点击率、裂变系数等
维度:时间维度通常看一周,人群维度通常只需关注当天命中实验的用户
(3)分享型
实验场景与分析方法
在增长实验中,假设检验的目的是确认策略带来的影响,即实验组的指标与对照组之间的差异是否显著
原假设H0,它可以表述为“策略效果=总体均值-样本均值的值接近于0”
显著性水平α通常选取0.05,即这个检验有95%的概率会做出正确判断
第1步,提出原假设并定义显著性水平
第2步,定义拒绝域
t=(样本均值-实验组与对照组均值差异)/估计标准误
第3步,计算检验统计量(t值)
有一个用于评估策略影响的指标需要关注,那就是t检验的效应值(Effect Size)
d=均值差异/标准差=(实验组均值-对照组均值)/标准差
d=0.2,即均值差异在0.2个标准差左右,可认为效应较小;d=0.5,可认为是中等效应;d=0.8,可认为效应较大
第4步,得出假设检验的结论
实验结果要可靠:假设检验
如何科学严谨地分析
效果好,如何乘胜追击
通过漏斗分析可以找到策略无效的根源,即从策略下发到生效过程中的各个环节,转化率都是怎样的,是否存在某个环节产生巨大流失
基于策略效果的分群分析,可以帮助我们找到新的假设,单独挑出策略有效的人群,严谨起见再做一次实验验证
效果不好,如何提炼价值
(1)强目的性
验证因果关系是实验价值挖掘的核心目的之一
(2)可归因性
(3)可复制性
实验价值挖掘的三点建议
如何挖掘实验价值
经典的决策三段论:发现问题→找到根因→解决问题
(1)重新实验
(2)重复实验
实验结果的内部驱动
团队间目标协同,基于实验分析结论明确分工和优先级
实验评审和复盘,尽可能保证规范和高效运作
实验结果共享机制,激励优秀,打击重复低效执行
实验结果的外部驱动
如何数据驱动决策
借助一系列正交Hash算法,我们可以保证任意两层之间的实验独立性
正交分层能够做到第N层中A组命中策略的用户,在第N+1层会随机分布在A1和B1两个组
通过正交分层,我们可以做到当样本量有限时依然能够同时进行多组实验
正交分层解决了什么问题
正交分层若想保证策略之间无干扰,还需要一个前提:不同层之间策略的相关性需要尽可能低
正交分层的局限性
正交分层和平行宇宙
SRM问题的核心是实验组和对照组的实际比例和理论比例有所偏差
实际样本比例是1.01/0.99,上述案例中实验效果偏差依然可以达到41%
判断样本偏差是否显著,可以使用卡方检验
SRM问题的影响
能否完成理想的正交分层,能否完成大量、实时的随机分组,能否在一段时间后依然保持这种效率,这些算是SRM问题产生的最主要根源
(1)实验部署
(2)实验执行
(3)数据采集
(4)实验分析
(5)外部干扰
SRM问题会发生在哪些环节
容易被忽视的样本比率偏差
准确评估实验效果
特征是描述用户特点的最小单元
标签是一个产品形态,它由一个或多个特征形成
画像又是由一个或多个标签进一步具象而来
第1步,操作者需要从标签仓库中挑选需要的标签
第2步,确定不同标签之间的逻辑关系,包括或、且、非三种
第3步,设置人群的必要参数,包括人群名称、人群有效期,以及人群是否需要固化成ID包、是否用于实验(默认是)
标签系统操作流程
第一,需要用户ID化
第二,确认用户ID后,需要把所有特征填充到以ID为主键的宽表中
第三,需要完成特征标签化和产品化,即提供一个用户界面让操作者能够自定义人群
如何搭建一个标签系统
用户属性(包含人口学属性、设备属性等)
用户行为(含实时行为、非实时行为甚至行为序列)
挖掘类标签(活跃度预测、LTV预测等)
标签可以分为三大类
标签系统分为离线标签和实时标签。当不要求实时性时,实验操作者可以把标签值按周期更新存放
当标签需要实时更新时,实验操作者就需要连接实时服务(如Kafka)
圈选人群
随机分组是实验有效的最基础要求,而正交分层的目的是保证每一层的策略可以均匀影响其他层中的各个分组。二者共同作用,保证实验平台可以满足大量、并发实验的需求
分桶是指每一层均匀分为若干份,每一份即称为一个桶(bucket),有着唯一的桶ID
分组则是在实验设计时由实验操作者自主划分的实验组和对照组,一个实验组会使用一个或多个分桶
