0.概念辨析

0.1数据挖掘

更要求掌握算法的技术原理、模型的训练和调优，同时对计算机语言和硬件知识也有较高的要求。绝大多数场景下，数据挖掘都是和代码、数据、模型在打交道。

0.2数据分析

更关心如何分析数据本身，而对数据背后的业务价值和意义较少关注。例如预测数据未来的走势，数据分析主要关注预测模型或算法的准确度和可信度，至于未来的数据是否可以达到预测的目标，以及如何才能达到，则不是数据分析所关心的领域，仍需业务团队进一步分析后才能做决策。 数据运营：是指用数据来分析和解决问题，运营的对象是数据本身，目的是提升数据质量并充分发挥数据自身的价值，例如数据埋点、BI 平台、数据报表、数据中台，以及能够熟练使用各种数据工具（SPSS、SQL、Python、R），都是数据运营关心的领域。

0.3数据化运营

则是站在运营/产品等角度，从业务运营的目标出发，合理使用以上数据挖掘、数据分析和数据运营等工具，来高效指导运营和决策。数据化运营更强调业务本身，数据仅是手段。

0.4数据运营

属于运营的工作之一，同用户运营、平台运营、渠道运营、内容运营等一样，只不过运营和分析的是数据，数据运营是明确的一个工种和岗位； 数据化运营：是技能、理念和管理层面的概念，覆盖了用户运营、平台运营、渠道运营、内容运营等日常工作中对于数据的理解和使用，数据化运营是一种技能和管理理念，我们现在常讲的数字化转型，数字化管理都是数据化运营的落地实现。

0.5数据化运营核心

不同岗位职责不同，但万变不离其宗，本质上大家关注的都是获客、留存、营收，围绕数据观测指标，然后进行业务分析，再以此完成各种运营动作，而这些就是数据化运营的核心。

0.5.1数据化运营角色

数据化运营可以帮助不同的岗位角色优化产出与决策质量，比如以下这四个角色。

0.5.1.1运营

“数据化运营”可以帮助运营建立对指标的正确“认识”（比如北极星指标和虚荣指标的辨别），从而把精力集中在真正重要的任务上，保证工作产出；让运营面对神策、易观等数据看板工具时，知道如何抓取“业务线索”，捋清业务逻辑，以及建立数据化运营的思维方式，学会“找数据、看数据和用数据”。

0.5.1.2产品

围绕“用户体验”和“功能服务”，许多产品人习惯照搬业内经验和理论来完成“产品驱动”；即使参考了指标，也只能解读出表面的数据信息，无法准确量化产品效果。而数据化运营的“数据驱动”方式（例如通过流量分布分析功能布局的合理性），让我们的工作更有创造性，帮助我们从数据中分析出“高价值”信息（详见模块二）。

产品经理负责的是产品的体验、功能、业务流程；数据分析师负责的是产品的所有数据。
产品经理的视角是：功能 -> 数据 -> 功能/迭代；
数据分析师的视角是：数据 -> 问题 -> 策略 -> 数据。
产品经理通常关注自己hold的业务的数据指标，数据分析师通常看的全局数据，包括产品、运营、品牌、渠道、用户等。
举个栗子：产品经理会关心今天有多少成交额吗？有多少热点视频吗？有多少广告投放了？会关心，但不care。
产品经理们关心的是这个需求应该怎么和研发argue、排期怎么处理、用户体验是否有保证、后端系统的业务流程是否流畅、应该赶哪趟班车发版、发版后的灰度策略怎么做。
而数据分析师会关心这个功能大流量上线后的价值和贡献，以及什么时候要去做优化、如何与其他产品、运营等正确协同、是否应该包装这个新功能为外宣价值主张、以及能够为产品经理提供更全面的产品数据解读和协助。

0.5.1.3市场

数据化运营可以帮助市场人精细化地洞察客群，通过各项用户指标建立数据化的人群分类体系，更完整地了解目标用户特征，同时更加重视并发挥用户生命周期的价值，结合用户在线上和线下的行为数据，建立个性化的市场运营策略。

0.5.1.4业务负责人

杜绝“拍脑门”的决策行为是精细化运营的必然要求，数据化运营能为业务建立宏观、战略和规划性的指标体系，从而帮助业务负责人把控产品方向和进展，既增强工作的指向性，也便于向上寻求资源支持、向下与团队分析问题等高效协调，从而为团队制定出最优运营策略。

1.【设定指标】运营指标体系：为业务创建运营抓⼿

运营指标是业务的目标和导向，是衡量运营动作和决策效益的标准，更是洞察问题的关键线索。所以“指标”是业务的起点，在这里我将带你彻底通晓每种指标背后的意义，明确分析目标。

这样，无论你是产品经理，需要去制定指标体系；还是运营，需要围绕指标制定策略；或是市场/媒体，想从指标中识别真实信息；以及作为各业务部门 TL，想要了解业务效益……你都可以通过指标找到“抓手”，用线索为自己探路。

1.1什么是指标体系

是思考业务的底层逻辑，业务的逻辑框架

老板：“去年你负责的用户活跃工作进展得怎么样了？” 大迷糊：“还不错，咱们产品的活跃挺不错的，现在 DAU 已经有 543 万了。” —基于指标，就事论事，正确的废话 磊叔： 老板，我负责的用户活跃，主要考察每天启动产品的注册用户数量。整体来看，每月活跃保持 7.3% 的增长，是因为渠道团队的拉新活动带来很多新增注册用户，占每月活跃用户的 40%，新一年会继续沿着此方向继续推进；同时我们也发现 DAU 的提升对整个收入贡献也很大，每新增一个 DAU，大约能带来 23 元的收入。 —基于 “指标体系” 来思考的。基于“指标体系”的思考，除了关注 DAU 这个指标本身，还会结合与 DAU 相关联的其他指标分析，例如 DAU 与收入指标间的关系；以及结合与 DAU 相关联的不同维度分析，例如 DAU 与渠道维度的关系。

关注数字，但也关注背后的复杂业务场景的关键特征、运营效果和未来方向说得清清楚楚、明明白白。

• 表述业务场景的业务特征：每天启动产品的注册用户数量。
• 表述业务场景的运营效果：保持 7.3% 的增长。
• 表述业务场景的未来方向：联合渠道主打新增注册用户。
• 表述业务场景的衍生价值：DAU 对收入贡献很大。

1.2指标与指标体系

1.2.1指标必须具备业务意义

必须是数值，不能是文本，日期等。这样才能进行分析，计算，从数值变化中去洞察业务运营的机会和问题。

“性别”不是指标，而“男性数量”“女性数量”“男性占比”“女性占比”“男女比例”等才是指标；“城市”不是指标，而“一线城市占比”“省会城市数量”“GDP 大于 1 万亿的城市数量”等才是指标。

1.2.2指标是汇总计算出来的，单一明细数据不是指标，因为不具备任何业务意义

左边用户列表，属于明细数据，不具备任务业务价值；右边用户量和用户占比是指标，具备业务价值。

1.2.3指标体系是根据运营目标，将多个指标创建联系后的整体。

将指标纵向，横向拆解，体系化，形成树状结构。

根据结构：指标体系又分为：

1.2.3.1最上层的顶层指标

顶层指标一般是战略型、整体型指标，用于管理团队或业务负责人把控产品方向和进展，比如 GMV、用户规模等。

1.2.3.2汇总指标

汇总指标一般是战术型、执行型指标，也是产品运营同学使用最频繁的指标，用于分析业务问题，寻找业务原因，例如有效注册用户量、DAU、MAU 等。

1.2.3.3原子指标

原子指标一般是从数据源或数据库中直接加工出来的指标。由于其颗粒度过细，不直接用于业务场景，而是作为多维分析中指标变化的原因。

例如，渠道 A 的每日注册用户量就是原子指标，用以反映渠道整体获客能力的好坏，以及获客出现问题时的原因。

对于“指标体系”的思考，除了需要你关注单个指标外，更需要你结合相关指标，并能从不同维度进行分析

1.3如何解读指标

1.3.1目的决定指标的类型不同

1.3.1.1从产品运营的完整生命周期看

规模类指标，用来体现产品在所处行业赛道中排位和与竞争对手距离，通常包括用户规模、收入规模、内容规模、渠道规模等，如注册用户数、GMV、内容库数量、覆盖渠道数量等；
质量类指标，用来体现用户对于产品的黏性和忠诚度，即产品功能和运营是否能够持续吸引用户，如活跃用户数、用户留存率、用户访问时长、人均打开次数等；
营收类指标，用来体现产品变现和收入能力，即用户是否有意愿在产品上进行付费，如购买转化率、复购率、首次付费周期、客单价、人均收入贡献等。

1.3.1.2从产品运营的不同阶段看

北极星指标，指能够体现产品当前阶段战略方向的指标，一旦确定，不同的角色和团队都需要瞄准这个指标去开展工作；
虚荣指标，指短期内增长明显，但长期来看价值较低的指标，如累计用户数、GMV 等。

1.3.1.3从用户行为看

行为指标，用来体现用户在产品上的各类行为特征，如 PV、UV、页面停留、浏览位置、页面跳出等；
业务指标，用来体现产品中各类业务完成情况，如收藏夹数量、回答问题量、发布视频量等。

这些指标类型，你一定要将它们的含义和分类理解透彻，因为我们需要根据问题的背景、目的，去调取、选用不同的指标，“误选”和“误用”都会对业务方向造成极大的负面作用。

1.3.2指标分析要考虑不同维度

维度，是描述指标的不同角度，既可以是文本也可以是数值：
常见的文本类维度，包括地区、性别、地理位置、产品品类、渠道等；
常见的数值类维度，包括收入、年龄、消费金额、用户等级、产品评分等。
维度中最常见的就是日期维度、地理位置维度、品类维度和渠道维度。
日期维度，常分为年维度、季度维度、月维度、周维度、日维度和小时维度。
地理位置维度，常分为大洲维度、国家维度、省维度、市维度、区维度和街道维度。
品类维度，在电商产品中应用较多，通过品类维度可以快速寻找不同品类带来的指标变化，以及对比不同品类的指标区别。
渠道维度，常分为线上渠道和线下渠道，是拉新获客的重要维度，通过渠道维度可以制定渠道投放组合、优化渠道运营，以及对比不同渠道的获客质量。
回想一下，刚刚我替代大迷糊对老板的回答，就结合了 DAU 与“渠道维度”的关系，分析出 DAU 增长的原因，一个方块六个面，我希望你看待问题也能尽可能地多维度思考。

1.4如何运用指标体系

用于拆解业务的组织架构，帮助驱动业务。
从以下3方面驱动业务。

1.4.1合理调配运营资源，并明确工作重点

指标体系的树形结构刚好对应着产品运营团队的组织架构，顶层指标一般由业务部负责人负责，汇总指标和原子指标由各层级的小组长和同学负责，同时指标体系中每一个指标都有对应的同学来运营。

换句话说，就是把指标体系中的每个指标，换成产品运营同学的名字和职位，也就成了完整的组织架构图。
几年前，我们打过一场“内容消费时长”战役，目的是提升用户单次使用产品时观看视频的数量。
在启动这个战役时，由战役的负责人确定战役目标，即人均观看视频数量（人均 VideoViews），然后基于这个指标开始向下拆解：
在拆解的过程中将人均 VV 细化为实时推荐拉链的准确率、视频标签的覆盖率和准确率，以及内容库中各个分类短视频的内容充足率等指标，因为这三个指标和人均 VV 息息相关；
然后，继续细化拆解这三个指标，直到不能拆分为止，并形成内容消费时长的指标体系；
最后，由 HRBP 根据这个指标体系来将人员填到各个指标中，最终完成这个战役的各级目标和人员安排。
这样的指标划分对团队协作有如下好处：
首先，每个指标的负责人都非常清晰地知道自己负责的指标是什么，开展工作时指向性非常明显；
其次，每个指标的负责人都知道自己的上下级汇报关系，当出现问题时非常清楚是要向上寻求资源支持，还是向下与团队排查问题；
最后，每个指标的负责人都知道自己平行团队的工作方向，便于开展工作时高效协调和拉通。

1.4.2向上评估指标的影响范围和程度

除了顶层指标，指标体系中每个指标都有其上层指标（父指标），所以当指标体系中的**指标发生明显异动时，可以根据这种逻辑关系迅速评估影响范围和程度。
又因为指标都是汇总计算得来，所以当指标变化异常时，就能够基于计算逻辑准确评估其对父指标的影响，最常用的就是分析指标在其父指标中的占比，以及分析指标与父指标的相关性。

1.4.2.1案例分析

例如，下图是一个信息流产品的指标体系，此时你的角色是沉默唤醒的负责人。
分析历史数据发现，沉默唤醒用户在 6 月 6 日上涨得很明显，我们希望评估沉默回流用户上涨后可以给活跃用户带来的贡献。

通过多维分析发现，沉默唤醒用户给上层指标（活跃用户）的贡献占比为 9.15%；再通过相关性分析，也能发现“沉默回流”用户与活跃用户的相关性远低于新增用户。
所以可以认为沉默回流用户的异动对“活跃”的影响低于其他两个因素（新增和留存）。

1.4.3向下寻找指标异动的原因

除了原子指标，指标体系中每个指标都有其下层指标（子指标），所以当指标体系中的指标发生明显异动时，可以根据这种逻辑关系迅速寻找原因。

又因为指标都是汇总计算得来，所以当指标变化异常时，就能够基于计算逻辑准确寻找变化的原因。最常用的就是分析指标在父指标中的占比，以及分析指标与父指标的相关性，来判断影响指标变化的是由哪些下层指标带来的。

1.4.3.1案例分析

拿上图的案例，假设你的角色已成为“活跃”的负责人。
分析历史数据发现，活跃用户在 6 月 21 日下跌得很明显，我们希望寻找活跃用户下跌的原因。

分析结果：
对这几个指标进行相关性分析后，我们可以发现新增用户、留存用户对活跃用户的相关性分别居于第一和第二，故基本可确定下跌主要由于新增用户的原因，其次是留存用户。
策略：
所以接下来为了避免活跃下跌，我会投入更多精力和资源在渠道获客上（针对新增用户），同时继续细拆留存，进一步分析新客留存和老客留存的情况。你也能感受到，基于指标体系来进行产品运营的问题溯源，这样的逻辑和方向都非常清晰。

刚刚我们仅展示了两个极简版指标体系的思路案例，事实上真实的业务场景要复杂得多。例如，下图这个案例，请问你如何通过指标体系快速找出影响 DAU 变化的原因？

1.5指标使用注意事项

指标反应真实业务，团队必须对此有统一和精准的认识。因此需要对业务口径和更新周期，有一个规范。

1.5.1业务口径

指标的详细定义，须能直观、无异议地说明指标的业务意义及其计算公式，并在必要时说明指标的统计周期。

比如常见的 MAU，即月活跃用户数，那么究竟是“近 1 个月活跃的用户”还是“近 30 天活跃的用户”呢？这两个口径的差别可大了去了，近一个月是指一个完整自然月，而近 30 天是指从今天开始往前推 30 天，可能会跨自然月。这种令人迷惑的口径必须通过指标的业务口径清晰定义，其他类似的还有七日留存和次周留存。

1.5.2更新周期

指标的更新周期，即指标的计算都需要时间，通常用 T+X 来表示，其中 X 表示所需计算时间，一般用“天”作为单位。例如 T+2，表示这个指标的计算周期是 2 天，即今天看到的指标是 2 天前的数据。
数据化运营，特别要求看指标前，务必先了解这个指标的更新周期是多久。
虽然互联网公司的数据计算能力已经很高效，但也万万不要想当然认为指标都是 T+1 的，如果把 T+2 的指标认为 T+1 的，那么必然会对接下来的业务分析造成严重偏差。
例如，某产品 DAU 的更新周期是 T+2，意味着前天的 DAU（10 月 7 日）是准确的，而昨天（10 月 8 日）和今天（10 月 9 日）的 DAU 仍在汇总计算中，结果并不稳定和准确，不能用于分析。

1.6北极星指标

1.6.1意义

准确代表当前产品阶段的方向和目标，并对目标用户和产品定位也有很好的指向性。
永远指向正确的方向。
与其他指标最大的不同，就在于它能为整个业务方向、产品运营规划，以及团队组织结构起到根本性的定向作用，所以北极星指标制定的好坏至关重要。
对于北极星指标，方向是最重要的。但实际工作中，很多团队犯的也恰恰是方向性错误。比如，陷入与北极星相悖的“虚荣指标”的陷阱；或者由于对目标理解不全，对目标方向的追逐出现“片面”追求。

北极星指标，又叫作第一关键指标（OMTM），是指在当前运营阶段最重要的指标，目的是通过北极星指标专注和聚焦在当前阶段最重要的事情上。

换句话说，设定北极星指标代表了当前阶段的战略方向，而北极星指标的经营质量，在某种程度上可以直接影响战略的成败。

在 Facebook 之前，MySpace 已是互联网社交产品的领头羊。对于 MySpace，其战略指标是“总注册用户数”，而 Facebook，却用“活跃用户数”作为战略指标。

很明显两家社交平台关注的战略指标完全不一样：

MySpace 是关注注册用户数，典型的规模类指标，是在追求用户规模，对应的策略就是大量扩张新用户；

而 Facebook 是关注活跃用户数，典型的质量类指标，很明显更关心用户的质量，对应的策略就是从产品功能、运营策略上不断去满足用户需求。

1.6.2如何选择北极星指标

1.6.2.1考虑产品类型

产品，是为了解决特定人群的特定需求。具有存在价值。
产品的行业特征，商业模式和经营模式决定了北极星指标的不同。

1.6.2.2考虑产品阶段

产品具有明确生命周期：诞生，发展，衰退，消亡。
每个阶段的特征，满足的用户需求不尽相同。
北极星指标是体现当前产品阶段的战略方向和核心任务的，当目前阶段产品的战略目标达成，产品经营进入下一个阶段时，北极星指标自然需要进行一轮迭代，废弃旧的北极星指标，启用新的北极星指标。

在产品诞生期，因初次进入行业市场，初次面对用户，初次展示自己的能力，一般均以规模性指标作为北极星指标，以体现产品在诞生期的快速积累用户的战略方向。

在产品发展期，用户规模已达到一定规模，用户口碑已初步建立，产品也经历过几次大版本迭代和升级，功能上也具备一定的稳定性和完整性，此时一般均以质量类指标作为北极星指标，以体现产品在发展期深耕用户经营，提升用户黏性和活跃的战略方向。

在产品衰退和消亡期，市场占有率已达饱和，行业中也出现大量的竞争对手，用户指标开始出现疲态，增长乏力，此时一般以寻求新增长方向上的用户规模为北极星指标，以体现产品在新的增长方向和路径上的状态。

1.6.2.3考虑产品客群

不论何种类型，处于何种生命周期的产品，都有各种各样的客群，所以我们需要划分不同的客群，分别制定北极星指标，以达到精细化用户运营的目的
用户增长里也经常提到要特别关注新用户的留存、老用户的活跃。
比如，对于新增的新用户，需要关注新用户首触产品的留存、停留时间和流失率；
对于老用户，需要继续做好停留时长、打开次数等活跃类指标；
而对于已产生首购付费的用户，更应该做好复购率、客单价等营收类指标。

1.6.3注意事项

虚荣指标：北极星指标对立面，让业务迷失。
虚荣指标无法体现当前阶段的战略方向，它仅仅是数字上很漂亮的指标。
最典型的虚荣指标就是累计注册用户数，很多产品对外宣传动辄几千万，甚至几个亿的用户，规模看似咋舌，但是圈内人一眼就看得很明白，只提累计，不提活跃和留存就是忽悠人。
因为产品的累计用户数哪怕再多，但是其中有用户是只打开一次的，只用过几秒钟，甚至只使用一次就卸载的，这些都会计入累计用户数中，这对于整体产品运营毫无贡献，完全没有价值。

所以，假如后续你再遇到此类情况，除了表面上点头称赞外，别忘了补一句：活跃和留存有多少呢？看看对方的回答，然后你再做定夺。

像累计注册用户数这样的大部分规模类指标都是虚荣指标，如累计产品销售额、累计活动参与人数、累计下载量、累计曝光量等。你会发现，虚荣指标有一个特别有趣的特性：只增不减，所以它相当于是个“只报喜不报忧”的指标，是无法反映真实业务情况的。

但这不代表规模类指标一定不能采用，比如刚刚我提到，在产品诞生期便可以选用“规模类指标”作为北极星指标。因为产品诞生期需要快速积累用户，快速在用户中形成口碑，快速在市场中形成规模效应，所以会将规模类指标作为这个阶段的北极星指标。

累计注册用户数是所有类型的互联网产品都需要注意的虚荣指标。

1.6.3.1警惕虚荣指标-电商类产品

营收是电商类产品生命周期内都需要考察的北极星指标。而收入规模（GMV、订单量等）、用户活跃和用户留存都不能算是它的北极星指标，因为用户只要不完成购买转化，产品就无营收，营销效果就是零。

gmv在非常多公司里面的定义中，没有排除退单退款，以及下单未支付的情况，显然会出现虚高的情况。你说的刷单可以在下单未支付的场景中出现，也会在完整购买流程的场景中出现。第二种涉及欺诈，需要用复杂的模型开判断。

