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？（二）

明悦数据

技巧3：估算转化提升空间

提升转化率时常常遇到这样的问题：我这个转化率是高呢还是低呢，还有多少提升空间？你基本没有可能拿得到竞品的数据作为参照，而且也没有必要，因为你自己的转化数据就包含了很多的信息。比如例3中，可以小范围尝试发放优惠券，然后分析收到了优惠券的用户购买转化率相对于没收到优惠券的用户提升了多少。这样你就知道了通过这一个策略，可以将整体的转化提升到多少。向新用户发放优惠券以促进购买转化在电商和互联网金融中非常常见。图14是“考拉海购”和“爱钱进”对新用户发放优惠券的做法。

图14.考拉海购和爱钱进向新用户发放优惠券

4.搭建数据增长模型的一般化步骤

在AARRR模型中，最值得关注的是“激活”和“留存”。虽然“获取”也十分重要，但“数据驱动增长”只是为其提供了从“激活率”和“留存率”分析渠道质量的手段，其最核心的投放策略和以前相比没有太多变化；而“变现”和“推荐”的提升方法与“激活”类似，不单独讲述。

建立增长模型共分为4步：①定义增长指标。②寻找魔法数字。③优化核心功能。④提升核心功能的覆盖人数。

第一步：定义产品整体的激活与留存指标

要根据产品特性明确激活与留存的定义。比如电商通常会把“完成购买”作为激活的标识，而不是“完成注册”就得了。同理，产品人员也要想清楚是把“打开APP”作为留存的标识，还是把“浏览商品详情页”作为留存的标识？

第二步：寻找核心指标的“魔法数字”

在明确“留存”定义的基础上，使用“技巧1”中的方法寻找“魔法数字”以及承载“魔法数字”的产品功能。

第三步：优化核心功能

我们应该把有限的资源用于优先产品的核心功能，产品的核心功能指：“激活”过程中的必要功能和承载“魔法数字”的功能。因为如果“激活”相关的功能不好用，会导致用户直接走掉，而如果承载“魔法数字”的功能不好用，会导致“魔法数字”被触发的机会大大减少。

例如，Boss直聘中“注册”和“发布简历”就是激活过程必要功能，而“IM聊天”、“简历投递”则很可能是承载了“魔法数字”的功能。

对于“核心功能”，依照“技巧2”和“技巧3”的方法尽可能提升其转化率，以期让这些功能更加好用。

第四步：提升“魔法数字”的覆盖人数

假如你开了一家很有特色饭店，你肯定会尽力把最好的招牌菜给顾客品尝。因为顾客品尝这些招牌菜后，更容易认可饭店的厨艺水平 。那么顾客就更容易在下个周末再来你的饭店消费。反之，如果顾客在第一次光顾的时候没有品尝到招牌菜，他会误以为你的饭店口味很一般，也就不会再来第二次了。“魔法数字”其实就是产品的“招牌菜”。

在完成核心功能优化之后，要使出浑身解数让用户触发“魔法数字”。可以通过“用户任务”、“物质激励”、“弹窗提示”、“push推送”、“把承载魔法数字的功能放到最显眼的位置”等等手段来实现。

有时候，你的产品中不止有一个魔法数字，为了最大化地挖掘用户留存的潜力，还需要试验下不同的魔法数字之间是否存在“叠加效果”。如果存在叠加效果，则应该把多个魔法数字组合起来使用；如果不存在叠加效果，则把实现成本低的作为首选方案，实现成本高的作为首选方案未被触发时的备选方案。比如案例1中“点击喜欢>3次”和“加入兴趣社区”就是具有叠加效果的2组魔法数字，可以同时引导用户“点击喜欢>3次”并“加入兴趣社区”。

5.后记

“数据驱动增长”是产品经理&运营的必备技能

通过数据来驱动产品增长是每个PM必备的技能，最好不要由“数据分析师”代劳，因为做这一切的事情有个重要前提——对产品和用户非常非常熟悉。比如，例1中需要非常清楚产品的用户价值才能有针对性发现承载魔法数字的功能，依据行为数据建立合理的假设也需要对用户非常熟悉，再如，例2中需要知道“加入购物车”有哪些操作入口，否则转化漏斗数据就会不全。

关于“数据驱动运营”

增长的过程当然少不了运营工作的参与。但作者本人没有负责过运营工作，在运营这件事上缺少发言权，因此本文中只对“数据驱动运营”的常用方法做一下简略的介绍。

①渠道拉新。从质量、数量、价格几个维度设计投放策略，从转化漏斗、留存图(表)、新用户占比来分析渠道的质量。

②精准运营。通过用户的行为对用户进行分类，然后根据不同群体的特征，进行精细化运营。例如，用户在论坛上的行为包括：访问、浏览帖子、回复、评论、发帖、转发、分享等等，我们使用“用户分群”把用户分为4类：A浏览类、B评论类、C传播类和D内容生产类，然后向不同类型的用户推送不同的消息。再如，我们可以通过用户的使用行为、个人属性信息去推断哪些用户具有较高的付费变现可能性，然后对这些用户赠送限量的优惠券。

③活动运营。对于一个活动的效果分析，应该与AARRR模型中的至少1个联系起来，而不是仅仅看：有多少人参与了活动、该活动给某个功能导入了多少UV。比如，活动A的目标是提升留存，那么还要应该分析参与了活动的用户留存率相比没参与活动的用户提高了多少，这些用户在参加活动前后的每周活跃天数是否有增加等等。

数据驱动增长的局限性

没有数据是万万不能的，但是数据也不是万能的！

比如例1中的“收藏”、“兴趣社区”等功能的第一版方案是怎么得到的？显然不是通过数据，因为第一版之前没有数据可用；再如，为什么有的用户到了支付页后看了一眼，什么都没点就走了，这时用户没留下可分析的数据。

这说明了数据驱动的2个局限性：①数据很难启发重大创新。②某些问题压根没有数据可供分析。

可见，除了数据驱动之外，产品的优化一定还要依赖其他驱动力。