正交分层和分组一般在后端处理,实验平台的前端只需要操作者先选择分层再确认分组数量,最后输入每组的用户比例即可
通常在一个新实验场景,为了检验分组和流量的稳定性,需要选择两个实验组和两个对照组,设计为AABB实验
结果展示除了整体实现效果以外,还有必要关注结果下钻。下钻依赖标签体系,相当于带着用户标签去查询实验结果,在实验结果的基础上细分各个主要维度的细分效果
效果下钻的意义在于快速发现策略针对的有效人群。因为整体的效果很可能会掩盖不同人群之间的差异,而在策略整体无效时需要及时确认该策略是对细分人群无效,还是全局都无效
当发现部分人群的效果和整体差异较大时,为了谨慎起见,还是需要圈定细分人群重复进行实验。因为通过一次实验做下钻可能存在一些偶然性,而且细分后的实验样本量可能不满足最小样本量的要求,使结果不置信
需要设置一个长期空白对照组,组内用户不接受任何实验的影响
并行的实验很多,有必要监控哪些实验的效果好,而哪些造成了负向影响
实验管理的规则
分层分桶
实验平台
任务配置就是大家都比较熟悉的运营配置后台,需要支持单个任务和组合任务
任务配置需要与App前端直接联动,用户在前端直接请求任务系统,后端确定是否需要下发任务
任务配置
组合任务需要引入“前置条件”这个配置项。因为用户只有满足前置条件,才能够触发后续任务的下发
串行任务通常用来强化习惯,需要达成明确的前置条件,在用户完成同类任务A后继续追加任务A1
并行任务下存在很多并列关系的子任务,当所有子任务达成时才可触发一个大任务
混合任务可能包含以上两类,按需设计
组合任务的常见逻辑有串行、并行、混合三类
组合任务
任务系统
效果回收主要指用户对于下发策略的反馈数据需要及时回收,不仅是策略整体的漏斗数据,还需要包含用户粒度的行为数据
策略的实时效果可以通过一些实时监控报表、漏斗工具直观地展示出来
实时数据的可视化是运营工具的标配,用户增长工具则需要更进一步拿到用户粒度的实时数据,为快速验证增长假设服务
实时数据回收的意义
对于指标的波动,可以进一步产出各个维度的贡献值,这一步可以由归因模型自动化实现
首先,数据分析从被动的“人看数据”升级为“洞察模块”,其主要的改进在于对全局的核心指标自动监控,对异常波动进行预警和初步筛查
要想实现场景化的配置,就需要依赖对用户历史行为的学习、通过基础的聚类分析和逻辑回归等方法,预测下发策略用户活跃概率的增量
其次,人群模块由传统的人工配置逐渐升级至场景规则和模型指派
人群模块中存在一系列需要运营的人群规则,而任务模块中也配置了一系列任务,由智能模块来完成人群和任务的关联,并负责回收效果持续迭代
最后,在增长引擎积累了足够多的经验数据后(即何时对谁采用何种策略),人群模块、传统的任务模块就可以逐步被替换,从人工配置转化为由运行成熟的智能模块来完成人群、任务的指派
增长引擎及智能化畅想
效果回收和增长引擎
按需搭建增长工具
通过“找相似”来进行人群拓展的方法。当获得一个种子人群之后,平台就可以对人群的各种特征进行分析,得到各个特征的取值和分布。参照种子人群的特征可以在所有其他用户中进行匹配,找到指定数量的相似用户
重点的工作在于选择尽可能多的用户特征进行分析,得到种子人群的特征分布。Lookalike最终要完成的工作,就是“拿着这个分布图”在全量用户池中按需找到指定数量的拓展用户
种子人群可以来自简单规则,如上例中进入某目标页面的用户或完成购买的用户;也可以是复杂规则,例如,通过聚类、分类等方法得到的某一类型用户
Lookalike人群拓展
目标人群的预估要先有目标,即需要提升的某个指标;还需要一系列约束条件,以保证在此约束条件下完成目标
目标人群预测
找到目标人群
当积累了足够多的用户特征数据,构建好用户画像之后,每个用户在一个页面上看到的营销素材都可以不一样。理论上,营销策略确实可以做到千人千面的效果
通过算法模型可以做到不同用户看到不同的营销策略,甚至同一个用户在不同的场景中看到不同的策略,这种效率提升是人力无法获得的
点击率优化
对于读完率和完播率,预估模型的目标就转变为完成这个关键行为,核心的方法依然是机器学习
完成率优化
提升转化率
提升获客ROI
提升补贴ROI
提升投入产出比
(1)召回,对候选广告进行人群定向和匹配