也就是说，对于这类产品，只要购买转化率、客单价、复购率等营收类指标不上涨，多高的 DAU 也无济于事。

1.6.3.2警惕虚荣指标-内容型产品

用户“看过”内容详情才算是有意义，某些严苛一点的产品要求用户观看内容详情超过一定时间，才算是用户看过内容，也就是用户消费了内容。所以对应地，CTR、观看完成率（播放完成率）、观看时长（播放时长）等均是内容型产品的北极星指标。
内容下发量、点击量均是虚荣指标：
下发量大，即出现在了内容列表，有机会看到内容的概要信息，如图片、标题或简介等，但是只要没有进入详情就无法称之为真正的“看过”；
点击量大，即用户确实进入内容详情了，但只看了 1 秒钟就退出，或者几秒内从文章开头下滑到文章结束，内容并没有仔细看，这样的文章对用户并没有切实的价值和意义。

这些也都是虚荣指标：
点击 PV，因为可以刷；
累计注册用户，因为下载了不代表会使用；
活动拉新人数，因为拉新不代表留存和活跃，很可能都是羊毛党；
产品曝光量，因为看了但不下载的用户很多。

1.6.3.3北极星指标不唯一

北极星指标也叫作“关键指标”，这个概念对于团队理解战略方向，统一运营节奏，降低沟通成本是必要的，但是产品一直以来就是一个复杂的综合体，因为用户的需求是多种多样的。
教科书式刻板地只设定一个北极星指标，既不能体现用户价值，也不能满足用户需求，更不能满足产品战略指向，所以北极星指标并非唯一。
北极星指标，其实是由多个指标组成的北极星指标体系，这个体系包含了核心北极星指标和伴随指标。
核心北极星指标，是指北极星指标体系中最核心的指标，满足“唯一关键指标”的要求，有且只能有 1 个；
围绕核心北极星指标，有 1~3 个伴随指标，通常是由核心北极星指标拆分出来的二级关键业务指标，即 OKR 中的关键结果 KR。

1.6.3.4案例：可落地的dau北极星指标

某产品当前以提升活跃作为当前产品阶段的战略方向，通常情况下会设定 DAU 作为北极星指标，继而制定 DAU 的经营策略，并监控 DAU 的变化，来持续优化策略直至达成 DAU 目标。
这个逻辑上完全没有问题，很多产品/运营也是这么做的，但我把它叫作常识或方法论，意思是“纸上谈兵”似的论述一个闭环逻辑，但实际却无法落地。
因为作为北极星指标的 DAU，其组成结构非常复杂，不仅分为新客 DAU、老客 DAU，还可分为沉默唤醒等细分客群 DAU。如果你将 DAU 作为一个整体去经营，势必造成会对 DAU 的各个组成客群一视同仁，形成“胡子眉毛一把抓”的局面。
而实际上，你应该将整体 DAU 作为核心北极星指标，将新客 DAU、老客 DAU，以及沉默唤醒 DAU 等细分客群的 DAU 作为伴随指标，并分别制定提升活跃的策略，同时根据这三个细分客群对整体 DAU 的贡献来针对性申请和投放营销资源。
注意：在大厂的运营架构中，新客、老客、沉默等客群也都是由不同团队负责，基于整体 DAU 设定核心北极星指标和伴随指标也能理清团队分工，有效协调团队资源，保持同一个步调和节奏。

老客的定义：没有统一定义，就根据自己看的业务来定，某些产品将注册超过三个月的用户就定义为老客，有的产品将未达成业务目标的都叫做老客。老客的留存一般比较稳定，更多要关注的是老客的流失。

1.7注册类指标

几乎所有的产品中，都有这么三种类型的划分，分别是游客、用户和客户。
游客，一般是指已经进入产品但还未在产品中创建账号的客群；
用户，一般是指已经创建账号的客群；
客户，一般是指已经达成某种业务目标的用户。

这三类用户都是每天会打开产品、使用产品的人。
在这个前提下，我们看看下面几个有趣的问题：
当我们问起这个产品“注册用户数”的时候，你会怎么统计？
游客并没有留下手机号之类的信息，你会怎么统计这部分客群的数量？
当一个用户用两台手机打开产品时，那么算几个注册用户？

1.7.1什么是注册

注册是指通过产品功能和运营手段，促使用户在产品中留下可以唯一标识用户身份的过程，通常由用户标识和用户验证两部分组成。
说白了就是让用户在产品中生成一个账户信息。

1.7.1.1用户标识

能够唯一标识用户身份的信息，通常可以分为手机号、用户名、电子信箱和第三方账号、设备账号、设备标识等。

设备账号，是指设备本身提供的账号系统，可供安装在设备中的产品直接调用，包括 Apple ID、小米 ID、华为 ID、Vivo-ID 等。
比如，你现在打开拉勾教育 App “我的账号”，你便会发现除了手机、微信、邮箱外，还有“设备账号”绑定这一项。
设备标识，是指产品可以获取的设备信息，包括 UUID、IMEI、WIFI 物理地址、蓝牙物理地址等。设备标识的业务价值，在于用户无须主动提供个人信息，即可获取并且全球唯一，缺点是它认为“设备即用户”，当用户更换新设备后就无法继续标识用户。

1.7.1.2用户验证

是指判断用户标识是否与当前操作者匹配的方式，通常包括密码、短信验证码、第三方账号授权、生物识别等。

用户标识和用户验证方式共同构成了账户信息，账户信息即用户注册信息。
当用户成功在产品中创建账户信息（完成用户标识），并能成功通过验证，即可认为用户已完成注册，此时的用户才被认为是“注册用户”。

注意：用户标识的形式和用户验证的方式是要对应匹配的，存在某些约定俗成的习惯，例如用户名+密码、手机号码+验证码等。这些都是产品设计必须要注意的点，不要挑战用户的认知和行为习惯。

刚刚也提到游客这件事，一般而言，能够标识出游客，并且能够统计游客数量的唯一信息就是设备标识。我们在用户运营中的一个重要工作就是想尽一切办法在最短的时间内将“游客”转化为“注册用户”。

但是这个工作很困难，因为游客并未留下任何有意义的注册信息，基本上你只能通过 PUSH 来触达用户；同时用户没有任何身份信息，有且只有在产品中的行为轨迹，基本上你也只能通过它的行为轨迹来分析用户的偏好和画像；而且绝大部分游客是首次使用产品，稍有不慎，流失的概率极大。

1.7.1.3案例：引导游客注册

我和团队曾在将近几个月的时间里，专门针对一款平台型产品的“游客”进行深入运营。我们在分析留存时发现，新增访客的次日留存只有 34%，而大盘用户的次日留存却高达 53%。
请注意，这里的“新增访客”是当日新增的设备量，即当日新增的游客。很明显，游客的次日留存率远远低于大盘用户，意味着游客的流失严重。
于是我们着手分析游客的画像和特征，试图制定运营策略，但是非常不幸，游客在产品中留下的信息只有 UUID/IMEI 这类设备标识，以及部分行为数据。我们无法获得像注册用户那样全面的用户画像和特征，只能在有限的信息中，尽可能促使游客完成接下来的注册行为。
团队经过脑暴，汇总出下面几条关键点：

• 游客没有账号、没有手机号、没有第三方账号，意味着不能用短信、电话或者社交媒体去触达；
• 游客首开产品时，必须避开所有需要身份认证的功能和场景，没有人愿意第一次使用产品就要注册账号；
• 为游客提供必要的刺激和激励，以促使转化为注册用户。

所以，针对游客的产品和运营策略也出来了。

• 只能用 PUSH 去维系游客。

• 为游客设置一个产品软着陆的场景。当游客首开产品时，并不是进入“首页”，而是进入类似“新户专区”的一个专属场景。在这个场景，聚合了产品中大部分的核心功能和服务、用户权益和价值等，来强化和训练游客的产品心智。

• 为游客创建专属活动。为游客提供“新客礼包”，这个礼包是将产品内的大部分通用型权益打包给用户，例如商品通用券、满减劵、送积分、设定用户任务等。

但是这个活动不是漫无目的地给他们好处，而是引导游客完成注册。游客可以领新户礼包里面的各个权益，但是必须注册后才能使用。同时，为了加速这个注册转化过程，权益本身设置了有效期，一般在 2~5 天，超期后自动作废；并且在 2~5 天的周期内，还会通过 PUSH 下发促注册的活动，比如“您的新户礼包中的 XX 券即将过期，请尽快登录使用”等提醒。

上图为某产品针对游客的激励措施之一，通过“登录即抽 25台 iPhone 12”这样的任务机制来刺激游客注册登录 App。

1.7.2注册类指标-注册用户量

该指标常用作累计类指标，即截止到当前时刻，产品中已创建的账户数量。同时，该指标必须加时间维度限定词，例如近一个月注册用户量、累计注册用户量、今年注册用户量、春节期间注册用户量。

注册用户量一般认为是“静态指标”，即仅在当前时刻去评估用户规模，由于其统计口径的模糊或不严谨，注册用户量常被认为是“虚荣指标”。

某产品已有 2000 万注册用户量，但其中 100 多万用户在近两年都已经没有再使用过产品，故“2000 万注册用户量”明显虚高，并不能准确反映用户规模，属于“虚荣指标”。

对于银行类 App 而言，用户办理了银行卡，然后下载安装注册某银行 App，此时该用户的账户是可以计入“注册用户量”的；但是之后的某天，用户将银行卡注销，然后卸载了该 App，此时该用户在银行内部已无任何账户信息，此时该用户不应计入“注册用户量”。

对于这种情况，我们用“有效用户量”来表征产品的真实用户规模。

1.7.3注册类指标-有效用户量

该指标属于动态指标，可以准确反映真实的用户规模。这里的“有效”，指的是需要达成业务场景的要求，也就是在时间限定范围内，是否有达成过业务的运营目标，若达成则为有效。

常见“有效”的口径包括：
首次启动产品
启动过 1 次或多次
登录过 1 次或多次
访问过指定功能 1 次或多次
完成过指定业务 1 次或多次
这里有不同的要求，具体采用哪种“有效”口径，需要根据业务的运营目标制定，下面我们看一个案例。

1.7.3.1【案例：如何界定“有效用户”？】

有效用户量，在大厂的不同产品运营场景中有不同的叫法，有的叫客户，有的叫核心用户。但万变不离其宗，都是用户达成了某些业务条件，并且这些业务都是产品的核心和利润类业务。

比如阿里的 UC NEWS 是信息流产品，既有 C 端的用户，也就是常说的内容消费者，也有 B 端的用户，也就是常说的内容生产者。
C 端用户
在我们运营的内部规范中，对 C 端的有效用户量定义是每周浏览过超过 5 片图文内容，或 3 条短视频内容的用户，且图文的阅读完成率达到 25%，短视频的播放完成率达到 18%。只有满足这些条件的 C 端用户，我们才把他们归为“有效用户”，也就是 UC NEWS 的客户。
只有这类客户，才有可能点击我们投放的商业化广告，才有可能为我们平台创造收入。显然，那些每天只是不停地刷列表，而不点进去浏览详情的用户，对我们平台的商业化几乎毫无贡献。所以，为了提升这部分用户的浏览量，我们会通过推荐系统不断探索用户兴趣，以及结合爆点和热点内容来吸引用户提升浏览量。

B 端用户
而 B 端用户，一般都是自媒体人，显然入驻的几十万创作者并不都是“有效用户”。我们对 B 端 创作者的“有效”定义，是 1 个自然月内提交并通过审核超过 5 条短视频的用户。所以，真正的 B 端有效创作者大概只占约 15% 左右，绝大多数创作者 1 个自然月内没有达标。
所以，为了提高创作者的创作质量和数量，我们会成立一个虚拟项目组，抽调产品、运营、商业化、市场、品牌和本地团队来共同制定一个中短期方案。在阿里巴巴，我们叫它“战役”，通过 B 端创作者提升战役，我们为“非有效”的 B 端创作者提供创作指引、现金激励、流量扶持、创作活动等策略，来提升他们的创作数量和质量。

1.7.4注册类指标不都是虚荣指标->北极星指标和伴随指标

注册类指标中的新增用户数和有效用户数，便能作为北极星指标和伴随指标使用，只是需要根据产品阶段情况和业务目标加以调整。

1.7.4.1发展初级，可用作北极星指标

在初期阶段，意味着当前业务目标是以用户规模为战略方向。当注册类指标用作北极星指标时，通常其伴随指标是活跃和留存。

最著名的组合就是新增用户量作为北极星指标，新增用户的次日留存率作为伴随指标，用来评估拉新获客的最终质量。

1.7.4.2发展中后期，可用作伴随指标

而到了产品发展中后期，业务目标便不会再以用户规模为主要战略方向，这时注册类指标会作为辅助型指标来帮助其他北极星指标综合评判效果。

当注册类指标用户伴随指标时，通常其北极星指标是活跃。最著名的组合就是 DAU 作为北极星指标，DAU 中的新增用户量或占比作为伴随指标，用来评估活跃运营的效果。

1.7.5如何避免用户重复注册（用户运营）

当用户 A 用手机号、微信账号和用户名分别注册，会在产品中生成 3 个账户信息，但这 3 个账户不能认为是 3 个注册用户，因为背后都是同一个自然人 A。
如果不做识别和同一化，会造成用户规模的数据迅速增加，在业务理解上也不合理，对后续的业务资源也是极大的负担。
一般而言，识别多个账号并进行账户同一化的策略主要有以下三种。

1.7.5.1产品策略

通过产品功能或业务流程来让用户主动进行同一化，例如前置或强制绑定另外一种账号类型，例如当用户用微信账号登录后，要求用户注册新的用户名或手机号，或绑定已有的用户名或手机号，以完成同一化过程。

1.7.5.2运营策略

通过运营策略来引导用户主动完成同一化，例如通过任务机制、激励机制等引导用户绑定多个账号。由于是非强制策略，故此方式对运营的能力要求较高，必要时候甚至会通过营销资源（例如优惠券、积分等）来强激励用户进行账号同一化。

1.7.5.3数据策略

通过深度分析用户的行为数据，来判断多个账号是否归属于同一用户，难度很高，较少使用。

1.7.5.4【案例：如何引导用户“同一化”账户？】

几年前我们团队有一个创新业务产品，为了能够在面市之初快速积累用户，就主推微信、微博、QQ 等第三方登录方式，最大程度地降低用户注册这个高门槛行为带来的用户流失。当用户规模越来越大的时候，产品团队开始集中精力优化产品的功能和服务，而忽视了“优化用户注册”这个最基本的业务流程。
在几个月后我们发现了一个奇怪的现象，就是 MAU 和注册用户量的规模不太对劲，MAU 的量级远远小于注册用户量，要知道 MAU 已经是一个很宽松的统计口径了。

于是我们排查 MAU 的客群特征，又发现一个很奇怪的现象，即同一个经纬度登录的用户通常有 2 个。
注意：这里是经纬度，不是城市、区或者街道，可以理解为在十几米的范围内出现过 2 个登录用户。

再通过行为数据发现，这 2 个用户的行为特征和偏好极其一致，我们断定此时一定是有同一自然人用多个登录方式在使用该产品。

于是我们从产品和运营两个方面去解决。

首先产品方面，优化注册流程，以手机号为第一注册方式，但这个改动只能影响后续的新增用户。

而对于现有的存量用户，我们主要采用运营手段引导，在用户个人信息页增加了手机号的字段，并且通过用户等级来引导只有第三方账号的用户补充手机号。但这样依旧只能解决 70% 的存量用户去绑定手机号，还有 30% 的顽固用户我们设定 deadline，并在用户每次使用产品时用“模态弹窗强干扰”的方式告知用户最后绑定手机号的期限。
**

一个手机登陆，一个手机未登录，为什么做了账号同一化，统计口径为用户数时有1（没识别出账号不应该是2个嘛）个DAU呢？未登录的手机只能知道设备号无法获取账号，怎么能知道和登陆的手机是同一个账号（用户）呢？感觉和上文的这句话矛盾：产品已有用户标识符，用户更换手机，若未登录，则独立访客 +1；

讲师回复： 是，我提到归一化的三种方式，这里仅仅举例了用设备标识符来处理的场景。事实上，后台在分析重复用户时，还会用到很多其他维度的信息。工程中已大量基于ip地址、LBS、使用时间、停留地点、停留时长、用户兴趣等来判断是否为同一个用户。例如，我有两台手机，都装了抖音，一个登陆，一个没登录，不论我在办公室，还是家里，还是地铁上，只要有过使用，抖音都会上报当前的地理位置（非常精确）以及ip地址，我依然可以判断出这两个用户极大概率是同一个用户。

**

1.7.6账户同一化的好处

1.7.6.1辨别高风险用户或欺诈类用户。

由于设备标识（例如 IMEI 号）会记录在用户数据库中。当我们发现同一设备中短期大量注册或登录了多个手机号，或者这个设备标识在短期内出现远距离的位置变动，基本可以认定这台设备属于高风险设备，背后的客群很可能是欺诈客群，或是黑中介在违规进行交易，抑或是刷流量团队在刷单，也可能是违规羊毛党在薅羊毛。

多账号进行同一化的运营价值
多账号的同一化还是用户运营的重要组成部分，因为在同一化用户后可以通过用户的多个账户来分析用户的渠道偏好和活跃程度。

1.7.6.2可以获取用户所有的渠道

当多账号进行同一化后，用户用多种账号注册，对于产品、运营同学而言，意味着用户主动告知自身使用的外部渠道。比如说，用户如果用手机号、微信等进行了同一化注册，意味着可以触达用户的渠道包括了短信、电话和微信等多种方式。
其实从产品设计上来讲，提供多种注册方式并不是合理的事情，因为产品的首要原则是“不要让用户选择”。
但因为注册的方式具备很强的渠道特征价值，所以有时候我们会在产品设计上刻意设计多种注册方式，并且像上文说的通过产品策略、运营策略等来引导用户尽可能补充各种方式的注册信息，目的是获取用户所使用的的所有渠道。

1.7.6.3可以分析用户的渠道偏好

当多账号进行同一化后，用户用不同的账号登录，即用户被动告知自身偏好的渠道。只需统计用户 A 在后续一段时间使用哪种账号登录的次数更多，即可判断用户经常活跃在哪个渠道，未来的营销活动便能通过用户最活跃和最偏好的渠道来触达。

假设用户经常用微信账号登录，后续就可以引导用户关注产品的官方公众号或服务个人号（例如客服个人号），各类营销活动就可以通过公众号或个人微信直接触达，以便更好地维系和运营用户。

我们在打营销活动时，首先考虑的就是通过什么渠道来触达我的用户。一般而言我们会首先分析目标客群的渠道偏好，而通过用户注册信息来分析是方法之一；然后通过聚类来细化出多个不同渠道偏好的子客群，接下来才是制定具体的活动方案。

例如，这次活动我要打 100 万的沉默客群，通过分析这 100 万沉默客群的注册信息和频繁登录的账号类型，我将它们细分为三大客群：

• 60 万手机渠道偏好客群，通过短信下发营销活动信息，控制短信字数、优化短信文案，并追尾活动转化超链接；
• 30 万微信渠道偏好客群，针对其中关注官方公众号的用户下发活动推文；
• 10 万无明显渠道偏好客群，与产品外的数据服务商进行联合建模，并做异业渠道的活动下发。

也就是说，这时你需要找外援，向第三方的专业数据公司请求援助了。进行联邦建模，获取并分析用户在使用本产品外的偏好，即用户除了安装自己的产品，平时还在用其他什么产品。通过分析外部产品的使用习惯来完善这 10 万用户画像，进行下一步的唤醒策略和活动。

1.8活跃指标

活跃类指标是重要的用户质量指标，代表了产品上真正的用户，代表了具备营销价值的用户群，是几乎所有产品运营的重点。
包括： UV、DAU、MAU，以及每日使用时长和每日打开频次等指标。
这几类活跃指标，各有各的特性、优势，你的业务具体需要参考哪个指标，还是取决于你的业务的发展阶段和特征，并没有标准答案。
当你理解了每个指标背后的意义、用途了，你也就知道了哪个才是最适合你，最具有参考价值的指标了。

1.8.1UV：独立访客

UV（Unique Visitor），即独立访客，是所有活跃类指标的基础。它是一个非常古老的概念，早在互联网诞生之初，就有了网站的独立访客概念。

1.8.1.1App 产品的独立访客

App 产品的独立访客的界定相对容易和清晰，一般而言是通过设备和用户标识符来进行，即同一个设备（设备 ID、IMEI、UUID 等）就是一个独立访客，同一个用户标识符（手机号、用户名等）也是一个独立访客。
问题来了，用户如果更换手机呢？假设你用的是华为手机，平时会看看今日头条，那么对于今日头条你就是一个独立访客；可是过两天你把手机换成了小米，这时候今日头条还会把你算作一个新的独立访客吗？

答案是不一定，有三种情况：

• 产品已有用户标识符，用户更换手机，若未登录，则独立访客 +1；
• 产品已有用户标识符，用户更换手机，若登录，则为独立访客不变；
• 产品没有用户标识符，用户更换手机，则独立访客 +1。

这里的“已有用户标识符”，意为你已经用手机号、微信号、邮箱号等账号注册过该产品。
说白了，就是能识别出你的账号，那么独立访客就不变；若不能，就会将你视为另一个独立访客，则独立访客 +1。

1.8.1.2Web 产品的独立访客

Web 产品界定独立访客的核心逻辑是基于 Session、浏览器标识等方式。
Session，又称会话。
当用户打开 Web 页面，也就是创建了一个 Session 会话。如果用户在接下来 30 分钟内没有任何动作，此次会话自动结束，此时对于这个 Web 页面，将计作一次独立访客。
浏览器标识，稍微复杂一点，分为是否独立浏览内核和浏览器代理，这里不做详述，直接说几种情况。

如果在一个浏览器中打开 5 个 A 网站，对于 A 网站是几个独立访客呢？ 这要看浏览器的标签页配置，是否为独立内核访问。如果是独立内核访问，则为 5；否则为 1。

如果在电脑上打开两个浏览器，分别打开 A 网站，对于 A 网站是几个独立访客呢？ 这取决于网站对于独立访客的计算逻辑。如果不做任何计算，那么独立访客就是 2；如果按照 IP 地址计算，那么独立访客就是 1。

如果一屋子 10 个人连接同一个 WiFi 访问 A 网站，那么独立访客又是多少呢？ 这个问题非常大的现实意义。对于 Web 产品而言，不像 App 产品可以获取很多比较能够标识用户的数据，所以基本上都是通过浏览器标识、Session 以及 IP 地址这三种数据来计算网站的独立访客。

如果一屋子 10 个人连接同一个 WiFi 访问 A 网站，那么独立访客又是多少呢？应该是10个独立访客吧，用设备号和IP地址去重计数。 讲师回复： 用设备号（或者设备标示）就是10，但是用IP地址，就是1，因为路由器出公网的IP只有一个，10个人的IP是内网，都会被映射为运营商的唯一公网IP，所以是1

IP地址计数的话，我任务一群人使用同一无线网计数，应该是分别计数的。现在无线网基本上会给每个用户分配独立IP地址。但是之前开发跟我说，公司内网每个人的IP是一样的，所以计数是1。我也有点迷糊了，是因为公网和私网也有区别么？

公网地址只有256x256x256x256这么多点，所以只要通过路由器出去的大家都是同一个公网IP，所以用IP地址是能做为DAU计算的。

1.8.2DAU：每日活跃用户

DAU，众所周知是每日活跃用户，那么什么是活跃呢？
其实活跃这两个字是一个非常模糊的概念，因为活跃的范畴实在是太大了，目前常用的活跃口径有：
基于单一指标：启动 App、登录 App、点击某一功能。
基于多个指标：打开 App 后且停留时长超过 5 秒。
**
考虑以下3个场景

【问题 1】 与刚刚独立访问 UV 指标类似的逻辑，我们再分析一个问题：我有两台手机，今天分别打开产品 X，那么产品 X 的 DAU 是多少？1 还是 2？

答案同样是不一定，回答这个问题前需要明确产品 X 的 DAU 口径： 如果 DAU 口径是启动 App 的设备数，那么产品 X 的 DAU 就是 2； 如果 DAU 口径是启动 App 的用户数，那么产品 X 的 DAU 就是 1。

【问题 2】 再深入一点：我有两台手机，今天分别打开产品 X，在手机 A 上打开产品后立刻就退出了，在手机 B 上还用了一会儿，那么产品 X 的 DAU 是多少？1 还 2？

答案同样也是不一定，回答这个问题前，仍需要明确产品 X 的 DAU 口径： 如果 DAU 口径是启动 App 的设备数，那么产品 X 的 DAU 就是 2； 如果 DAU 口径是启动 App 的用户数，那么产品 X 的 DAU 就是 1； 如果 DAU 口径是启动 App 且停留超过 2 秒的设备数，那么产品 X 的 DAU 就是1； 如果 DAU 口径是启动 App 且停留超过 2 秒的用户数，那么产品 X 的 DAU 就是1。

【问题 3】 继续深入一点：我有两台手机，今天分别打开产品 X，在手机 A 上未登录使用，在手机 B 上登录后使用，那么产品 X 的 DAU 是多少？1 还是 2？

答案同样是不一定，回答这个问题前，仍需要明确产品 X 的 DAU 口径： 如果未做用户同一化，且 DAU 口径是启动 App 的设备数，那么产品 X 的 DAU 就是 2； 如果未做用户同一化，且 DAU 口径是启动 App 的用户数，那么产品 X 的 DAU 就是 2； 如果已做用户同一化，且 DAU 口径是启动 App 的设备数，那么产品 X 的 DAU 就是 2； 如果已做用户同一化，且 DAU 口径是启动 App 的用户数，那么产品 X 的 DAU 就是 1。

那么到底应该以设备数还是用户数作为 DAU 口径呢？这取决于你的产品特征。

以设备数作为 DAU 口径的场景，一般集中在渠道运营中使用。
因为渠道运营主要负责拉新获客，新流量首次启动产品时并未注册用户，所以以设备数来反映拉新效果。
此外，还有一类产品也主要以设备数作为 DAU 口径，那就是工具类、服务类产品，例如健身 App、各类手环 App、导航 App 等。
用户无须注册即可使用大部分功能，即使登录也仅仅是方便记录一些用户产生的历史数据。

以用户数作为 DAU 口径的场景，一般集中在必须注册才能使用核心服务，或必须注册才能使用 100% 服务的产品中。这些产品非常关心用户的账号信息，并且后续的功能和服务也与用户的账号信息息息相关，例如社交类、电商类产品，基本上不登录、不注册就不能完成核心业务流程，例如无法购买、无法加好友等。

1.8.3MAU：每月活跃用户

MAU 常见于工具类、服务类产品，业务上一般认为用户在一个完整自然月中至少使用产品一次，即可计入 MAU。

MAU 有以下几个特点：

• 考察 MAU 的产品，按自然月为 30 来计算，至少有 1/30 的概率可以接触并营销用户。
• 由于营销概率很低，故考察 MAU 的产品，其用户终身价值较高，或用户贡献的客单价较高，或用户的黏性较高。

  例如几乎所有的银行信用卡 App 都只考察 MAU，原因在于这类产品的用户都是该银行信用卡的用户，一般会持卡约 3~5 年，甚至更久，并且在持卡期间用户的收入贡献一般在万元级别，远高于其他互联网产品。

• 由于 MAU 考察的周期是自然月，所以针对 MAU 的营销活动周期都很长，一般为 2~3 周，甚至更久。

考察每月活跃用户，是因为希望用户能够每月都打开产品，不要求培养用户使用习惯，因为一个月至少来一次实在难以和用户习惯联系起来。
通常是基于用户的强需求来承载每月的活跃用户，大部分都是“非我莫属、独此一家”的功能或服务。比如，运营商的话费查询和充值、信用卡的还款分期等均属此类。

1.8.4MAU、DAU、每日使用时长、每日打开频次的关系

需要根据自己产品的发展阶段和情况，来选用活跃指标。

1.8.4.1当 MAU 运营到极致时，就会变为 DAU

此时活跃类指标看起来是时间维度的缩减，但是从 MAU 到 DAU 的变化，会带来用户运营体系的完全改变。这意味着之前的用户低频需求场景变为了用户的高频需求场景，不仅需要资源和时间转换用户习惯，更需要从运营体系上做出根本性变革。

例如，运营商和金融产品，绝大多数是属于 MAU 的范畴，为了从 MAU 提升到 DAU，他们无一例外地加入了 DAU 专属场景，包括内容资讯、签到、打卡等，并在 MAU 场景和 DAU 场景的相互协调和联动做出了巨大的投入。

1.8.4.2当 DAU 运营到极致时，就会变为“每日使用时长”

当产品已不满足用户每天只来一次，而是希望每次用户打开产品，都尽可能地延长使用时长时，就会以“每日使用时长”作为活跃指标。

因为用户在产品上的使用时长越长，就越有机会去触达和营销用户。

很明显，一个单日使用时长为 5 分钟的产品，和一个单日使用时长为 75 分钟的产品，两者能从用户身上完成转化的概率对比，显然后者优势更大。

当从 DAU 转为“使用时长”时，产品要增加很多特殊场景。

以内容分发产品为例，就不再是基于时间线来分发，而是基于算法来分发，力图让用户“刷不完”； 原本图文类内容就要增加短视频、长视频或直播类，能够“杀时间”的场景。

1.8.4.3当“使用时长”运营到极致，就会变为“每日打开频次”

当产品不满足用户每天都是用 75 分钟，而是希望用户能够一天内多次使用产品时，就会以“使用频次”作为活跃指标。
使用频次的提升，同样意味着能够触达和营销用户的概率增加，但难度也在增加。

从“使用时长”到“使用频次”指标的转变，需要考量用户在脱离产品场景的情况下，选择合适的触达方式和触达渠道来引导用户打开产品，并避免对用户造成频繁打扰，这个难度非常高。

所以很多时候还会借助品牌营销、外部合作方、营造爆点等来提升用户单日使用频次，那么怎么做呢？想做到在脱离产品场景的情况下，又不打扰用户，有什么有趣的打法吗？

这个也是我们产品运营最头疼的问题。因为想提升使用频次，最常用的就是通过 PUSH 来吸引用户回来，只要用户离开 App，或者检测到 App 进入后台休眠，就马上下发 PUSH 把用户召回来，但这样会严重影响用户体验。

以 UC 头条为例，PUSH 的下发有严格限制，24 小时内最多下发 6 条，相邻 2 条之间至少间隔 4 小时，紧急的 PUSH 必须走绿色通道才能下发，以及下发时必须分客群下发，绝大多数情况严禁全量下发。

所以，为了保证用户体验，在用户脱离产品后，我们会通过其他有趣的方式来提升用户使用频次。

品牌营销。在产品场景外，在合作品牌的场景中去触达用户，吸引用户回到产品。

最常见的场景就是在咖啡厅、餐厅等的收银台通常会有银行类 App 的二维码，例如“扫码领 100 减 20 优惠券即刻使用”。这样就在第三方品牌的场景中达到自己产品的露出，以提升使用频次的效果了。

外部合作方。这类方式也就是做产品投放，将自己产品在其他产品中露出，可以设置钩子策略吸引用户，也可以仅仅是做展示。我们常讲的社交化传播就属此类，在各个社交平台通过内容、广告等形式来露出我们的产品，并吸引用户打开使用以提升使用频次。

营造爆点。这类方式是通过内容运营来推爆点出来。内容爆点一旦出来，马上跟进产品的核心服务或者价值主张。可以参详支付宝或微信的例子，基本上每次有一丁点大的新功能出来，全网都能看到各种“微信终于更新这个功能了”之类的内容，用户也基本上会马上打开微信去找这个新功能。这种方法的成本很低，是非常有效提升产品使用频次的好办法。

1.8.5关于“活跃”，两种特殊情况的界定

1.8.5.1闪退算不算活跃？

对于 App 而言，闪退是不可避免的糟糕场景。那么对于活跃来说，App 发生闪退是否会计入活跃呢？
技术上**，闪退会计入活跃，因为用户确实启动了 App，只是在启动过程中出现某种错误导致正常启动流程被中断；但是业务上，闪退不是正常的业务流程，所以应当考察成功启动 App 的用户量。
所以，对于产品同学而言，在 App 每次发新版本，以及操作系统升级时，都需要重点关注活跃指标的变化，来判断其过程中是否发生了闪退等异常情况**。

1.8.5.2后台唤醒和调起？

那么，后台唤醒和被其他应用静默调起算不算活跃呢？
在 Android 系统中，有一个有趣的特性，叫作 Service，即后台服务。它能够支持以无 UI 界面的形式在后台静默运行，同时也支持被其他事件在后台唤醒和调起。当 Service 被调起时，可以监听用户行为，并向后台发送数据。
所以，后台唤醒和被其他应用静默调起时可以计入活跃。
很多互联网的产品都属于同一个企业，通常也会借助这种方式来在各个 App 间共享数据，目的就是提升用户体验，以及提升活跃。

1.9留存类指标

1.9.1用户的3个来源

1.9.1.1新增用户

新增用户主要来自各种外部渠道的拉新获客。但现在的拉新成本越来越高，在 2020 年 Q3，天猫的获客成本已经飙升至每新用户 1158 元；并且新用户的水池也越来越小，早在 2019 年 Q4中国移动互联网的月活设备首次出现下降。

1.9.1.2沉默唤醒用户

沉默用户的唤醒也同样不乐观，当用户已经沉默，意味着用户可能已经脱离产品生态，难以有效触达，或者用户已经转移到竞品，更难以拉回。

所以，维持住现有的活跃用户是进行用户运营的重点。

维持住现在的活跃用户，我们把它叫作留存。留存率是重要的长尾指标，并且留存用户的长尾价值也非常高，原因有以下几点：

留存，意味着用户对产品产生较强的认可和黏性，这种认可和黏性的持续时间很长，也就是用户习惯一旦培养起来，用户一般不会轻易离开产品；

留存，意味着在用户生命周期能产生更多盈利与贡献，因为用户留存的频次越高、留存的周期越长，它可能带来的收入贡献也就越多；

留存用户，意味着是产品的忠实用户，它们更有意愿进行传播和分享产品的服务和价值，所以我们会基于留存用户来进行私域运营和裂变传播。

综上可见“留存指标”的重要性，所以我们说留存类指标是表述用户对于产品黏性的重要指标，也是考察产品运营效果的重要指标。它也通常被认为是活跃的重要组成部分之一，也是用户运营最重要的工作之一。

1.9.1.3留存用户

留存类指标非常多，我们潜意识会认为“留存”指的就是用户留存，常用的也就是次日留存、7 日留存、次周留存、次月留存这种表述方式，但这两者是完全错误，这是对“留存”的不全面解

1.9.2留存类指标的定义

留存指标的准确定义应该由三部分组成，包括目标客群、考察周期和事件口径。

• 留存类指标首先需要明确指出目标客群，这个和其他指标不太一样，不同客群的留存指标差异极大。以某金融 App 为例，其“新增用户”的次月留存率为 45%，而其“活跃用户”的次月留存率为 78%。

• 其次需要明确留存的考察周期，没有考察周期的留存类指标是没有任何意义的。通常考察周期与具体业务特点息息相关，运营商、银行类的产品一般考察月留存，内容类产品一般考察次日留存和 7 日留存。

• 最后是事件口径，也是最最重要的。需要通过事件口径来明确考察的是，留存率还是留存用户量？是业务留存、行为留存还是贡献留存？

事件口径是指留存类指标的业务定义，又可分为指标类型和业务口径。其中指标类型，一般分为留存率和留存用户量，常用留存率来分析用户留存的情况，这里不再赘述。

1.9.3业务口径

1.9.3.1义务留存

是指用户使用过某个功能或办理过某项业务等，例如用户查询银行卡余额、用户兑换积分等。

例如，要计算微信朋友圈的留存，这就是典型的业务留存。首先需要明确微信朋友圈留存的口径，是浏览朋友圈就算，还是必须要发布朋友圈才行?这里我们假定，只要用户进入朋友圈浏览即可，然后确定统计周期，于是完整的朋友圈留存定义如下。

在 [2021年1月14日] 到 [2021年1月16日] 期间的 [活跃用户]，在 [点击朋友圈事件 ID] 后的 [七天内] 还 [点击朋友圈事件ID] 的用户数量。

1.9.3.2行为留存

是指用户产生过某个特定行为，例如启动应用、点击首页、使用时长超过 3 分钟等。

例如，要计算使用时长超过 3 分钟这部分客群的留存，就是典型的行为留存。行为已经明确，只需要再明确统计周期即可，于是完整的留存定义如下。

在 [2021年1月14日] 到 [2021年1月16日] 期间的 [活跃用户且停留时长大于等于300秒]，在 [启动应用] 后的 [七天内] 仍然 [停留时长大于等于300秒] 的用户量 。

1.9.3.3贡献留存

是指用户生产或消费过内容、商品等，例如用户发表过 3 篇文章，用户上传过2个视频，用户付费超过 100 元，用户复购率超过 10 %。

这里多说一点复购率，复购率是电商行业考察用户贡献留存的核心指标。

• 体现了用户的消费习惯，复购是用户主动发起的，是用户主动告知产品自己的消费特征，是用户画像中消费兴趣的重要补充。

• 复购率体现了用户对平台的认可和黏性。因为电商产品平台属性极重，即本身不承载商品品牌的价值，而同一品牌的商品可能同时出现在不同的电商平台，所以考察复购率可以直接评估用户对于该平台服务的认可程度。

• 不同品类的复购率差异巨大，各个品类通常拥有自己独特的复购率时间周期。

  1.9.4注意事项

  1.9.4.1留存率的事件口径必须前后对应

  在一些用户行为分析的产品中，留存分析有时候会这样定义：

今天 [事件口径] 的新增用户在接下来的 [7 天内] 退出 App 的用户占比。

其实，这样的定义是错误的。

而正确的定义应该类似于：今天启动 App 的新增用户在接下来的 [7 天内] 启动 App 的用户占比。

原因在于，留存的本质是用过 A，过了一段时间后又用 A。所以，留存的 [事件口径] 在同一个留存类指标中必须是唯一，且前后一致。

例如，某些行为分析平台的留存是这么定义的：

在 [2021年1月14日] 到 [2021年1月16日] 期间的 [新增访客]，在 [启动应用] 后的 [一天] 还 [退出应用] 的留存率为 35%，如下图所示。

上图是“新增用户”，默认为当天第一次启动产品，那么留存的口径是“启动”，所以在之后的使用中必须选择“启动应用”，才能计算留存。

如果“新增用户”这里你自行创建了客群，例如“已付费客户”，那么口径就是“已成功付费”，所以在之后的使用中必须重新选择下拉选项，一般会有自定义事件的选项，然后把已成功付费的事件埋点 ID 填进去。

说了这么多，都是为了强调留存是要计算前后两个事件的，务必保证前后两个事件的一致。

1.9.4.2留存为被动型指标，需要主动分析

留存类指标与其他指标相比，显得那么与众不同，因为留存类指标是典型的“被动型指标”。被动型指标是指用户的特征不会主动产生对应的运营数据，必须由产品运营团队进行主动分析。

我们熟知的注册、活跃、付费、分享传播等，以及用户点击、使用功能等都是主动型指标，都是由用户主动行为产生的。而留存类指标是被动感知，只有当用户不在留存时才会发现，并且需要一定时间来分析，运营周期一般比较长，指标反馈速度很慢，所以运营难度较高。

这里的道理很浅显，用户可以主动告诉产品运营团队“我注册成功了，你们可以运营我了”，而不会说“我卸载产品了”；用户也可以主动告知“我是用了 XX 功能”，而不会说“我没使用 XX 功能”。

等我们发现留存下降，用户早已离开产品不知道多久了。所以，留存的运营主要针对当前活跃的用户提升活跃，以及短期内流失的用户尝试挽回，即所谓流失预警和沉默唤醒。

流失预警和沉默唤醒的打法很相似，区别仅是在不同的用户生命周期，这里仅以流失预警为例深入探讨。

至于沉默唤醒，你可以参看《16 | 活跃（下）： 如何通过用户分层进⾏沉默唤醒？》

流失是用户生命周期的最后一个阶段，用户一旦流失，我们可以非常悲观地认为用户已经走了，回来的可能性微乎其微。所以与其等用户与我们分手了才去追回，不如在用户还和我们保持热度的时候，除了正常的维系外，顺便预测下可能的流失概率，以便我们提前做干预。

1.9.5指标的使用

留存类指标既可用作北极星指标，也可用于伴随指标，不同的应用有不同的业务诉求。

1.9.5.1用作北极星指标

留存类指标用作北极星指标，意味着产品生命周期进入成长期及之后的阶段，意味着整个战略方向开始关注用户质量，前文我们讲过用户仅活跃无留存，事实上对于产品而言毫无价值。

1.9.5.2用作伴随指标

多数场景下留存都作为北极星指标的伴随指标来使用。常见的就是新增用户作为北极星指标，新用户的次日留存率作为伴随指标，用来考察新增用户的质量。如果新用户的次日留存很低，基本可以判断新增用户的质量很差，或不是产品的目标客群，需要重新调整获客策略。

1.9.5.3流失预警流程

一般做流失预警的流程是：训练流失预警模型 - 挖掘高流失脱落点 - 配置维系活动。

训练流失预警模型，目的是计算某个用户在未来制定周期（例如 1 个月）的流失概率。我们将过往已流失的用户特征（训练集）灌入模型（决策树、逻辑回归等），通过模型来提取流失用户的共性特征（年龄、性别、业务偏好、行为偏好等），然后再抽取一部分流失用户（验证集）去验证模型的准确率是否可用。

挖掘高流失脱落点，目的是看流失用户离开产品前，最后使用了哪些功能，以及停留在哪些页面，这些“最后的功能或页面”，我们就叫脱落点，意味着这是能够挽留用户最后的边界。

配置维系活动，即当活跃用户的流失概率达到模型的阈值时，或用户多次命中脱落点，可以制定专家规则来自动触发一些通用的维系活动，常见的是发券、赠积分、老客感恩权益等。同时后台将这部分高流失概率的用户自动转移到对应的运营团队中，再进行更深入的特征分析，从而进行一些高优先级的运营活动。

===
注册、活跃和留存就是产品运营的核心流程，任何产品一定是先有注册、再有活跃、最后留存，通过考察注册-活跃率、活跃-留存率就能够在较为宏观的层面对产品、用户有一个初步认知。