(2)粗排,使用轻量级但保证精度的模型对广告做初选
(3)精排,使用高精度模型对点击率、转化率和智能出价进行预估
使广告个性化的主要步骤
(1)实时特征,主要考虑消费场景和上下文,如时段(周末或工作日)、场所(家里或户外)、消费上下文(看广告之前看了什么视频)及对于广告的反馈(类别及正负向反馈)
(2)短期特征,包含用户观影兴趣、搜索行为、社交行为和商业兴趣等
(3)长期特征,包括人口属性(性别、年龄、居住城市等)、家庭或社会角色(如成为父母、开始工作等)
关注以下用户特征并建模
个性化广告
第一,如何找到适合场景化营销的场景,即广告点位
第二,摸索如何帮助广告展现更好的效果
智能化广告的尝试
首先需要将视频素材从视觉、听觉、文本等维度分类
其次需要AI学习如何识别抽象的概念,如浪漫、悲伤等
最后需要AI判断特征的权重和精度
通过机器学习的方法理解视频内容,其中包含三个要素:对象、事件和场景
智能化广告
提升收入
通过LTV预估模型,可以从用户新增后一段时间内的行为数据得到其整个LTV的预测值
核心方法都是基于初期收入贡献预测长期收入贡献,或基于个体收入贡献均值预估整体收入贡献
生命周期价值预估
内容的热度通常会随着新鲜度的降低而褪去,这个生态是否繁荣的一个关键就是保证新、热的内容能被更多目标用户看到
生态优化
从平台视角来看,就需要追求全局最优,要考虑整个区域当前的总体效率,甚至还需要关注未来一段时间的效率
追求最优还需要考虑对未来的预测,即进行基于供需预测的分单
智能派单
全局优化
积极探索增长算法
较理想的增长团队应该保证两个要点:独立和闭环。
独立是指增长团队具备独立于传统产品迭代模式的通道,以便能够快速验证增长假设
闭环也是为增长效率服务的,它指增长团队拥有涵盖“产品→设计→运营→数据→研发”整个链路的专属资源
搭建独立闭环的增长团队
项目中的每位成员都有一个自己需要关注的核心指标及其上下游的关联指标,工作链条就这样环环相扣了
用漏斗思维设计工作链条
人员分工
团队闭环高效增长
目标协同是指在一个共同目标的基础上进行协作,实现整体效率提升,加快完成目标
第一层,两个团队的目标之间最好是一个大方向
第二层,协同目标要正确,大方向有意义,协同才有意义
目标协同的意义和困难
目标协同的关键是找到一个能够代表各个团队共同利益的总体目标
一旦找到关联,就可以基于这个关联来拆解和分配具体目标
目标明确后需要进行拆分,确保两个团队及团队成员清楚自己所处的位置和边界,清楚他人的工作,明确上下游、相关方及权责
如何协同
增长团队与其他团队融合
增长项目制是指以项目组为单位,在指定时间内通过虚拟团队的形式,专人专项地攻坚一个增长问题
增长项目制
判断产品方向是否具有增长可能、增长空间有多大,这依赖对宏观趋势、细分领域的清晰认知
增量思维
用户获得价值,才有可能继续使用产品和服务,进一步通过口碑传播带来自然、良性、可持续的用户增长。用户思维的核心在于从用户的视角看待问题
用户思维
任何产品策略都需要得到商业收益
工业化的发展必然会在一定程度上造成自然环境的破坏。商业思维要求我们思考商业收入和用户体验之间的更好融合
商业思维
三种必备思维
对于数据埋点、上报、存储等几个关键环节,增长操盘手都要清晰地设计并保证可监控
增长操盘手需要能够独立完成基本的数据查询(如SQL),具备常用分析工具(如Excel透视、SPSS等)的操作能力
数据能力的应用场景包括增长机会的洞察、增长策略的挖掘、实验结论的产出
数据能力
技术能力首先是指对策略实现关键链路中相关技术的了解,其目的在于知道哪些环节存在提升效率和准确性的可能
技术能力还体现在对未来世界可能会发生的技术变革保持关注,以便及时跟进趋势、调整增长策略
技术能力
对用户需求的理解,对消费者行为、心理的深入了解,才是营销策略生效的关键
增长操盘手所需要具备的营销能力主要就是对这些问题的理解和应用,知道用户需要什么,以及用户完成一个关键行为背后的心理状态和决策过程
营销能力
三项必备能力
“懂用户又懂业务”。懂用户才能理解用户价值,知道如何提升;懂业务才能洞察商机,找到最有影响力的增长目标
增长操盘手的修炼之道
增长实战工作方法
用户增长实战笔记
0 条评论
回复 删除
下一页