1.10四个步骤创建指标体系

在创建指标体系前，仍然需要理解产品定位和目标，必须知道指标体系要解决的业务问题，以保证指标体系对于业务的指导意义，切记不要闭门造车和纸上谈兵，这一点非常重要。

1.10.1步骤1:确定当前产品运营阶段的北极星指标及伴随指标

1.10.1.1通常 KPI/OKR 即代表北极星指标

KPI 与 OKR，代表了企业的战略目标，是为企业组织中所有人员指明统一的方向，是衡量企业运行效率和效果的重要指标。所以团队中如果已有 KPI/OKR 体系，那么可以将其按照指标的组成来拆解为自己业务的北极星指标，这里又有以下两种情况。

• 当 KPI/OKR 与自身业务一致，则拆解 KPI/OKR 作为北极星指标

如果 KPI/OKR 与自身业务的方向一致，那么就把 KPI/OKR 进行拆解，选择其中的某个子指标作为自己的北极星指标。

例如，某信息流产品以 DAU 作为 KPI，而大迷糊负责的是信息流中短视频的 DAU。因为短视频的 DAU 是整个信息流产品 DAU 的组成部分，所以可将短视频的 DAU 作为大迷糊的北极星指标。

• 当 KPI/OKR 与自身业务不一致，则拆解自己的业务指标

如果 KPI/OKR 与自身业务的方向不一致，那么就把自己负责的业务指标进行拆解，找到其中可以与 KPI/OKR 一致对应的指标作为自己的北极星指标。

例如，某电商产品以有效注册用户量作为 KPI，而大迷糊负责的是电商产品的 DAU。因为大迷糊自己的业务指标 DAU 与整个产品的 KPI 并不一致，故拆解自己的 DAU 为新增用户量、留存用户量和回流用户量。其中新增用户量是产品 KPI 的组成部分，故选择新增用户量作为大迷糊的北极星指标。

1.10.1.2结合产品生命周期确定

产品的生命周期分为探索期、成长期、成熟期、衰退期和退出期，每个周期可供借鉴和使用的北极星指标如下。

探索期：留存类指标，包括留存率、留存用户量、探索期内每用户平均使用次数。

成长期：注册类指标，包括每日新增用户量、有效注册用户量等。

成熟期：活跃类、留存类或收入类指标，包括 DAU、MAU、次日留存、次月留存或 ARPU 等。

衰退期：注册类、活跃类或收入类指标，包括有效注册用户量、DAU、MAU 或 ARPU 等。

退出期：活跃类指标，包括 DAU、MAU 等。

其次确定伴随指标，确定伴随指标的方法主要依据指标间的联系紧密程度：

如果注册类指标为北极星指标，那么活跃类指标就是伴随指标；

如果活跃类指标为北极星指标，那么留存类指标就是伴随指标；

如果留存为北极星指标，那么活跃类和收入类指标就是伴随指标。

下表汇总了常见的北极星指标和伴随指标组合：

1.10.2步骤2:完善北极星指标和伴随指标的业务口径和关联维度

北极星指标和伴随指标确定后，就需要完善它们的业务口径和关联维度：

• 明确业务口径是为了清晰定义指标的定义，同时也是为接下来的指标拆解提供依据；

• 关联维度是明确可以考察指标的不同角度，为接下来的多维分析奠定基础。

  1.10.2.1为指标明确业务口径

  在业务运营中，指标一般分为两类：数值型和比率型，例如 DAU 就是数值型，留存率就是比率型。

数值型指标，需要注意其口径的限定条件，例如某段时间、某个区域、达成某个条件，以及是否去重。例如，DAU 就是在当天的 00：00~23：59 之间启动过 App 的去重设备量。

比率型指标，需要注意其口径中的分子和分母的范围必须一致，即分子有且只能是分母的一部分，分子不能包含超出分母范围的数据。

1.10.2.2为指标关联维度

维度是指标的角度，用来反映指标在不同角度的分布。在这个步骤中，根据指标的口径来制定与其可以管理的一个或多个维度，并制定维度的属性值。

例如，指标是销量，一般可以给它关联地理维度中的省份维度，其维度属性值是广东省、湖北省、陕西省等。

地理维度还可以包括国家、地区、省市等单位。

又例如，指标是活跃用户数，一般可以给它关联时间维度，其维度属性值为年、季、月、周、日等。

再例如，信息流产品的核心指标是人均 vv 或者 ctr，一般可以给它关联内容类型的维度，其中包括图文、图片、短视频、长视频和动图等分类。B 站和头条系产品都有这些内容类型，每种内容类型的运营策略不尽相同，也都由不同的团队负责。

也可以关联分类或垂类的维度（分类，是指内容本身的属性，又因为每个分类都是一个相对垂直的领域，故也叫垂直分类，简称垂类），例如娱乐、社会、汽车、教育等，大部分信息流产品的分类/垂类维度都是一个树状体系，分为一级分类、二级分类和三级分类。

如下图所示，这里展示部分 UC 头条曾经用过的分类体系，包括 42 个一级分类和 159 个二级分类。

1.10.3步骤3:将北极星指标和伴随指标逐步拆解和细化

从北极星指标和伴随指标开始，按照指标的口径逐步向下拆解为汇总指标和原子指标。

1.10.3.1.针对数值型指标，按照其关联的维度进行拆解

数值型指标的拆解，基于刚刚第二步为其关联的维度进行拆解。要求维度内遵循 MECE 原则，无遗漏无重复，维度间尽可能完备，且每个维度内的子指标求和等于上层指标，如下图所示：

这里我以“收入金额”指标为例，它是典型的数值型指标，它需要根据业务运营的情况按照渠道、城市和品类这三个维度进行拆解。

• 要求渠道维度内必须遍历所有能够产生收入的渠道，不能有任何遗漏，渠道间的收入也不能出现重复计算；

• 要求城市维度内必须遍历所有产生收入的城市，不能有任何遗漏，城市间的收入也不能出现重复计算；

• 品类维度也同理。

那么渠道、城市和品类这三个维度能否全面体现收入金额的全部维度呢？这不一定。

也许会随着运营的发展，又会新增出一个代理商维度。但是，收入指标的维度越完整、齐全，对于未来的指标运营、数据分析、排查问题、实时监控都大有裨益。

在“模块二 指标分析法，从运营指标体系中洞察问题”中会讲到多维分析，就是通过指标关联的各种维度来寻找指标变化的原因。

1.10.3.2对于比率型指标，按照其口径进行拆解

比率型指标天然就有两个部分组成：分子和分母，所以可以按照其口径立刻进行拆解。如果子指标出现数值型指标，就按照关联维度继续拆解。

如上图所示，有效购买转化率的口径是：（成功付款人数 - 退款人数）/ 下单购买人数，所以可以拆解为三个子指标，即成功付款人数、退款人数和下单购买人数。

因为这三个子指标均是数值型指标，故也像刚刚一样按照关联维度继续拆解。

1.10.4步骤4:全面检查复核所有指标的口径和维度，并确定更新周期

全面检查和复核，要点包括：

• 每个指标的口径是否正确

• 是否存在重复指标

• 上下级指标是否存在明确、直接的关系

• 指标关联的维度是否尽可能完备

• 指标是否确定了更新周期

在检查和复核的过程中，会发现大量新增的指标。这些新增的指标，原则上都要提交数据研发部门进行开发。不过在提交之前，运营团队需要评估这些新增指标的重要性以便开发排期。

这部分内容属于产品需求管理范畴，不在本专栏探讨。

至此，我们的指标体系就创建完成，但是仍然需要我们定期进行 review，移除废弃指标、更新指标口径、添加新的指标，真正地把指标体系作为重要的数据产品来不断维护和迭代。

在很多互联网公司，指标体系创建完成后，会录入到统一的指标管理平台进行集中管理，这样所有的业务部门都看到的是统一的指标体系，大家对于指标也有统一的认知和理解。只有这样，整个团队才能在统一的指标体系指导下步调一致、高效地进行产品运营。

作业：
如果你是微信视频号的产品经理，请尝试为视频号创建指标体系，并按照你的理解尝试回答以下问题：

微信视频号在不同阶段的北极星指标是什么？

针对北极星指标，微信视频号做了哪些策略和迭代？

结合指标体系，你认为微信视频号接下来会如何演进？

这是一个半开放作业，限定了微信视频号这个产品，它是典型的短视频分发产品，并不算是一个创新业务，你可以从各种你能了解到的渠道收集信息来完成这个题目。

我也希望通过这个小作业能让大家更好得去理解自己工作中可能遇见而没有思考过的两个场景： 1.为什么新的一年指标目标提升那么多？ 2.为什么新的一年要考核新的指标？ 这两个问题非常重要和关键。大家早晚都会走上中高级岗位。在中高级岗位我们常常思考的问题是：指标到底是什么？一个指标背后到底对应着什么？

2.【分析洞察】指标分析⽅法：从运营指标体系中洞察问题

我会站在运营的角度讲解最常用的分析方法，并在 Excel 中操作。这里不涉及任何函数、VBA、计算机语言或代码等技术，仅通过鼠标点击，即可高效完成运营指标的分析过程，适合 90% 的互联网从业人员，学完即用，快速上手，快速见效。


描述分析

主要用于分析数据的整体情况，重点着眼于分析数据本身的分布和特征，主要包括描述性统计、多维分析和相关性分析等分析方法。
例如分析产品的 DAU 时，通常用描述分析对 DAU 的分布、趋势和组成进行初步分析，以了解掌握 DAU 总体的特征情况。
一般而言，拿到一份数据或报表时，通常首先进行描述性分析，看看整体情况如何之后再进行其他更为深入的分析。

推断分析

主要通过分析少量数据的特征，来推断整体数据特征的方法，主要包括方差分析、样本检验和趋势预测。
例如，判断影响营销活动效果的有效因素、分析对指定客群投放营销活动后的真实效果、A/B 测试中选取的客群能否代表整体用户特征等等，这些都是推断分析去解决的场景。一般而言，推断分析是在描述分析之后，深入探索数据特征，寻找数据归因的重要分析方法。

2.1描述性统计：通过指标抓取数据主要特征

通过几个简单的分析方法就能在几秒钟内提取出指标背后的数据特征，快速建立整体全面的认知，并帮助我们寻找到分析的突破口。
为了能够高效的发现数据的特征，描述性统计为我们提供了三个非常有用的分析工具，分别是：

• 中位数/平均数
• 方差/标准差
• 异常值

并且还提供了一个分析图表——箱线图来辅助分析。

2.1.1分析工具 1：用“中位数和平均数”分析数据的分布情况

2.1.11.数学定义和业务含义

平均数的特点是极易受到极大值或极小值的影响，从而会变得不客观，所以在计算平均数时，一般都要看看这组数据的最大值和最小值是否偏离太大，如果偏离太大需要剔除后再计算平均值。

比如，要评估 11 月中 30 天的日均销售额，显然双 11 极高的销售额会把整月的日均销售额拉高，无法真实反映 11 月的日均销售额。所以需要除去双 11 的数据后，再计算 11 月的日均销售额。

平均数一般包括算数平均数和几何平均数，算术平均数是将 n 个数据加和后除以 n；几何平均数是将 n 个数据相乘后再开 n 次方。

特别需要强调的是，算术平均数和几何平均数的适用场景完全不同。

算术平均数适用于指标是绝对值的数据，例如计算近 30 天日均 DAU、日均新增访客、月均收入等都可以用算术平均数；

几何平均数适用于指标是百分比的数据，例如计算不同渠道的平均转化率、不同客群的平均留存率、不同品类的平均付费率、月均增长率等，只能用几何平均数来计算。

2.1.1.2使用指南

中位数和平均数通常结合起来使用，通过比较中位数和平均数的大小，来判断数据的分布是偏大还是偏小。

平均数 > 中位数

数据中偏大的居多，抬高了整体的均值，导致平均数大于中位数；

也或者是，数据中出现了个别极大值，抬高了整体的均值，导致平均数大于中位数。

平均数 < 中位数

整体数据中偏小的居多，降低了整体的平均值，导致平均数小于中位数；

数据中出现了个别极小值，拉低了整体的均值，导致平均数小于中位数。

为什么要这么去看？因为很多场景下两组数据的总和和平均数相差无几，难以评估谁好谁坏；而通过“中位数与平均数”的对比，可以发现很多有趣的业务问题，例如下面这个例子。

2.1.1.3应用示例

在电商行业中经常需要分析不同品类产品的销售情况。

由上表可以看出，产品 A 和产品 B 的累计销售额完全一样，日均销售额也完全一样，仅看这两个指标无法得出任何业务结论；但是我们试着看看产品 A 和产品 B 的平均数和中位数，情况就有趣了。

产品 A 的日均销售额为 281.11，每日销售额的中位数是 234，即平均数大于中位数。
意味着产品 A 的每日销售额偏高的居多，可能是产品 A 的客单价较高，可能是某一天的销售额很高，拉高了平均数。

产品 B 的日均销售额为 281.11，每日销售额的中位数是 315，即平均数小于中位数。
意味着产品 B 的每日销售额偏低的居多，可能是产品 B 的客单价较低，可能是某一天的销售额很低，拉低了平均数。

2.1.2分析工具 2：用“方差和标准差”来分析指标的波动情况

2.1.2.1数学定义和业务含义

方差，是指数据的离散程度，是一组数据与这组数据平均数之差的平方值的平均数；而标准差，是方差的开方值。这些都是简单的基本概念，我们了解下方差和标准差的业务含义。

方差和标准差代表了业务指标的波动情况，即业务稳定性的高低，也即业务经营风险的大小；

当方差和标准差变大，意味着指标波动变大，业务稳定性降低，业务经营风险升高；

当方差和标准差变小，意味着指标波动变小，业务稳定性升高，业务经营风险降低；

方差和标准差可以将微小的变化显著放大，即更直观和更直接地观察到业务经营风险。

2.1.2.2.使用指南

方差和标准差的使用非常简单，只需要留意以下两点即可。

方差没有量纲，即没有任何单位，不具备任何业务含义，就是一个纯数字。不能说11月的销售额方差是多少万元，只能说方差是多少数字。所以单看一个方差没有任何业务价值，而是需要做各种对比来看方差的变化，从变化中找到可能的数据问题。
例如，连续两周的每周 DAU 方差都在变大，意味着 DAU 的波动不断变大，背后的原因或者是投放的运营活动数量和节奏出现问题，或者是产品稳定性出现问题，或者是外部竞品抢用户等等。

标准差有量纲，即有单位，有业务含义，我们可以说 11 月的销售额标准差是 5.5 万元。单看标准差同样没有任何意义，仍需要通过各种对比来看标准差的变化来从中发现问题。

因为方差会将数据微小的波动放得很大，所以在某些情况下方差的数据可以到 8 位甚至 9 位数，这对视觉体验非常不友好。所以更多数情况下我们是考察标准差，因为数字显示得不会太大，同时具备业务意义。

2.1.2.3.应用示例

渠道是重要的获客方式，渠道的获客稳定性非常重要，波动过大的渠道一般其客群质量也不会太高，对于产品而言会造成获客资源的浪费，以及加大后续运营资源的压力。如果要评估渠道的获客稳定性，那么我们就要用方差/标准差来评估。

例如，要分析如下三个渠道的新增用户稳定性，考察其每日新增用户数的方差，看看能否得出有趣的结论。

从上表可以看出，仅分析这三个渠道的累计新增用户数、日均新增用户数无法得出任何业务结论，同时分析各个渠道自己的平均值和中位数也难以评估渠道的获客稳定性。

所以，我们用方差来计算，分别计算这三个渠道的每日获客量的方差和标准差：

渠道 A 的每日新增用户数的方差是 305.6，标准差是 17.48；

渠道 B 的每日新增用户数的方差是 834.6，标准差是 28.89；

渠道 C 的每日新增用户数的方差是 630.6，标准差是 25.11。

于是，我们发现：因为渠道 B 的每日新增用户数方差和标准差最大，可以认为在这 3 个渠道中，渠道 B 的获客能力波动最大，稳定性最差，后续的风险也在 3 个渠道中最高（相对），接下来的运营需要更多的关注渠道 B 的运营情况；而渠道 A 和渠道 C 的获客能力相对波动较小，获客较稳定，保持中优先级的关注即可。

2.1.3分析工具 3：用“分位数和异常值”来寻找异常数据

2.1.3.1.数学定义和业务含义

分位数，是指将一组有序数据分为几个具有相同长度的区间，常用的有中位数、四分位数等。

统计学中，把所有数值由小到大排列并分成四等份，处于三个分割点位置就是分位数，通常用 Q1、Q2、Q3 来表示一分位（前25%）、二分位（前 50%）、三分位（前 75%），其中二分位数就是中位数。

异常值，即在数据集中存在过高或过低的值。特别注意的是，当我们说“这个月 DAU 的最大值是 190 万”，其中的“最大值”是指剔除异常值后剩下数据中的最大值（最小值也同理）。

注意：异常值并不一定是最大值或最小值，它一般也不参与正常业务讨论的范畴。

所以刚才这句话应该说“这个月 DAU 的最大值是 190 万，同时我们发现 1月9日 DAU 异常高，超过 270 万”。

【异常值筛选算法】

在统计学中，通常用分位数来确定正常值区间，并筛选出异常值，筛选算法如下：

若数据大于 Q3+1.5(|Q3-Q1|) ，则数据为异常值；

若数据小于 Q1-1.5(|Q3-Q1|) ，则数据为异常值；

若数据在 Q1-1.5(|Q3-Q1|)～Q3+1.5(|Q3-Q1|) 之间，则为正常值。

其中 |Q3-Q1| 也叫分位距或分位差，用 IQR 来表示。

感兴趣同学了解即可，这里不再深入讲原理。

【异常值的业务含义】

计算任何平均值前，都必须要剔除异常值后才能进行；

异常值，通常需要单独排查和分析，在很多互联网公司都会设置一个职位专门跟进分析异常值，它们叫 Bad Case；

异常值不能说好，也不能说不好，要根据实际业务情况来看。双 11 这天的销售数据，对比其他日期的销售，显然是一个异常值。但对于这个异常值，当然希望越大越好，也就是越异常越好。

2.1.3.2.使用指南

在异常值的算法中，IQR 前面的系数是重要的运营手段。在实际工程应用中，IQR 前面的系数 1.5 被认为是一个经验值，可根据业务实际情况在 1.0~2.0 之间调节，越大意味着异常值标准越宽松，越小意味着异常值标准越严格。

为了找出正常值范围以及异常值，除了用基于 IQR 的算法外，还可以通过箱线图更直观地找出异常值。

上图即是标准的箱线图，其中游离在外的点即表示异常值，同时还能从箱线图解读出更多信息：

可以直接看到中位数和平均值所在的位置，便于快速评估中位数和平均值的大小；

可以通过箱子的高度，定性地判断方差大小，箱子高度越高，方差越大，反之越小；

可以看到正常值的范围，上下限之间即是正常值范围。

箱子越高，方差越大的原因在于：箱子的高度是 Q3-Q1，也叫 IQR 分位距。IQR 越大，意味着这组数据的范围被拉得很宽，也就意味着分布的越散，也就意味着方差/标准差越大。

2.1.3.3.应用示例

渠道是重要的获客资源，其获客能力的趋势非常重要。若要分析如下三个渠道的新增用户情况，考察其每日新增用户数有无异常情况，看看能否得出有趣的结论。

我们为这三个渠道做了如下箱线图，可以看出：

渠道 A 的获客能力排位第二，因为它的箱线图位置在渠道 B 和渠道 C 之间，同时稳定性对比其他两个渠道也较好，整体运营正常，并无异常值出现；

渠道 B 的获客能力排位第一，因为它的箱线图位置最上，同时稳定性也最差，因为箱线图中的箱体高度最高，整体运营正常，并无异常值出现；

渠道 C 的获客能力排位第三，因为它的箱线图位置最下，同时整体运营有一定问题，因为出现了一个异常值，需要单独排查原因，是否是拉新活动、渠道联合活动等因素导致的。

2.1.3.4操作：在 Excel 中实现描述性统计

Excel 作为最重要的数据分析平台，已内置了描述性统计的所有分析工具，能够简单快速地完成上述分析，并且结果极易解读。

1.用 Excel 的“数据分析”工具包实现描述性统计
第一步：点击“数据”选项卡，点击“数据分析”。
第二步：点击“描述统计”。
注意：如果“数据”选项卡后无“数据分析”，请先启用“数据分析”加载项。

第三步：选择数据输入区域，拖动选择数据区域。
第四步：勾选“汇总”选项卡，其他默认即可。
注意：若数据列第一行为标题，请勾选“标志位于第一行”。

第五步：点击“确定”，即可完成。

如下图所示，这里将平均数、标准差、方差、最大值、最小值等描述性统计需要的数据均清晰展出。
2.用 Excel 的“箱线图”分析异常值
在前文讲述分位数和异常值的算法时，可以通过计算公式和箱线图两种方法来寻找异常值。事实上，Excel 也提供了箱线图工具来帮助我们快速查找异常值。

第一步：选择要分析的数据。
第二步：点击“插入”选项卡，点击图表区域的“箱形图”，完成。
注意：如果图表区域无此图标，请升级 Excel 至 Office 2019 及以上版本。

第三步：完成

分别展出了 iOS 和 Android 这两种设备的新增访客数据及其箱线图。

Excel中的计算函数：1、累计用户数=SUM(number1,number2,…)2、平均数=AVERAGE(number1,number2,…)3、中位数=MEDIAN(number1,number2,…)4、方差=VAR(number1,number2,…)5、标准差=STDEV(number1,number2,…)
方差和标准差的函数，尽量用带“.”的那些函数

2.2多维分析：利用指标维度摆脱视野局限

需要分析指标变化的原因了。这时就需要多维分析法和相关性分析法，它们也是在数据化运营中应用频率最高、应用场景最广的分析方法。
“多维分析”看似像是个专业数据分析名词，隐晦、不务实，实则不然。基本上在产品运营的所有常见场景，通过多维分析都能有效地找到指标变化的原因。

接下来我将应用多维分析法，对 DAU 报表、公众号全年阅读量、业务转化率数据等四个案例，分别进行分析步骤和原因拆解。

它的作用在于能帮助我们从更多视角、维度看待问题，主要包括以下两个方法。

• 方法 1 口径拆解：从指标的业务口径分析原因

• 方法 2 维度下钻：从指标的细分维度分析原因

你会发现，“多维分析”思维都像是一个装在你大脑里的“空间搜索仪”，它不放过任何犄角旮旯。它通过“口径拆解”和“维度下钻”这两种方法，防止你在思考问题时，漏掉某些关键信息、环节。

从而让你能跳脱视野局限，把影响事情成因的关键要素、联系，有逻辑地展示出来，将数据变成一个“数据立方体”，而不仅仅是一串杂乱的数据表象。

2.2.1方法 1 口径拆解：从指标的业务口径分析原因

这种方法是指当指标发生变化时，依据指标的业务口径定来寻找变化分析的方向。

基于指标口径的分析方法，适合于各种类型的指标。包括汇总型指标，如 DAU、MAU、注册用户量等；比率型指标，如留存率、转化率等。

因为它们的业务口径中天然包含其他指标，可以从其包含的指标中寻求原因。

2.2.1.1类型 1 汇总型指标

汇总型指标通常由其他指标进行算数汇总而来，故当汇总型指标发生变化时，我们按照指标体系中该指标的口径定义来确定组成它的子指标，并分别分析这些子指标的变化情况来寻找原因。

以我们熟知的 DAU 为例，DAU 是典型的汇总型指标，一般情况下其口径为：

DAU = 当日新增用户 + 昨日留存用户 + 沉默唤醒用户

所以，当 DAU 发生变化时，我们通过分析其口径中的三个子指标的变化，来判断 DAU 的变化原因。

【案例 1 某信息流产品的 DAU 报表 】

下图是某信息流产品的 DAU 报表，我们看看影响 DAU 变化的原因有哪些。

第一步：对“活跃用户数”创建箱线图，看看它的数据特征以及有无异常值。

我们发现该指标有 3 个异常值，其中有 1 个异常大值，2 个异常小值。我们的接下来的分析方向就非常明确，针对这 3 个异常值深入排查原因。

第二步：我们发现异常大值是 2019年6月6日 出现的，这一天 DAU 是 432510，环比增长了 16%。
第三步：环比增长非常高，我们看看这一天的“当日新增用户、昨日留存用户、当日唤醒用户”指标当中到底是谁的环比增长更大。

于是我们发现，在 2019 年 6 月 6 日 这一天：

当日新增用户环比增长 20.8%

昨日留存用户环比增长 -0.3%

当日唤醒用户环比增长 127.7%

我们已能得出业务结论：2019 年 6 月 6 日这天 DAU 显著增长的原因，是由沉默唤醒用户和当日新增用户促成的，其中沉默唤醒用户的影响更大。

所以，接下来应当与沉默用户运营的同学沟通是否在之前做了某些唤醒活动，促使了 DAU 显著增长。

2.1.1.2类型 2 比率型指标

比率型指标，通常由其他指标进行相除得来，故当比率型指标发生变化时，我们按照指标体系中该指标的口径定义来确定组成它的子指标，并分别分析这些子指标的变化情况来寻找原因。

在电商运营中，购买转化率是一个重要指标，通常它的口径如下所示：

购买转化率 = 成功付款人数 / 浏览商品的人数

当购买转化率发生变化时，基于口径分析一般有以下几种情况：

购买转化率上涨，成功付款人数上涨，浏览商品人数上涨、下降或不变；

购买转化率上涨，成功付款人数上涨、下降或不变，浏览商品人数下降；

购买转化率下降，成功付款人数下降，浏览商品人数上涨、下降或不变；

购买转化率下降，成功付款人数上涨、下降或不变，浏览商品人数上升。

【案例 2 某公众号阅读率分析 】

某公众号收集了 2018 年全年的推文阅读数据，我们看看阅读率是如何分析的。

我们从原始明细数据创建了阅读率的数据透视表，其中阅读率的口径为：阅读量/下发量。

我们发现 2018 年第二季度的阅读率比其他三个季度的都要高，接近 20%，于是我们为透视表增加各个季度的平均阅读量和平均下发量，如下图所示。

我们发现，第二季度的阅读量和下发量对比第 1 季度：

• 阅读量从 34584 下降到 31136，下降了 9.9%

• 下发量从 218152 下降到 162633，下降了 25.4%

很明显，阅读量（阅读率的分子）的下降幅度要比下发量（阅读率的分母）小很多，也就意味着用户的阅读习惯或推文的文章质量并无明显波动，但是推文的下发量却波动很大。

而推文的下发量又与粉丝数息息相关，所以我们应当继续排查在第二季度有无脱粉现象，或其他原因导致了下发量的极大降低。

但是作为阅读率口径中分子的下发量却并未提升，故可初步判断是第二季度的整体阅读量提升，带来阅读率的上涨。

特别需要说明的是：依据指标口径分析指标变化的原因，看似各种情况很多，事实上这些情况是可以穷尽的，并且在实际业务经营中所有情况的出现概率并不是均匀分布，而是集中在 1~2 种情况中，所以基于口径的分析方法非常高效。

2.1.2方法 2 维度下钻：从指标的细分维度分析原因

用“维度下钻”来分析指标变化的原因，是指当指标发生变化时，依据指标的关联维度来确定变化分析的方向，并通过不断将粗粒度的维度逐步细化为细颗粒的维度来精确判断原因，这个过程我们叫作“维度下钻”。

这种分析方法适用于任何指标，特别是原子指标，因为它们已不可继续拆解，无法从指标的口径中寻找原因，就只能从其关联的维度中寻求原因。

维度下钻通常有日期下钻、地理下钻、分类下钻、客群下钻、流程下钻等方式。今天重点讲解日期下钻和流程下钻，其他下钻方式的使用方法和逻辑与这两个并无差别，同理通用。

2.1.2.1方式 1 日期下钻

日期下钻，顾名思义就是在日期维度上的钻取，用年、季度、月、日等日期字段层层向下钻取进行更细粒度的分析，获取更加详细信息，来支撑我们判断指标变化的原因。

【案例 3 某公众号全年阅读量数据】

继续沿用上面公众号的案例，我们看看基于日期下钻是如何分析的。

首先，从原始明细数据创建了日期和阅读量的数据透视表，可以看到行是日期，默认是按季度显示平均阅读量，我们发现第三季度的平均阅读量的增长出现了放缓。

此时站在季度的维度来分析，日期粒度太粗，无法获得更多有效的信息，我们尝试从季度下钻到月份。有趣的事情发生了，当我们下钻到第三季度的 7、8、9 三个月份时，发现 8 月的平均阅读量下降很明显，形成了一个明显的波谷，基本上我们可以判断第三季度的下跌是 8 月份数据下降引起的。

此时站在季度的维度来分析，日期粒度太粗，无法获得更多有效的信息，我们尝试从季度下钻到月份。有趣的事情发生了，当我们下钻到第三季度的 7、8、9 三个月份时，发现 8 月的平均阅读量下降很明显，形成了一个明显的波谷，基本上我们可以判断第三季度的下跌是 8 月份数据下降引起的。

但是站在 8 月份的维度还是有点粗，只能说我们找到了分析的方向，所以我们继续下钻到天的维度，看看是 8 月份的哪天平均阅读量在下降。

很明显，8 月份我们有 4 天发了推文，其中 8 月 7 日和 8 月 16 日的平均阅读量低于 8 月的月均阅读量，基本上可以锁定是这两天的推文可能出现了问题，拉低了 8 月的平均阅读量。

虽然我们发现了核心的问题，但还是没有找到原因，我们需要继续下钻，找出到底是哪篇推文的阅读量更低。

我们在 8 月 7 日（613）和 8 月 16 日（795）这两个单元格上双击，就能看到对应的明细数据：

很明显，8 月 7 日 的推文有 4 篇，处于 2 条和 3 条的阅读量很低，只有 300 多，远远低于平均阅读量；

8 月 16 日的推文有 5 篇，除了头条，剩下 4 条的阅读都很低。

所以，接下来就复盘分析这几篇推文阅读量很低的原因，总结经验以避免再次出现类似问题。

除了这个案例中介绍的日期下钻，常用的还有地理下钻、分类下钻。它们的下钻过程和日期下钻一致，不再赘述。

地理下钻，常用于电商的销售数据分析，通过从城市群，下钻到省份，再下钻到城市，再下钻到区来寻找原因。

分类下钻，常用于电商和内容平台，如下图所示，通过从一级品类，下钻到二级品类，再下钻到三级品类来逐级寻找数据变化的原因；分类下钻也常用于内容平台，通过从一级频道，下钻到二级频道，再下钻到三级频道来寻找内容阅读、点击等指标的原因。

2.1.2.2方式 2 流程下钻

流程下钻，是指在用户旅程中通过整体流程逐步下钻到子流程，来分析流程中各个指标变化的原因。最典型的场景是漏斗分析，漏斗分析一般考察的是转化率、流失率。

【案例 4 漏斗分析下的转化率】

我们以转化率为例，其下钻过程是从一个漏斗的整体转化率下钻到这个漏斗中的每一个步骤的转化率，在这个过程中我们去寻找整体转化率发生变化时是由哪个步骤的转化率变化带来的。

首先，我们从整体转化率的时间趋势上发现 12 月 5 日的转化率下降明显。为了找出原因，我们进行流程下钻，如下图所示，深入到漏斗中的每个步骤去考察转化率。容易得出 12 月 5 日中第一步的转化率下降明显，是造成 12 月 5 日整体转化率下降的原因。


在产品运营的实际工作中，常常会通过流程下钻来寻找用户在某个业务流程中的流失情况，继而再根据用户画像来制定挽留策略。

例如，在某金融产品的借贷业务流程中，我们发现整体转化率逐步下降，于是针对这条借贷业务漏斗进行流程下钻，发现在办理流程的倒数第二步用户流失非常多，造成了整体借贷转化率下降。

所以，我们对这个步骤流失的用户进行画像分析，并在产品端设定挽留弹窗机制，即用户在此流程中若停留超过 15 秒，或点击返回按钮，则弹出对话框进行挽留，并在对话框中设定挽留的权益。在增加这个机制后，整个业务的转化率提升了约 14%，效果十分明显。

事实上，大量的维度都支持细分下钻，例如用户设备，可以从品牌下钻到机型；浏览器，可以从类型下钻到版本；产品版本，可以从主版本下钻到次版本，再下钻到小版本。

毫不夸张说，万事万物皆可下钻，通过不断的维度下钻，可以让我们在正确的分析方向上高效地找到指标的原因。

当初次接手新业务时，如果可以拿到一份业务经营的指标体系，那么便能快速上手业务并建立起数据分析机制。但如果没有指标体系怎么办呢？那就请花一点点时间和团队一起去建设，这个是非常利好于业务发展和长尾效应的数据工作。

要知道，指标体系不仅能为这一课时的“多维分析法”提供施展才能的舞台，还会继续影响着下一课时的“相关性分析法”。

2.3相关性分析：拆解影响因素

比如，我们在工作场景中时不时会经常讨论这些问题：

电商同学说，我们有 5 个品类，想知道哪个品类销售对整体销售贡献更大？

渠道同学说，我们运营了 10 个渠道，想知道哪个渠道的用户对整体活跃作用更大？

留存同学说，我们分析了 7 个客群，想知道哪个客群对整体的留存关系更大？

产品同学说，产品已经上线一段时间，到底哪些维度（城市、年龄段、操作系统）更影响整体活跃？

还有很多类似的场景不一一列举。这些业务场景明显复杂很多，除了要能告知原因外，还需要明确出不同原因的重要性。确实，我们知道影响活跃的因素有很多，可资源有限，不可能全面铺开逐一去解决，只能集中优势资源解决核心问题。

那么如何从一大堆原因中找出最核心的原因呢？接下来，我将与你分享一个定量判断指标原因重要性和优先级的方法：相关性分析。

2.3.1什么是相关性分析？

相关性分析，指对两个或多个指标进行分析，评估它们两两之间联系或相互影响的程度。相关性分析不仅可以分析出多个指标间的联系程度，还能给出联系程度紧密的量化值。

例如，相关性分析能够分析出营销活动的投入成本和活动转化率的相关程度，不仅能够告诉我们投入成本越高，转化率越高的数据关系，还能告诉我们高到什么程度。

相关性分析，使用“相关系数”这个指标定量给出几个指标间联系和影响的程度，通常用 p 来表示，我们用 p 值判断指标的相关性时遵循以下两个步骤。

相关系数 p 是一个介于 -1～1 的小数。

2.3.1.1.判断指标间是正相关、负相关，还是不相关

当 p>0，认为指标间是正相关，也就是两者的趋势一致。
如果指标 A 与指标 B 的 p>0，那么指标 A 上涨，指标 B 也会上涨；反之亦然。

当 p<0，认为指标间是负相关，也就是两者的趋势相反。
如果指标 A 与指标 B 的 p<0，那么指标 A 上涨，指标 B 会下降；反之亦然。

当 p=0，认为指标间无任何联系。

2.3.1.2.其次判断相关的程度

当 p 的值在 [0.5,1] 之间，认为指标间是强相关，认为指标间的业务联系非常紧密。
当指标 A 和指标 B 是强相关，那么当我们去运营指标 A 时，指标 B 也会明显地发生变化。

当 p 的值在 [0.1,0.5) 之间，认为指标间是弱相关，认为指标间的业务联系不太紧密。
当指标 A 和指标 B 是弱相关，那么当我们去运营指标 A 时，指标 B 会有相应变化，但变化不明显。

当 p 的值在 [0,0.1) 之间，认为指标间是无相关，认为指标间的业务联系无任何联系。
当指标 A 和指标 B 是不相关，那么当我们去运营指标 A 时，指标 B 不会有任何相应的变化。

相关性分析的理论不复杂，我们看看在一些产品运营场景中是如何应用的。

2.3.2相关性应用场景有哪些？

事实上，相关性分析的应用场景非常多，基本上只要提到“它俩有什么关系？”“哪个指标的作用/贡献/价值更大？”“我们应该重点解决哪个问题？”时，都可以用相关性分析给出定量和准确的回答，非常便于产品运营找到解决问题的核心抓手。

我将各类业务场景及其指标总结为下表，可供你需要时参考使用。

2.3.3产品运营场景实战案例

2.3.3.1.如何分析哪个客群的留存对整体留存贡献更大？

留存的运营中我们最常看的就是新客的留存和活跃客群的留存，用来评估哪个客群的留存与整体的留存联系更紧密，以便制定后续运营的策略。

对于这样的报表，我们需要找出到底是哪个客群的留存对于整体留存的影响最大。如果能找出来这个关系，那么后续要提升留存，就有非常清晰的方向。

用相关性分析可以很好地回答这个问题，在 Excel 中点击“数据”选项卡，进入“数据分析”，找到“相关系数”，选择数据区域，点击确定即可，分析结果如下图所示。

在 Excel 中的具体操作过程，会在本课时的最后讲解。

上表就是相关性分析输出的相关系数表，其中显示了指标两两间的相关系数。

可以看出，活跃访客的留存率与整体留存率的相关系数是 0.61，大于 0.5，故是强相关；而新增访客的留存率与整体留存率的相关系数只有 0.15，小于 0.5，故是弱相关。

所以如果要提升整体留存率，我们的产品运营资源应当更多地投放给活跃用户，以提升整体的留存率；而新增访客，虽然不会拿到很多运营资源，但是我们也要去深入分析为什么新增访客的留存的贡献比较小，适时做一些提升这部分客群与整体留存的策略。

2.3.2.2.如何找出对购买转化率贡献最高的渠道？

基本上电商运营会同时部署多个渠道，包括线上电商平台以及线下的门店。由于现有某产品从各个渠道获客的用户在产品上的购买转化率，需要评估哪些渠道的用户对整体购买转化率贡献最大，后续将重点营销此渠道。


可以看出各个渠道对整体购买转化率的相关性为：

渠道 A 对整体购买转化率的相关性为 -1.2%

渠道 B 对整体购买转化率的相关性为 48.2%

渠道 C 对整体购买转化率的相关性为 6.4%

渠道 D 对整体购买转化率的相关性为 -23.9%

可以看出，渠道 B 的购买转化率对整体购买转化率为正向贡献，故若要提升整体购买转化率，应当投入资源在渠道 B 的运营；同时，渠道 A 和渠道 D 对整体购买转化率为负向贡献，应当仔细分析排查原因。

2.3.4.如何分析哪些因素对 DAU 的影响更大？

我们分析 DAU 时常会将它拆解为各种维度来分析，这里我们分析与 DAU 联系最紧密的维度到底是哪些，以帮助我们制定针对性的运营策略，如下图所示。

对于这样的报表，我们需要找出到底是哪几个城市、哪个操作系统，以及哪个年龄段的用户对于 DAU 的影响最大。如果能找出来这个关系，那么后续要提升 DAU，就有非常清晰的方向。

用相关性分析可以很好地回答这个问题，在 Excel 中点击“数据”选项卡，进入“数据分析”，找到“相关系数”，选择数据区域，点击确定即可，分析结果如下图所示。

• 先分析城市维度与 DAU 的相关性大小

考察这三个城市与 DAU 的相关系数，按照相关系数的大小排序依次是：上海 > 深圳 > 广州。

也就是说，从城市维度来看，上海、深圳与 DAU 的相关系数最高，超过 0.5，属于强相关；广州与 DAU 的相关系数小于 0.5，属于弱相关。

所以，如果要提升 DAU，那么促活的资源应当更多地投放在上海和深圳这两个城市的用户上。

再分析操作系统维度与 DAU 的相关性大小

考察 Android、iOS 与 DAU 的相关系数，按照相关系数的大小排序依次是：iOS < Android，并且 Android 的相关系数高达 0.83，属于强相关。

也就是说，从操作系统维度来看，Android 设备的用户活跃对整体 DAU 贡献最大。所以，如果要提升 DAU，那么促活的资源应当更多地投放在 Android 的用户上。

最后分析年龄段维度与 DAU 的相关性大小

考察这三个年龄段与 DAU 的相关系数，按照相关系数的大小排序依次是：大于 30 岁 > 20～30 岁 > 小于 20 岁。

也就是说，从年龄段维度来看，大于 30 岁的客群与 DAU 的相关系数最高，达到 0.94，属于强相关；20～30 岁的客群与 DAU 的相关系数为 0.12，小于 0.5，属于弱相关。

所以，如果要提升 DAU，那么促活的资源应当更多地投放在年龄大于 30 岁的用户上。特别地，我们还发现小于 20 岁的客群与整体 DAU 呈现弱的负相关。

一般而言，出现了负相关情况我们要更加留意，并且进行深入的专题分析。例如，分析这部分客群的行为和路径特征、留存等情况，来判断是产品功能或服务无法满足，还是用户体验不好，或是运营活动出现偏差导致了出现负相关。如果这个客群仍是我们的目标客群，那我们仍需要在做上述分析后努力将负相关转为正相关。

2.3.5用“相关性分析”找出违背业务常识的真实情况

相关性分析除了能帮我们找出关键的影响因素，还能帮助我们论证业务逻辑的有效性，甚至能纠正我们的思维误区。

有时候，我们想当然的业务常识，可能就是与真实情况相悖的。接下来，向你介绍一个案例。

我有一个朋友是做快消品的，负责公司牙膏产品的渠道推广。他在快手、抖音等短视频平台根据产品的功能特性投放了大量的广告，希望可以引流短视频用户到淘宝去付费下单。

可他用“相关性分析法”追踪短视频平台商品链接的点击情况与淘宝付费下单情况时，非常意外地发现产品视频的点击量和淘宝的付费用户数毫无相关关系。

然后据此追踪用户行为，经过仔细排查后发现，用户的行为模式并不如预期所想。

他预想的用户行为模式是：用户在短视频平台看到商品视频后，点击商品链接自动唤醒淘宝并直接进入商品详情页，同时引导用户直接付费，降低用户行为路径长度，提升付费率。

可用户实际行为模式却是：用户在看到商品的视频后，关掉短视频 App，手动启动淘宝，搜索商品名称，找到目标商品进入详情页完成购买转化。

于是厂商果断大幅调整营销方向，不再在短视频平台投放“产品功能特性关键字”，而是投放“品牌”；在淘宝搜索栏也不再购买“产品功能特性关键字”，而是购买“品牌类关键字”。如此之后营销效果立竿见影。

如果没有相关性分析，谁能想到在各大短视频平台投放产品营销资源，与引流到电商完成付费转化这两者几乎无关联呢？

【注意：相关性分析前，别忘剔除指标中的异常值】

异常的指标，不管是极大值，还是极小值，都会显著影响相关性的计算，严重影响相关性结果。所以一般情况下，需要先通过描述性统计找出异常值，将异常值剔除后再进行相关性分析。

2.3.6操作：在 Excel 中进行“相关性分析”

在 Excel 中为我们提供了相关性分析的算法包，操作步骤如下。

第一步：点击“数据”选项卡，找到“数据分析”。
第二步：选择数据区域。
第三步：点击确定完成。

小结

“相关性分析”最大的作用，就是将两个事情/事物之间的关系做出了量化考核：
当 p 的值在 [0.5,1] 之间，认为指标间是强相关；
当 p 的值在 [0.1,0.5) 之间，认为指标间是弱相关；
当 p 的值在 [0,0.1) 之间，认为指标间是无相关

并能通过量化值对致因因素进行排序，让我们对业务的影响因素有了更清晰的认知，也就是能让我们看清事情的主要矛盾，能抓住“问题关键”制定出更合适的运营策略。

分析方法都不是单一使用的，专栏里面的所有分析方法都是打包一起使用，以帮助我们全面、深入和准确的分析。 在数据分析领域，几乎不存在“因果”分析的场景，除非，我们能遍历出所有可能的原因，以及准确分析出每个单一原因对于结果的影响，以及准确分析出不同原因的组合对结果的影响。显然，这三点都难以实现，所以我们才会用相关性分析。
相关性分析是解决指标A的变化/趋势是否与指标B的变化/趋势一致，是动态的分析，继而再从业务角度分析两者间是否有明确的业务联系。占比是一个静态特征，是静态的分析。例如案例3中，广州、深圳和上海的流量占比分别是35%、38%、27%，看占比的话应该是深圳的影响更大，上海应该最差，但是相关性分析出的结果并不是这样，而是上海最高，深圳其次。您可以实际操作一下感受这个过程。 所以，我的答复是： 1）占比高的自然会对上级指标影响大？不一定。 2）多数情况下看占比和相关性分析结果相似？不一定
我不是问哪个渠道更好，而是问哪个渠道对整体价值最高。首先厘清一个重要的概念：占比高，不代表它和整体的关系就更紧密。相关性分析考察的是几个指标之间的“趋势”是否一致，是在一个周期内哪个指标和大盘/整体的趋势更一致，我们就认为这个指标和大盘的联系更紧密。

2.4运营评估：数据复盘衡量运营策略

在产品运营中，我们会遇到各种需要评估运营效果的场景，包括促活的活动是否起到作用、A/B 测试的策略有无成效等等。具体例如，产品升级前的平均 DAU 是 155 万，产品升级后的平均 DAU 是 157 万，那么如何判断 DAU 提升的 2 万是正常的波动，还是升级带来的效果呢？
上面这些场景看似不同，实则都是在对比不同分组数据间的数据变化，或是对比同一组数据在实施某些策略前后的数据变化，及其变化背后的原因。也就说，判断数据波动是否是某一因素（活动/策略）导致的，便是方差分析。

“方差分析”是个专业统计学理论，但它并不隐晦，我来通俗解释一下其背后的含义。我们把分组叫作样本，把变化叫作差异，差异的大小程度叫作显著性。

所以对比不同分组数据间的数据变化，我们就叫作分析不同样本间的差异显著性；

对比同一组数据在实施某些策略前后的数据变化，我们叫作分析同一样本在策略前后的差异显著性。

而分析以上差异显著性是否明显的方法，就叫作方差分析。

2.4.1白话理解“方差分析”的来龙去脉

故事的主人公叫费希尔，为了能够从事自己喜欢的用户运营工作，他在前段时间申请转岗，从帝都北京的团队来到羊城广州的团队，开始了他的用户运营工作。广州团队的用户运营工作重点之一，就是彻底搞清楚在优惠金额对用户的购买转化率是否能起到有效作用。

费希尔的做法很常见，抽取了过去半年产品上投放的所有促销活动，并把活动中的优惠金额分成了以下三个组，最后按照不同区间分组去分别计算用户的购买率。

费希尔非常清楚，用户行为是随机的，不管有没有促销活动，用户的购买转化率本身就会发生一定的波动，可能某天某组的某个用户心情大好，或者发了年终奖了就会在产品上剁手。

而这些随机因素都与优惠金额无关，所以我们不能说某组的转化率高，是这个区间的优惠金额效果好导致的。

那么应该如何正确认识用户数量与购买率之间的关系呢？这就需要用到正态分布图了。

2.4.1.1.认识正态分布图

正如刚刚所言，用户购买行为是随机的，购买率很高的不会很多，只要来产品就会下单的用户不会很多，毕竟没有人这么有闲钱天天剁手；购买率极低的也不会很多，天天活跃但就是不下单的也是极少数。

所以绝大部分用户的购买率都集中在某个值附近，这个值我们叫作整体购买率的平均值。如果每个客群分组自身的购买率均值与这个整体购买率平均值不一致，就会出现以下两种情况。

第一种情况

如下图所示，蓝色分组的购买率平均值（蓝色线）比整体平均值（黑色线）要高，有可能是最右边那个很高的购买率把分组的均值抬升的，同时蓝色分组的数据分布很散（方差大），此时不能有十足把握说明该组用户的购买转化率很高。

第二种情况

如下图所示，绿色分组的购买率平均值（绿色线）比整体平均值（黑色线）要高，但是绿色分组的数据非常集中，都集中在分组的平均值（绿色线）附近，此时我们可以认为该组的转化率平均值与整体有明显区别。

为了更好表述上面的问题，费希尔定义了“组内方差”的概念，即描述每个分组内部数据分布的离散情况。如下图所示，对于上面蓝色和绿色分组的“组内方差”，显然蓝色的组内方差更大，绿色的组内方差更小。

所以，如果上面三个分组的用户购买率平均值不在中线（整体购买率）左右，而是有明显的偏高或偏低，并且该组内的每个转化率都紧紧围绕在该组购买率平均值的附近（即组内方差很小）。那么我们就可以断定：该组的购买率与整体不一致，是该组对应优惠金额的影响造成的。

2.4.2.方差分析之定性、定量分析

你可以将正态分布图理解为我们分析业务的工具，所以接下来费希尔便将上表中三个组的转化率放进了这个图中，尝试通过分析工具在转化率数据中得到结论。

2.4.2.1定性分析

然后他发现，这三组的购买率数据的分布都很相似，即虽然各组的均值不尽相同，但各组的数据分布的都比较散（方差大），总有很大或很小的购买率来提升或降低了组内的平均值，所以不能仅从各组的购买率均值本身来断言该组的购买率与众不同。

所以，费希尔认为这三组数据并无区别，用户的购买率与优惠金额之间没有明显的关系，当然这是一个定性的分析过程。

2.4.2.2定量分析

但是要定量分析怎么办呢？费希尔创造了 F 检验值和 F crit 临界值这两个指标。F 检验值用来精确表达这几组差异大小的，F crit临界值是一个判断基线：

当 F > F crit，这几组之间的差异超过判断基准了，认为不同优惠金额的分组间的购买率是不一样的，优惠金额这个因素会对购买率产生影响，也就是说通过运营优惠金额这个抓手，是可以提升用户购买转化率的；

反之，当 F < F crit，则认为不同优惠金额的分组间的购买率是一样的，优惠金额这个因素不会对购买率产生影响，也就是说需要继续寻找其他与购买转化率有关的抓手。

上图是我们用 Excel 得出的 A、B、C 三组的方差分析结果，如图所示 F (1.5555556) < F crit (3.8852938)，所以从定量分析角度，我们也能判定优惠金额不会对购买率产生影响。

这个 Excel 的方差分析图，向我们展示了各项指标数据。对于日常工作，你只需要关注 F 与 F crit。至于 SS（方差）、df（指标自由度）、MS（均方差）、P-value（差异的显著性水平）等，有兴趣的同学可以查阅统计学的资料进行深入了解。

上面这个分析过程，就是方差分析。我们现在给方差分析一个准确定义，方差分析也叫 Analysis of Variance，简称 ANOVA，也叫“F 检验”，用于两个及两个以上分组样本的差异性检验。

故事里面的费希尔也确有其人，罗纳德 · 费希尔（1890~1962），英国著名的统计学家和遗传学家，是现代统计学的奠基人和大师，创造了方差分析、极大似然估计等深刻影响统计学发展的贡献。

2.4.3方差分析标准路径

现在，我们将上面故事的来龙去脉整理一下，梳理成一个可以套用的标准方法，我将其分为三步。

2.4.3.1第一步，判断样本是否满足“方差分析”的前提条件

方差分析有以下三个前提条件。

1.第一个条件：每个分组中的每个值都必须来自同一个总体样本

上面故事中的三个分组的用户（即样本），都来自这个产品的注册用户（即总体），所以是同一个总体，可以用方差分析来分析他们之间的购买率差别。

比如，同一家店铺中男性顾客和女性顾客（即样本），都来自这个店铺的成交客户（即总体），所以是同一个总体，可以用方差分析来分析不同性别客单价的差异；但如果想分析这个店铺中口红品类的用户购买率和其他店铺口红品类的用户购买率的差异，就不能用方差分析，因为这两个用户群体不是来自同一个总体。

所以，判断样本是不是都来自同一个总体，其实就是看这些样本是不是同一个功能的用户、是不是同一种类型的用户、是不是同一个业务流程的用户。

例如以下就是来自同一总体的用户：

• 高留存的注册用户和低留存的注册用户；

• DAU 里面的新增用户和唤醒用户；

• 从同一个入口进来的成功购买用户和流失用户。

而以下这些就不是来自同一总体的用户，不能用方差分析来分析他们之间是否有差异：

• 产品的注册用户和游客，因为不是同一类型用户；

• 沉默用户和活跃用户，因为不是同一类型用户；

• 使用过功能 A 和未使用功能 A 的用户，因为不是同一功能的用户；

• 从活动落地页进来然后完成购买的用户，和从首页 Banner 进来完成购买的用户，因为不是同一业务流程的用户。

2.第二个条件：方差分析只能分析满足正态分布的指标

上面聊了方差分析可以分析的用户群体，下面讲一下可以分析这些群体的指标类型：只能分析满足正态分布的指标。

什么是正态分布？形象化的理解就是指标的所有值，太高的不多，太少的不多，绝大多数集中在某个区间，例如上面故事的购买转化率。

在产品运营中大部分指标都是正态分布。

• 几乎所有的转化率都满足正态分布：购买率、点击率、转化率、活跃率、留存率、复购率等。
• 几乎所有的业务量都满足正态分布：客单价、每日新增用户数、渠道引流的流量等。
• 几乎所有的用户画像指标都满足正态分布：年龄、城市、登录次数、使用时长等。

但是，以下这些就不是正态分布的指标，不能用方差分析。

• 注册用户中男性和女性的数量，它们并不会集中在某个区间，所以不能用方差分析去分析不同客群的男性数量和女性数量的差异；但男女的比例是正态分布的指标，根据产品客群不同始终集中在某个占比区间。
• 不同客群的累计消费金额，不是正态分布指标，因为累计类指标只会增长，并不会集中在某个区间；但是每日消费金额是正态分布的指标，因为每日的消费金额虽然有波动，但产品的客群是稳定的，消费金额也是集中在某个区间。

3.第三个条件：分析的样本必须是随机抽样

这句话很好理解，上面故事中的每个用户的购买率就是随机抽样来的，为了避免样本过于集中某个值。最简单的随机抽样就是均匀抽样，例如 10 万用户，我就按照顺序，每隔 5000 人抽一个出来，就能随机抽样出来 20 人。

2.4.3.2第二步，计算 F 检验值和 F crit 临界值

数据计算非常复杂，但是我们可以用 Excel 快速操作，只需点一下鼠标即可计算出 F 检验值和 F crit 值。

具体操作方法我在下面的案例中演示。

需要我们掌握的是通过 F 检验值和 F crit 临界值来判断各个分组是否有差异：

若 F > F crit，则各个分组的指标值有显著差异；

若 F < F crit，则各个分组的指标值无显著差异；

这也是我们刚刚讲过的内容。

2.4.3.3第三步，如果有差异，需要评估差异大小

当 F > F crit，则各个分组的指标值有差异，但是差异有多大呢？

我们用一个新的指标来表示：R^2=SSA/SST，其中 R2 表示差异大小，SSA 是组间误差平方和，SST 是总误差平方和。

R2 我同样在下面的案例中演示快速计算，至于如何 SSA 和 SST 的原理不在本专栏深究，有兴趣的同学翻阅统计学的资料即可了解。

需要我们理解的是，可以把 R2 看成前面课程讲到的相关系数，所以可以用相关系数的判断标准来给出差异的大小：

当 R2>0.5，认为各个分组间的差异非常显著；

当 R2 在 [0.1,0.5] 之间时，认为各个分组间的差异一般显著；

当 R2<0.1 时，认为各个分组间的差异微弱显著。

讲完了“方差分析”的来龙去脉和标准路径，我们案例实战一下。

2.4.4方差分析案例实战

2.4.4.1.产品升级前后，使用时长有了一定提升，可以说升级有效果吗？

现在产品做了升级，把升级前后的日均使用时长抓了出来，我们发现升级后的平均使用时长为 1分 34 秒，升级前为 1 分 26 秒。产品经理自然心中犯难：升级后使用时长提升了不到 10 秒钟，能说产品升级有效果吗？如下图所示。
1.产品升级前后，使用时长有了一定提升，可以说升级有效果吗？
现在产品做了升级，把升级前后的日均使用时长抓了出来，我们发现升级后的平均使用时长为 1分 34 秒，升级前为 1 分 26 秒。产品经理自然心中犯难：升级后使用时长提升了不到 10 秒钟，能说产品升级有效果吗？如下图所示。

我们按照刚刚讲的“方差分析标准路径”中的三步来逐一进行。

（1）判断样本是否满足“方差分析”的前提条件

显然，使用时长来自同一群用户，就是产品的使用用户，是同一总体，并且使用时长满足正态分布，所以要分析升级前和升级后有无效果，就是分析升级前的使用时长和升级后的使用时长是否有差异，也就是可以用方差分析来判断。

（2）计算 F 检验值和 F crit 临界值

在 Excel 中点击“数据”选项卡，然后点击“数据分析”，选择“方差分析 - 单因素方差分析”；然后选中数据区域，其他默认即可，点击“确定”即可完成方差分析，如下图所示：

如图所示，F 检验值是 5.97，F crit 临界值是 4.1959，所以 F > F crit，所以这两组数据有差异，也就是说升级后使用时长的提升是有效的。

（3）评估差异大小

效果有多好呢？我们再计算 R2 值，图中已给出 R2 的计算公式，结果是 0.1757，属于一般显著。

到这里我们可以给出结论了：此次产品升级对使用时长是有效果的，平均使用时长提升了 8 秒，但提升效果一般。

2.4.4.2.最近做了一次活动，活动后的 DAU 有所提升，可以说活动有效果吗？

为了提升 DAU，我们做了一个促活的活动，把活动前后的 DAU 抽样 15 天的数据来对比，发现活动后 DAU 均值是 55567，比活动前的 DAU 均值 54198 有所提升，可以说活动有效果吗？如下图所示：

显然，我们不能单纯地看 DAU 均值提升就认为有效果，也有可能是正常的波动，所以我们需要准确对比这两个分组间的差异。

我们按照刚刚讲的“方差分析标准路径”中的三步来逐一进行。

（1）判断样本是否满足“方差分析”的前提条件

因为两组的 DAU 都来自产品的 DAU，所以认为是来自同一总体，同时 DAU 满足正态分布，所以可以用方差分析来进行分析。

（2）计算 F 检验值和 F crit 临界值

如图所示，因为 F(0.022) < F crit(4.1959)，所以这两组数据无差异，也就是说这两组 DAU 没有任何区别，均值的变化是正常波动，促活活动并没有带来效果，所以不需要进行第三步，不需要评估差异大小。

上面的案例都是针对一种策略来分析效果。我们把这种形式的方差分析叫作单因素方差分析，因为只评估一种策略在不同客群、或不同渠道、或不同场景中的效果。

下面我们看看一个更复杂的场景——多因素方差分析。

2.4.4.3.如何分析注册率是拉新活动带来的？还是渠道本身特性带来的？

渠道运营，涉及的渠道很多，同时在每个渠道上也会投放大量的运营活动，目的都是尽可能地将渠道的流量引导到产品上完成注册，才能进行后续更为深入的运营。假设我们是一个初创公司，你来负责渠道运营。

（1）渠道

刚开始我们对接渠道，由于资源有限，运营活动还是全渠道投放。如下图所示，想分析针对单一一个运营活动，各个渠道间的用户注册率是否有差别。

于是你拿到下图这张报表示。

如图所示，F(1.96) < F crit(3.55)，所以各个渠道的注册率没有差异。

面对这样的问题，你自然会说可能是拉新活动的没有做出差异化的原因，所以你把拉新活动精细化，拆为权益类活动、品牌类活动和通用类活动。通过这三类细分活动再次投放到各个渠道上，再次评估各个渠道的注册转化率。

（2）活动

于是，除了渠道，还有活动来影响注册率。

此时有两个因素来影响注册率，分别是渠道因素（有三组）和活动类型因素（有三组），所以我们用无重复双因素方差分析来做，结果如下：

如图所示，这里是两个因素，所以要从行和列分别去分析：

行的 F(8.46) > F crit(6.94)，所以注册率在不同行（不同活动）上差异显著，并且 R2 为 0.796，属于非常显著；

列的 F(0.16) < F crit(6.94)，所以注册率在不同列（不同渠道）上无差异。

所以，当我们给各个渠道投放多种类型的活动时，我们发现注册率和活动类型强关联。

（3）客群

把活动细分为三类只是精细化运营的开始，接下来你自然会想把这三类活动投放给每个渠道的不同客群，再看看对注册率的影响。

于是，除了渠道和活动，还增加了渠道中的客群（这里仅按照性别这个维度来分析）。此时每种类型的活动又针对男性客群和女性客群分别进行了投放，我们把这种情况叫作有重复因素。

有重复因素，即每个因素（活动类型）中都有两个重复值（男性和女性）。

在 Excel 中选择“方差分析 - 可重复双因素方差分析”，于是你看到下图这张报表：

样本是每个行中的男性客群和女性客群；

列是渠道；

交互是男性客群或女性客群，是否与渠道一起共同对注册率产生了影响。

从结果中我们可以看到：

• 样本的 F(10.57) > F crit (4.25) ，所以不同性别的客群和注册率差异显著，再考察样本的 R2 为 0.64，为很强的显著关系；
• 列的 F(0.47) < F crit (4.25)，所以不同渠道的客群和注册率差异不显著；
• 交互的 F (0.49) > F crit (3.63)，所以不同性别的客群与渠道共同对注册率差异不显著。

此时我们可以下结论：不同渠道本身对注册率影响不大，可以排除渠道自身特征的影响；但是不同性别客群的拉新活动对注册率的影响非常大，后续可以针对渠道中的不同性别投入更多的拉新资源以提升注册率。

提醒：在本文的讲解过程中，对方差分析的原理和要求做了很多业务上的适应性的假设。而实际业务的情况非常复杂，你在使用方差分析前应查阅统计学的资料后，确认业务情况符合方差分析的几个条件才能使用。如果硬套方差分析的方法来分析只会产生严重误导和偏差。

2.4.5小结

总体来看，方差分析的适用场景可以分为以下两类。

第一类：同一客群在实施某个策略前后的指标对比，以评估策略效果。

第二类：两个或多个客群对比同一指标，以评估不同客群在这个指标上的差异，以评估不同客群的指标运营效果。

因为我演示的是Excel的方差分析，仅支持“双因素”，所以分析了两个。你说的是多因素方差分析，不仅要分析第三组，还要分析这三组的两两关系，Excel暂时没法快速实现，所以没有演示。

2.5业务预测：少量样本推断整体

在产品运营的工作中，数据分析常会遭遇以下非常让人恼火的情况：

• 一是现在产品、运营面对的数据量动辄几百万、上千万，带来的就是分析速度急剧下降，跑个数等一两天时间已是“阿弥陀佛”的理想情况；
• 二是很多场景我只能拿到部分数据（即样本），而无法获取全量数据（即总体），例如模型建设中，一般会灌进去训练集来训练模型，一般而言数据量越大模型的训练效果越好，但是可苦了模型评测的同学。

50w 条的训练集灌进模型，就会输出 50w 条的结果数据，此时评测同学就会介入来评估结果的好坏，可是 50w 条数据就是堆人力，不睡觉也没法很快搞定啊，总不能训练模型 2 小时，评估结果 2 天吧，况且这 50w 条数据还只是样本数据，几百万或几千万的全量数据更是无法及时、高效和准确地分析。

需要专栏原数据进行实操的同学，可到“拉勾教育”公众号回复“数据化”，即可在百度云盘中获取本专栏的 21 组数据源。

以上两种情况在产品运营中非常常见，为了能够解决大量数据时分析效率急剧下降的窘况，我们就必须能够去分析非常小量样本的特征，再用这些特征去评估海量总体数据的特征，我们叫它样本检验。

样本检验的应用场景非常多：

• 在产品侧，我们用样本检验的方法来指导设计 A/B 试验以及评估效果；
• 在运营侧，我们用样本检验的方法来优化活动配置、推荐策略；
• 在市场侧，我们用样本检验的方法来制定广告投放策略、分析问卷结果，以及用户调研。

2.5.1参数估计的概念

2.5.1.1.样本与总体

样本，是指我们需要“分析或考察的数据”的一部分；而需要“分析或考察的数据”我们叫作总体。

例如我们要分析 DAU 的数据，今天 DAU 是 100万，那么这 100万 用户就是总体，其中的10万 用户便是样本；

例如我们通过渠道投放来吸引用户注册，那么渠道能够覆盖的用户就是总体，该渠道过来的注册用户便是样本。

很明显，总体的数量可以是已知的，也可以是未知的，但样本的数量一定已知。

2.5.1.2.为什么需要参数估计？

今天我们重点讲解样本检验中最重要的方法：参数估计。参数估计（Parameter Estimation），这种宾语后置的翻译着实太学术化。我们用产品运营的语言去理解应该叫“估计参数”，也就是用样本的数据去估计总体的某些指标（即参数）。

参数估计正是通过分析样本的特征来评估总体的特征。例如我们服务器的计算资源有限，不能经常去跑全量的用户画像，但是运营节奏又很快，那我能否从 DAU 中抽取一小部分样本数据来快速分析全量用户的特征呢？这个便是参数估计大展拳脚的场景。

2.5.1.3.参数估计，也叫区间估计

在产品运营中最常见的场景是估计总体某个指标平均值或某个占比/比例的范围，意思是我分析样本发现指标 A 的平均值是 a，那么用指标 A 的 a 值去估计总体的指标 A，并得出总体指标 A 的一个范围或区间，所以也叫区间估计。

例如，样本的客单价均值是 1000 元，那么经过参数估计，认为总体的客单价结果就是 [1000-10，1000+10]，其中的 10元 就是参数估计给出的区间；

再例如，样本的平均注册率是 5.1%，那么经过参数估计，认为总体的结果就是[5.1%-0.4%，5.1%+0.4%]，其中 0.4% 就是参数估计给出的区间。

参数估计是统计学的重要组成部分，也是比较硬核的内容。站在产品运营的角度，对于参数估计的理论内容不过多深入，接下来就直接讲解参数估计的使用流程，以及深入分析 5 个产品运营场景和案例。

2.5.2参数估计方法

2.5.2.1第一步：确定分析的置信水平

由于参数估计最后的结果是给出一个可能的区间，但是这个区间怎样才能说服产品运营的各路大神呢？这里我们需要一个指标来评估这个区间的可信程度，即置信水平。

置信水平是介于 0%~100% 的值，越大可信程度越好，但是这个区间也就越狭窄；越低可信程度越差，但是这个区间也就越宽。

绝大多数业务场景下我们选择 95% 即可。站在产品运营的角度，可以认为在 95% 置信水平下估计出来的区间结果有 95% 的可信程度。

2.5.2.2第二步：确定要估计的参数类型

根据产品运营的业务目标，确定需要估计总体的参数是数值型指标，还是占比型指标。

数值型指标一般包括 DAU、订单率、用户量等，适用于大部分产品运营指标。
例如从样本的平均 DAU 去估计总体的 DAU 区间，那么就属于数值型指标的估计；例如从样本的平均转化率去估计总体的转化率区间，也属于数值型指标的估计。

占比型指标一般包括性别占比、渠道占比、品类占比等，特别适用于用户画像中各种指标的估计。例如从样本中的男女占比去估计总体的男女占比，从样本的用户城市分布去估计总体用户的城市分布等。

2.5.2.3第三步：计算参数估计的区间

• 如果是数值型指标，则根据下图公式来计算区间范围：

  

  这个公式看似复杂，实则简单。因为其中的样本标准差已知，样本数量已知，只需要计算剩下的那个 z 值。而事实上，z 值不需要计算，它与第一步中的置信水平息息相关。当置信水平选择 95%，则 z 值始终取 1.96，不随业务场景变化。
  关于为什么 z 值始终取 1.96，不随业务场景变化。你可以参看另一个专栏《程序员的数学课》中的《12 | 统计学方法：如何证明灰度实验效果不是偶然得到的？》
  所以最终数值型指标的参数估计区间就是：
  

• 如果是占比型指标，则根据下图公式来计算区间：

其中的占比为样本中某个占比型指标值，z 值在置信水平 95% 下仍然是 1.96，样本数量已知。

所以最终比率型指标的参数估计区间就是：

2.5.3案例实战

2.5.3.1案例 1：促销活动是否真的提升了客单价？

你负责公司面膜的线上和线下运营，经过双 11 和双 12 的各种大促活动，老板希望平均客单价能够达到 1500 元。于是你从线上和线下的各个渠道随机抽取了 24 条订单数据，发现平均客单价是 1507 元。

所以，你能回答老板客单价已达到预期了吗？

显然不能，我们应该用参数估计的方式去估算平均客单价的区间，然后再判断是否达到 1500 元的期望。

按照刚刚讲解的参数估计的标准路径。

第一步：确定分析的置信水平

绝大多数业务场景下我们应当选择 95%。

第二步：确定要估计的参数类型

根据该场景的业务目标，确定需要估计总体的参数是客单价，属于数值型指标。

第三步：计算参数估计的区间

因为客单价是数值型指标，则根据下图公式来计算区间：


图中右列标红的内容是计算平均值和标准差的 Excel 公式，其中平均值用 AVERAGE() 函数计算，标准差用 STDEV.S() 函数计算。

如表中所示，样本均值是 1507.50，样本标准差是 32.74，样本数量是 24，z 值是 1.96，故计算可得 A 为 13.10。所以区间为 [1507.50-13.10,1507.50+13.10]，即 [1494.40,1520.60]。

我们发现，参数估计出的平均客单价区间在 1494.40~1520.60 元。由于 1494.40元 仍低于 1500 元的期望值，所以平均客单价仍有可能低于 1500 元。除非参数估计出的区间下限大于 1500 元，否则不能认定客单价已达到老板预期的 1500 元。

2.5.3.2案例 2：广告商承诺的指标，真的达到了吗？

你的产品正在寻求广告商合作以进行外部的获客投放。广告商承诺，在投放期间的注册率不会低于 8%。为了验证是否属实，你从过去 30 天的投放中抽取了 30 条注册率数据，发现平均转化率是 8.2%。

所以，你能判断已经达成广告商承诺的效果了吗？显然不能。

不能仅仅凭借平均值是 8.2% 就下定论一定达到广告商承诺的注册率 8%，而应该通过参数估计给出注册率的区间，然后再评估广告商的注册率承诺是否达成。

在这个案例中，总体是指广告商自身能够触达的所有用户，这个总体对于我们而言是不可触达也不可知的，即我们压根不知道广告商能够有多少渠道资源，以及那些渠道资源能够覆盖多少量的用户。所以，我们要评估广告商的效果，只能通过样本的参数估计来分析。

按照参数估计的标准路径。

第一步：确定分析的置信水平

绝大多数业务场景下我们应当选择 95%。

第二步：确定要估计的参数类型

根据该场景的业务目标，确定需要估计总体的参数是注册率。这个场景仍然属于数值型指标。

第三步：计算参数估计的区间

因为注册率是数值型指标，则根据下图公式来计算区间：


其中，样本均值是 8.2%（百分比的平均值用几何平均值，不是算数平均值哈），样本标准差是 0.5%，样本数量是 30，z 值是 1.96。故计算可得 A 为 0.2%，所以区间为 [8.2%-0.2%,8.2%+0.2%]，即 [8.0%,8.4%]。

我们发现参数估计出的平均注册率区间在 8.0%~8.4%，可以认定已达到广告商承诺的 8%。

2.5.3.3案例 3：合作渠道的客群特征符合要求吗？

你负责公司 App 的渠道推广和运营，已完成与其中一家渠道的初期效果测试。按照渠道合作方案，该渠道的目标客户年龄段是 20~30 岁的客群。为了验证渠道的真实效果，你抽取了 48 条注册用户的年龄数据，发现平均年龄是 29.5岁。

所以，你能判断这个渠道已符合要求了吗？显然不能。

在效果测试中看似抽样的平均年龄是 29.5 岁，落在合作方案中的年龄区间中，但是仍有部分用户的年龄低于 20 岁，超过 30 岁。所以我们应该用参数估计去分析 48 条年龄样本的区间，然后再做业务判断。

按照参数估计的标准路径。

第一步：确定分析的置信水平

绝大多数业务场景下我们应当选择 95%。

第二步：确定要估计的参数类型

根据该场景的业务目标，确定需要估计总体的参数是年龄，属于数值型指标。

第三步：计算参数估计的区间

因为年龄是数值型指标，则根据下图公式来计算区间：


其中，样本均值是 29.5，样本标准差是 7.8，样本数量是 48，z 值是 1.96。故计算可得 A 为2.2，所以区间为 [29.5-2.2,29.5+2.2]，即 [27.3,31.7]。

我们发现参数估计出的平均年龄区间在 27.3~31.7 岁，其中年龄上限超过渠道的目标客群年龄范围，现在有两种业务决策：

如果产品运营对年龄的界限要求不那么严格，即认为 30 岁和 31 岁的用户行为、兴趣等差异不大，那么此结果就可以接受，可以继续和该渠道合作；

如果产品运营对年龄的界限要求很严格，那么可以和该渠道沟通调整投放策略，或延长测试期获取更多样本评测后再次进行参数估计。

讲完了三个数值型指标案例，下面我们看两个占比型指标。

2.5.3.4案例 4：主打男性客群的主题活动，可以做吗？

某天你的下属来汇报，说认为商城中男性更有意愿购买华为手机，所以想申请运营资源针对男性用户做一波华为主题的品牌营销，既能提升活跃，说不定还能做一波收入波峰，sounds great！

但是，抽样过去 2 个月的华为成交用户的性别，拿出了 200 条数据，发现男性占比只有 55%，这个数字与下属汇报的特征差异很大。为了进一步严谨地验证，你针对 55% 的男性占比来估算全部购买华为手机的用户中男性到底占比多少。

这个案例是典型的占比指标的参数估计。这类参数估计通过分析样本中某个特征的占比，去估算总体中这个特征的占比，特别适合于用户画像的分析，例如分析样本用户中城市的占比来估计总体中城市的占比。

按照参数估计的标准路径。

第一步：确定分析的置信水平

绝大多数业务场景下我们应当选择 95%。

第二步：确定要估计的参数类型

根据该场景的业务目标，确定需要估计总体的参数是性别占比，属于占比型指标。

第三步：计算参数估计的区间

因为性别占比是占比型指标，则根据下图公式来计算区间：

其中，样本的占比值（即男性占比）是 55%，样本数量是 200，z 值是 1.96。故计算可得 A 为 6.89%，所以区间为 [55%-6.89%,55%+6.89%]，即 [48.1%,61.89%]。

我们发现，参数估计出的男性的占比区间在 48.1%~61.89%，占比不能说是“大多数”，所以仍不能接受下属的建议。

2.5.3.5案例 5：短视频标签的准确率达到要求了吗？

你负责 UC NEWS 短视频的结构化工作。短视频结构化最重要的一项工作是建设和训练 NLP 模型，为短视频打上正确的标签以便后续的推荐系统根据标签进行精准下发。

印度是多语种国家，官方统计有 1265 种通行的语言，其中有 20 多种使用人数过亿。今天 UC NEWS 的语种又增加了泰米尔语，于是你着手训练泰米尔语的 NLP 模型，将约 5 万多条泰米尔语的短视频作为验证集灌入模型，模型会为这 5 万多条泰米尔语打上标签，接下来就要评估验证集的标签准确率。

由于验证集有 5 万多条，在你的团队只有 3 个人的情况下只能抽样去验证。故抽取了 500 条样本来计算标签的正确率，你发现这 500 条样本中只有 366 条的标签是正确的，但模型上线的标准是标签正确率不能小于 70%。

所以，现在这个模型可以上线吗？

500 条样本中 366 要是正确的，也就是准确率是 366/500 = 73.2%，看似已经满足 70% 的上线要求。但是仍不能贸然下定论，我们用参数估计来分析下总体的准确率区间。

由于是占比型指标，故我们直接用公式来计算，如下图所示：

其中占比为 73.2%，样本数量为 500，z 仍然取 95% 置信水平的 1.96，故 A = 3.88%。所以标签准确率的区间是 [73.2%-3.88%，73.2% + 3.88%]，即 69.32%~77.08%。

由于下限仍小于 70% 的标准，故模型不能上线，需要继续调优。

2.5.3.6小结

上面就是参数估计的适用场景和使用方法。特别说明的是，这里只讲了产品运营中最常见的参数估计使用场景，并为业务做了大量的适应性简化。而统计学中的参数估计更加复杂和完备，有兴趣的同学可以自行阅读相关书籍。

老师，样本数量选择多少合适呢？按数据量占比还是按数值呢？
讲师回复： 问的非常好……如何选择最少样本量，百度：样本量计算器即可。扩展一点，如果要分析微信12亿月活的男女占比，只需要不到2万条样本即可

老师，什么时候用样本统计量推断总体参数，如果总体数量很多就都可以用？有没有什么场合是必须直接计算总体参数吗？如果是用某种方法做分类预测（非机器学习算法，没有计算准确率的接口），总体的准确率可以用参数估计吗？
讲师回复： 当总体没法完整衡量时，或者要花费大量时间和资源才能分析的时候，用参数估计可以快速便捷的估算出总体的指标。一般总体的量级在百万级以下时，就不用参数估计了，几百万的数据量，多加几台X86服务器就能在半小时内搞定。最后一个问题：可以。

老师，请问参数估计和假设检验的关系是什么呢。这个问题感觉是不是也可以理解为，先假设样本均值与总体均值一致，然后再验证呢？
讲师回复： 问的好。假设检验是参数估计的下一步工作。你最后说得是假设检验的三种方式之一：双尾检验，用来判断样本的某个指标和总体的这个指标是不是有差异。

请问老师怎么判断是数值型还是占比型数据呢，比如课程里提到的转化率，当做了数值型，但是准确率缺当做了占比型，很困惑，感觉准确率我应该是数值型啊
讲师回复： 这个回答过了，请参详：不能说这个指标是个分数就是占比型，所以我特意用占比型来区分“xxx率”。这个取决于你要分析注册率的目的。如果你需要分析一包用户里面有多少人注册，那么就按照占比型去计算；如果你要分析这个指标本身，那么就是数值型指标。

请问老师，案例2的注册率也是一个比例呀，为什么不是占比型指标，反而是数值型指标？
讲师回复： 问的好哇～～～不能说这个指标是个分数就是占比型，所以我特意用占比型来区分“xxx率”。这个取决于你要分析注册率的目的。如果你需要分析一包用户里面有多少人注册，那么就按照占比型去计算；如果你要分析这个指标本身，那么就是数值型指标。

请问老师，使用样本计算器时要输入置信区间，这个置信区间是什么意思？如何设置？
讲师回复： 两个参数： 1）置信区间（inteval）：大白话理解为对结果的可信程度，一般是95%或99% 2）置信水平/度（level）：大白话理解为：结果的区间大小，也就是结果的误差大小，一般5%，严格一点就是1%

2.6趋势预测：推测核心指标的未来发展趋势

当我们费劲巴拉地从数据中找到令人兴奋的关键原因时，其实只不过是事后的“亡羊补牢”和“经验总结”。可是事实上我们做业务的同学，更关心未来的走势可能是什么样的，可否提前部署各种策略以避免风险的发生。

回到专栏的开始，我提过一个问题：今天的 DAU 比昨天跌了 5%，你会怎么分析？然后同学们通过描述性统计、多维分析、相关性分析、方差分析，以及参数估计等把 DAU 变化的原因扒了个底朝天。

这么做原则上可以打 100分 了，但我只会打 90 分，少打 10 分不是怕你骄傲，而是之前的分析方法全都是在分析“历史”。而若能在补充 DAU 在未来走势是继续跌，还是会反弹涨，以及继续跌能跌到什么程度，反弹涨又能涨回来多少，给 leader 或团队一个准确的预判，你将更加与众不同和出类拔萃。

从基于数据做原因分析，到基于数据进行预测未来，这正是从初阶产品运营到高阶产品运营的晋升，要想比别人看得更远、比别人考虑得更超前，就必须要掌握预测未来的技能。

2.6.1凭什么说，未来可预测？

预测分析是典型的数据挖掘应用，通过分析指标的历史数据，结合合理的算法并完成合理的预测分析，做到提前掌握未来的发展趋势，为产品运营提前评估风险、制定干预策略提供依据。之所以可以“趋势预测”，其原因有以下两点。

2.6.1.1.从历史上看，产品运营是基本稳定的

这里要用一个互联网的灵魂拷问引出上面这个结论：什么是产品？产品是为指定客群提供指定功能或服务的各种实体。

产品从诞生之初其目标客群就是“已指定好的”，即有清晰地目标客群，没有一种产品是服务于各种各样全量人群的；

产品针对指定客群，仅提供这部分客群所感兴趣和需要的功能和服务，即产品的功能与服务是有限的。

PS：没有任何一款产品是先上线，再找客群用户的。

只有客群、功能和服务都长期处于明确、稳定的状态了，那么产品本身的各种指标也会是稳定的。如何正确理解这种稳定性呢？稳定是指在某个历史周期内，产品本身不会有大的变化。

例如微信，2018 年 12 月 21 日更新了 v7.0.0，三年后，直到 2021 年 1 月 6 日 才更新到 v7.0.21；

又例如支付宝，2016 年 12 月 22 日更新 v10.0.0，四年后，直到 2021 年 1 月 23 日 才更新到 v10.2.13。

它们都是在小版本号上的更新，也就是产品的修修补补，并未对产品在主版本号和次版本号上做重大功能的迭代。

基于这种稳定性，我们才能去做趋势预测。如果产品自身还不稳定，即上线后频繁做各种很大的调整，去做关键指标的趋势预测毫无意义。因为产品的客群都没稳定下来，今天要打男性用户，明天要打女性用户，今天要做注册，明天要做活跃，在这种“频繁变动”的产品上去做趋势预测是浪费资源、浪费时间。

大约 5 年前团队在做一个行业 B2B 的创新产品，但产品的目标客群，团队内一直争论不休，有人认为要打头部用户、大 V 的，有人认为要做腰部 KOL 的，所以导致产品自身的功能、服务、UI/UX 不停变化。

这时，我们为管理团队做的发展规划分析也就完全没有了意义，其中的用户规模预测也完全失去了它应用的意义。

2.6.1.2.从数据上看，一定历史范围内的数据是稳定的

因为产品本身的客群和服务是稳定的，所以在数据上也会体现出稳定性。但数据的稳定性并不是说关键指标一直不变，而是具备一种非常明显的特征（下文会讲），便于我们去分析。

同时这种数据上的稳定性也容忍可能出现的个别数据波动，因为站在历史上看，个别数据的波动只是“把石头丢进大海造成的涟漪”，这种扰动并不会对整体趋势带来明显影响。

所以，由于产品运营及其数据能保持稳定性，它的未来趋势也是稳定、可预测的；同时，产品运营及其数据的稳定性，也是我们可以去做趋势预测的前提。

2.6.2趋势预测是定性分析，不是定量分析

在开始下面内容前，需要给你提个醒，打个针，特别说明清楚趋势预测是“定性分析”，而不是“定量分析”。

预测得再准确，也架不住政策、行业、竞品、用户等因素突然变化带来的影响，而这些也是从数据中看不到的。

另外，趋势预测之所以叫“趋势”预测，是因为它能告诉我们未来的大方向、大趋势长什么样子。比如，趋势预测告诉我们未来 30 天的 DAU 可以做到 105 万，然后如果我们就拿 105 万直接去做汇报，显然会被怼回来，但是这个增长到 105 万的趋势却是我们可以参考和制定策略的。

在产品运营中常见的趋势预测方法主要有两种：基于时间序列的趋势预测和基于回归分析的趋势预测。

2.6.3第一种预测方法：基于时间序列的趋势预测

时间序列，是以时间顺序排列的指标数据。

时间序列预测是根据时间序列数据的发展过程和方向等（即趋势），通过合理的算法来可信地预测未来的发展趋势。

它认为指标的历史数据有一定的延续性，即历史上指标的趋势在未来也会大概率按照趋势继续，同时接受一定程度的指标波动，认为是合理的随机事件，并把这种波动也考虑到未来走势中。所以时间序列预测输出的趋势以及波动性，是和历史数据的趋势与波动性大概率高度一致的。

2.6.3.1.时间序列是什么？

要做基于时间序列的趋势预测，我们只需要做一件事：必须有两列数据，其中一列是时间序列，另一列是该时间序列对应需要的预测数据。

需要注意的是，时间序列预测有且只能有两列数据，也就是说只能针对唯一的一个业务指标做预测。如下图所示。

但是时间序列这里有点要求：

时间可以是任何形式的时间，例如年序列、月序列、日序列、时/分/秒序列都可以；

时间序列必须均匀分布，即时间间隔是等差数列，例如下表。

满足上述条件后，就能看到基于时间序列预测的结果了，如下图所示：

其中蓝色曲线为历史数据，红色曲线为未来趋势。这里红色线有三条，都有很重要的业务意义：

上方的红色曲线为置信上限，即未来趋势不会高过此条曲线；

下方的红色曲线为置信下限，即未来趋势不会低于此条曲线；

置信上限和置信下限之间的区域为置信区间，即未来趋势在置信区间内波动；

中间加粗的红色曲线为趋势线，即未来大概率以此趋势发展。

2.6.3.2.时间序列预测适用场景

时间序列预测适用的场景非常多。在产品运营中，几乎所有指标都可以根据历史数据来完成时间序列的预测。

例如，要制定 2021 年的核心指标时，通常我们会拿 2020 年的历史数据来预测 2021 年的趋势和目标，基于这个预测的初步结果，再结合 leader 的要求做针对性微调。这样 2021 年的核心指标目标既有严谨的预测逻辑，又能满足 leader 的高标准、严要求。

又例如，周期性的汇报或会议是必不可少的，它是非常重要的同步关键信息、分析问题制定打法的机制。一般在这类汇报或会议中，除了同步已有的进展和问题外，还一定要同步下个阶段的趋势，一般用时间序列预测即可。

我的团队每个月会向高级总监汇报产品 4 个核心指标的进展，包括目标达成情况、发现并已解决的问题；同时还会给高级总监预测接下来的趋势，以便高级总监能够提前预知风险并给予必要的支持。特别地，如果趋势呈现持续下降趋势，我们还会进一步给出可能的阻断策略和建议。

从上面的场景，你可能已经感受到，时间序列的预测并不是数据化运营有无均可的辅助手段，而是非常重要和必要的组成部分。

试想，大家在汇报的时候都讲历史的进展和成绩，而你还能给出未来趋势的合理预判，以及可能的策略和建议，对于职场晋升、能力提升都有非常大的帮助。

2.6.3.3.在 Excel 中实现时间序列趋势预测

在 Excel 中，时间序列预测的叫作预测工作表，具体的预测操作流程如下。

第一步：检查数据是否符合要求。

要求数据为两列，第一列必须是时间序列，且间隔均匀，即是连续、等差的时间数据，不能出现缺漏的情况。如果出现缺漏，请补充缺失日期的数据或重新调整时间间隔。

第二步：选中所有数据。

第三步：点击“数据”选项卡，找到“预测工作表”。

第四步：点击“预测工作表”选项卡，弹出时间序列配置窗口。

【什么是季节性？】

季节性是指时间序列中指标的数据在自然时间或符合人类生产活动规律下出现的周期波动，典型的季节性有按周、按月、按季度的变化。

按周的季节性，每周一是 DAU 低谷，然后逐步逐步升高，到周五、周六达到高峰，周日开始回落，周而复始；

按月的季节性，每个月初是业务办理的波峰，然后迅速降至低估，下个月初又在重复；

按季度的季节性，每年第一季度和第三季度是旅游高峰，因为是寒假、春节和暑假。

所以，季节性在产品运营中也可以认为是周期性。一般而言，Excel 的预测工作表可以比较准确地自动发现数据中的周期性，不需要手动设置。不过为了严谨和准确，我们在这个窗口还是多瞥一眼周期性，确认无误后再生成最后的预测图。

第五步：通常 Excel 会自动分析数据的季节性和周期性，并已输出红色的预测线，

检查各项配置无误后，点击“确定”即可。

2.6.3.4.多久的历史数据可以预测多远的未来呢？

这是一个非常好的问题，我先直接给出答案和要求：历史数据必须能够覆盖1～2个完整的周期性波动。

例如，如果产品具备明显的自然周趋势，周一最高，然后持续下降，周日到达最低，那么历史数据至少要有两周的数据，不然Excel没法准确发现其中的趋势。

但是，也不必拿过去20个周的数据来做预测，是因为Excel 预测工作表使用的是指数平滑算法。指数平滑法的核心点是历史上每个数据的权重都不一样，距离预测起点越近的数据权重越高，距离预测起点越远的数据权重越低。

也就是越近期的数据对未来趋势的影响越大，越远期的数据对未来趋势的影响越小。所以它对离预测期较近的数据给予较大的权重，对离预测期较远的数据给予较低的权重。

所以不需要很多历史的数据，因为太过久远的数据其算法权重极低，对未来的影响极小；也不需要预测很远的未来，因为预测的越未来，准确度越差，也无业务意义。

2.6.4第二种预测方法：基于回归分析的趋势预测

回归分析，是指定量分析两种或两种以上指标间相互依赖关系的分析方法，它支持两个或多个指标间的关系。

这里的“分析多种指标相互依赖的关系”是什么意思呢？我们代入一个场景通俗理解一下。

以短视频为例，一般是以短视频的下发量、收藏量、点赞量、转发量、发布者的等级和粉丝数等指标来分析与在播放量的关系。这个时候不能用时间序列预测，因为有多个指标与时间序列无关，故只能通过回归分析找到上述指标与播放量的关系，继而预测未来播放量的走势，这就是典型的回归分析。

在内容的热点运营中，通常需要能够提前预判在未来短期内可能成为热门或爆款的内容，然后在这些潜在爆款内容爆发前进行人工干预和运营，或流量打压或流量扶持。

所谓的“回归”，你可以理解为让数据“回归”到一个规律中。所以从本质上讲，回归分析就是从大量的数据中寻找到多个事物间的联系、规律，从而对未来的数据进行预测。

2.6.4.1.回归分析适用场景

回归分析是非常实用和成熟的分析方法，适用场景也非常多。

• 营销活动效果预测

通常营销活动的指标非常多，曝光量、触点数量、目标客群、投放时间、投入成本、活动入口、活动路径等，为了可以充分有效地分析营销活动上线后的效果，可以在活动投放过程中及时监控并实时预测未来走势，可以在活动执行中动态调整活动策略以最大程度提升活动效果。为此收集营销活动的运营指标，并建设多元回归模型以评估活动上线前的可能效果。

• 腰部 KOL 发展潜力预测

越来越多的平台都把 KOL 作为运营的重要抓手和工具，在头部 KOL 被一抢而空后，腰部 KOL 成了新的运营重点，但要从更大量级的腰部 KOL 中找出有潜力的可不是一件容易的事情。

通过分析过往成功从腰部 KOL 晋升为头部 KOL 的特点，粉丝增长速度、发布内容阅读量、平台活跃度、所在领域、内容生产能力和质量等，建设多元回归模型来预测这些指标与 KOL 粉丝数的关系，以寻找出未来最后潜质成为头部 KOL 的去重点培养和运营，这套打法已是很多 MCN 机构的日常运营手段。

• 微信公众号阅读量预测

在微信公众号的运营中，在发布前总是希望能够预测发布后的阅读量等数据，继而可以提前优化标题、内容、图片和内容方向。对于一篇推文，发布时的粉丝数、发布时间、文章位置、文章长度、标题长度等都能成为影响用户点击阅读的因素，故而为它们以及阅读量建立回归模型来预测内容发布后可能的阅读量。

2.6.4.2.在 Excel 中实现回归分析趋势预测

在 Excel 中，回归分析叫作趋势线，是图表的附属功能。

我们模拟一个场景，现在有用户的年龄和使用时长的数据，我们希望预测随着年龄的提升，使用时长是否也会提升，如下表所示。

有了数据和场景，我们在 Excel 中实操一下：

第一步：选中所有数据。

第二步：点击“插入”选项卡，选择柱状图。

第三步：在柱状图的数据柱上单击右键，找到“添加趋势线”。

第四步：点击“添加趋势线”，弹出趋势线配置窗口。

第五步：勾选“显示 R 平方值”。

第六步：切换不同的回归算法，选择 R2 接近于 1 的算法。

这里有一个指标 R2。R2是指这条趋势线的拟合程度，一般而言，越接近于 1，拟合效果越好。但是我们一般情况下只用线性或指数，其他算法较少使用，特别是二项式，极易造成过拟合而失去预测的意义。

还记得《10 | 运营评估：如何通过数据复盘衡量你的运营策略？》中也提到过表示差异大小的 R2 吗？虽然数学定义并不相同，但站在产品运营的角度，可以粗略地认为它们都是用来判断效果是否明显的指标。

针对“过拟合”，留给你一个课外作业，尽可能地搜集关于过拟合的资讯，然后我们在留言区或群里互动。特别地，如果你对接的是算法模型团队，这个词汇更要能够理解，不然算法模型上线后出现负向就很麻烦了。

第七步：在趋势线配置窗口找到“向前”、或“前推”，输入预测周期。

上图中就能看到趋势线离开历史数据的范围，那么未来的趋势就如此线所示。
这一讲也给你留了作业，那就是搜集关于过拟合的资讯，它能帮助你更好地理解“拟合”的本质含义。

3.【运营策略】3A3R 策略模型：从业务⽬标中制定运营策略

在数据分析和策略落地间，许多产/运同学会面临巨大鸿沟，其根本在于缺乏 3A3R 策略模型这样的思考框架。

在这里，我将常见的 2A3R 海盗模型进行扩展和重组为 3A3R 模型，并通过大量运营场景和案例拆解，让你深刻理解多数产品和运营动作背后的 3A3R 底层逻辑。

此外，我还会讲解运用 3A3R 策略模型的两种方法：一是通过模型确定北极星指标和伴随指标；二是通过“向前找流量、向后看转化、自身看画像”的方法论来指导我们制定产品和运营方案。

通过学习本模块，希望你能够掌握完善的、系统性的数据运营策略的制定方法，并能够在不同行业、不同产品、不同运营场景中落地实施。

首先从日常运营工作的痛点/问题/困惑中引出课程的主题→然后针对性地提出数据运营的解决思路和方法论→继而通过实际项目和案例的拆解引出落地指导策略。希望这样的打开方式，能帮你更好地消化、吸收。

3A3R 策略模型，由 2A3R 海盗模型演变而来，是目前使用频次最多，适用范围最广的策略分析模型，也是将“模块二 指标分析法”观测出的数据转化为策略的关键步骤。

2A3R 海盗模型由获客、活跃、留存、营收和传播五个部分组成；

而 3A3R 策略模型在获客前增加了一个洞察，即在获客、活跃、留存、营收和传播之前，先通过洞察来准确和深入的分析用户和了解用户，以便制定后续五个模块的策略，并最终形成一个闭环的模型。

3.1工具与方法：利用3A3R模型将数据转化为运营策略

六大组成模块和策略工具
从 3A3R 策略模型六大模块的排列顺序中，并能看出它的三个核心逻辑。

维系老用户远比获取新用户成本低
营销领域中有一个共识，即获取一个新用户的成本是维系一个老用户的 7 倍，故 3A3R 策略模型的 6 个组成部分中，只有用户洞察和获客与拉新有关，剩下 4 个部分均是在不同阶段用不同的策略，考察不同的指标来维系老用户。

用户的社交关系价值巨大
除了让用户直接创造商业价值外，用户的社交关系在 3A3R 策略模型中也非常重要，不仅处于 3A3R 策略模型漏斗转化的最终层传播中，同时在传播中也为用户的社交关系规划了不同的营销场景和不同的营销策略。

用户是需要经营的
严格遵守用户生命周期的逻辑，3A3R 特别强调用户需要持续教育、持续培养、持续关注，同时也特别看重用户生命周期长短和用户生命周期价值，
上图展示了六大组成模块及其对应的工具，那么每个模块和工具分别代表什么含义呢？我们分别逐一介绍。

3.1.1.用户洞察

用户洞察需要结合用户、行业、竞品等数据来综合评价用户的特征和需求。

用户数据，指多维度、多指标的用户明细数据，用以提炼用户画像特征。通常根据营销和增长目标圈定的客群来收集用户数据。一般而言，用户数据的维度越多、越丰富越好，维度的丰富意味着可以更加全面地刻画用户特征，也能更准确地为 3A3R 后续的 5 个模块制定精准的营销和增长策略。

行业数据，指各类行业分析报告，从行业大环境和政策方向层面分析行业发展趋势，正所谓顺势而为。

竞品数据，指同类或相似产品的各类数据，为差异化增长策略提供数据支撑。

如下表所示，我展现了定性调研和定量调研两种方式的调研方法及其特征说明，需要你清晰理解并应用。

其中，用户调研要特别注意避免幸存者偏差。对于 App 产品，在重大版本迭代或重要时间节点收集用户反馈时都会通过在 App 中下发用户调研问卷的方式来采集上述信息，这个时候调研问卷回收的样本多数会造成幸存者偏差。

原因在于通过 App 下发的调研问卷，一定是 App 的活跃用户才能看到，并且一定是对 App 有强烈认同或不认同的用户才会对问卷进行反馈，并且问卷中的主观性问题也都是 App 忠实用户会花时间码字反馈；而 App 的低活跃用户、沉默用户甚至已经流失的用户压根没机会、没动力或没欲望来反馈问卷。

此时，若对问卷进行分析会发现用户的情感偏向多数是认同，有价值的信息并不多。为了弥补这个问题，在对产品用户进行调研时，还需要依靠电话、短信、线下或第三方调研公司来进行，以便更全面地了解用户，保证调研问卷结果的全面和客观。

3.1.2.拉新获客

拉新获客的目标，是基于用户洞察的指导性结果，寻求合适的获客渠道、选择有效的用户触点、制定合理的获客策略。

3.1.2.1获客渠道

不同的获客渠道，其用户特点也各不相同。即不同的获客渠道所触达的用户具备强烈的渠道特点，也就是说，我们在制定获客策略时，应当全面考虑渠道特点这个因素。

那么各个渠道都分别有哪些特征呢？你可以参考下表进行学习实践。

3.1.2.2用户触点

用户触点，是指能够直接触达用户的方式和方法。

不同用户对不同触点的反应都不尽相同，例如某些用户就是偏爱二维码，对于以二维码为触点的营销活动响应率较高；有些用户对于弹窗较为厌恶，在营销中应当避免对此类用户用弹窗进行触达。

不同用户对不同触点的反应，我们用触点敏感度这个指标来表征，即触点敏感度=响应该触点的用户数/触达的所有用户数。

3.1.2.3获客策略

获客策略，是指在合适的渠道、触点上用正确的策略来提升用户的响应。

常见的获客策略如下表所示，可供你参考使用。

3.1.3.活跃与留存

活跃与留存，作为 3A3R 策略模型中的第三、第四模块，起到了承上启下的重要作用，由于其难以分割，我便放在一起讲。

它们是重要的用户转化和经营场景，不仅承担着由上一环节“拉新获客”带来流量首触的职责，还承担着将本环节的用户向后续的收入导流、转化和营销的责任。其好坏直接影响着新客的留存和收入变现，故在大多数产品中活跃与留存都是运营资源投入最多和用户增长最关注的领域。

活跃和留存的营销工具很多，下表列出了常用的一些工具和运营策略。

3.1.4.营收

营收是 3A3R 策略模型中唯一可以产生商业价值的模块，所以内含了很多商业化和变现的策略。而在设计 3A3R 策略模型时，并没有将如此重要、能直接产生盈利的“营收”模块直接放置前列，而是将其处于第五顺位。

原因在于让用户产生商业价值，例如用户付费，这是门槛极高的行为。若让用户第一次使用产品就付费，一定会造成大量的用户流失。

通过前两个模块“活跃和留存”不断地运营、经营和营销用户，不断地训练用户心智，让用户逐步理解和接受产品的定位、服务、功能和特点，并逐步提升用户黏性。当用户黏性提升后，才能在适当的时候在用户身上完成商业价值的变现和转化。

如下表所示，列举了常见的营收方式，其中的广告和中间收入模式是最常见的，增值和金融模式是新兴的营收方式。

特别的就是这个增值收入模式，例如首付、分期、按使用收费、按功能收费等，不仅可以降低付费门槛，还能在较长的周期内锁定用户在产品中。

增值模式初看营收规模不及其他，但是它的特点是用户在长达几个月、甚至 1~2 年的时间内无法离开产品。在这个超长的用户生命周期内，完全有大量的营销机会点让用户在更多的场景中产生更多的付费行为。

3.1.5.传播

传播是对已经产生商业价值的用户，进一步获取其社交关系链以便进行二次传播。

通过裂变、私域流量等形式来运营用户的社交关系，以便完成后续的获客、活跃和留存；同时，借助传播，通过用户将产品的品牌、调性、口碑等特征也一并向更宽范围传播，扩大产品的品牌价值和影响力。

在传播模块中，我们重点探讨基于用户社交关系的两大类运营体系：私域流量和社交裂变。

3.1.5.1私域流量

特别是在后疫情时代，各行各业都在加速布局私域流量这样一个“一次努力、终身免费”的运营策略。因为在流量红利殆尽后，获客成本不断上升，产品如果能够持续经营和增长，只有两条路：要么不断获取新用户，要么让老用户的价值发挥得更大。这才有“可免费触达、可免费使用、能持续转化”的私域流量的越来越被人熟知。

在之后的《19 | 传播（上）：如何打造千万级的私域运营体系？》中，我们会深入探讨私域流量的本质，及其与公域流量的运营差异，还有私域流量的三大类玩法，以及向你介绍如何搭建自己的私域流量体系。

3.1.5.2社交裂变

裂变也是最近几年特别火的词，特别是在微信生态圈经常可以看到很多裂变的活动，例如每日优鲜邀请新人赚 168 元、瑞幸咖啡推荐好友送免费咖啡等。但是很多同学也把裂变和增长混淆，以为做了裂变就是用户增长。

所以在之后的《20 | 传播（下）：如何制定百万级的裂变传播策略？》中，我们会深入探讨裂变的本质和价值、裂变的三个底层逻辑，以及常见的裂变玩法策略。

3.1.6.3A3R 策略模型的三步曲

3A3R 策略模型包含了刚刚所讲的六大模块，涵盖了完整的增长流程，比较冗长。但在实际运营中，我们并不会全量经营所有模块，而是有特定的目标，也就是会专注其中某个模块经营。

故当以 3A3R 策略模型中的某个模块为当前运营的重点时，应当做好以下三步曲：

站在当前模块，考察当前模块的用户画像；

站在当前模块，向前面模块寻找流量来源；

站在当前模块，向后面模块完成导流转化。

以上过程简称“向前找流量、向后看转化、自身看画像”。

接下来，我便将通过两个示例向你讲解 3A3R 策略模型三步曲应当如何应用。

3.1.6.1示例 1：如何用 3A3R 策略模型制定留存策略？

例如，当我们以“留存”为北极星指标时，那么当前模块就是留存，按照“向前找流量、向后看转化、自身看画像”的方法，具体做法如下图所示：

站在留存模块，考察留存的用户画像。
考察留存用户画像的目的，是详细拆解留存用户组成，根据不同画像的用户来制定不同的留存策略。分析留存模块用户画像的工具可以借用用户画像模型、用户分层模型、RFM 模型等。

站在留存模块，向前面模块（即活跃模块）寻找流量来源。
显然，提升留存不能仅仅考察留存用户的画像，还要分析这些用户的活跃程度，不同活跃程度的用户应当投入不同的留存运营资源。

站在留存模块，向后面模块（即收入模块）完成导流转化。
显然，提升留存的目的不仅仅是留存，更应要考虑留存提升后对营收的贡献，即留存的提升可以带来多少收入。

当提升留存时，既知道了留存的流量来源，也知道了留存带来的收入贡献，自然就可以算出留存运营的 ROI，用以评估留存运营的实际效果。

3.1.6.2示例 2：如何用 3A3R 策略模型制定获客策略？

当前运营重点是获客，望借助 3A3R 策略模型来提升获客，按照上述流程的做法如下图所示：

站在获客模块，考察获客模块的用户画像。
考察获客模块用户画像的目的是详细拆解当前新增用户的组成，根据不同画像的用户来制定不同的获客策略。分析获客模块用户画像的工具可以借用用户画像模型、用户分层模型、RFM 模型等。

站在获客模块，向前面模块（即洞察模块）寻找流量来源。
显然，提升获客不能仅仅考察注册用户的画像，还要分析这些用户的来源渠道、在产品/站外的特征，不同画像的用户应当投入不同的获客运营资源。

站在获客模块，向后面模块（即活跃模块）完成导流转化。
显然，提升获客的目的不仅仅是获客，更应要考虑获客提升后对活跃（实际上，大部分时候会同时考虑活跃和留存，即所谓的新客留存的贡献，即获客的提升可以带来多少活跃。

当提升获客时，既知道了获客的流量来源，也知道了获客带来的活跃，自然就可以算出获客运营的 ROI，用以评估获客运营的实际效果。

====
现在当前模块看用户画像，一个问题是如何拆解画像维度，一是用户画像怎么使用呢？是关注用户画像中占比较高的用户群体吗
讲师回复： 用户画像是个很大的题目，通常而言包括以下内容：用户画像的结构和组成，创建用户画像的工具和模型，用户画像的分层和分群，用户画像的落地形态。这些您可以参考其他课程来深入学习。

===
请问产品运营的工作可否理解为通过优化产品来达成某个模块的运营目标呢？
讲师回复： 可以这么认为。可以参详下微信的运营，微信就是典型的产品运营来带动增长的案例，同时对比下淘宝或者其他APP，就能明显发现不同。

3.2洞察与获客：高效拉新获客

我们通常会认为拉新获客就是在外部做一些投放，或者流量交换，再或者抓几个渠道放放活动来吸引用户。

所以很多同学都不愿意做拉新获客，总是觉得工作内容繁杂，不像活跃、留存之类有很多可以借鉴的打法，在整个用户运营中存在感不高。

拉新获客是所有用户运营、产品运营的基础，是供给活跃和留存的唯一引水渠道。并且，拉新获客的打法也非常多种多样，并且打法、策略之间也存在非常严谨的逻辑和体系。

今天，我们就来看看如何用 3A3R 策略模型来制定体系化和高效的拉新获客策略。

3.2.1拉新获客完整流程和链路

我们深入到 3A3R 策略模型的获客模块中，从更微观的角度观察拉新获客的完整流程和链路，如下图所示，主要由 6 个模块、3 个部分，以及 1 个钩子策略组成。

3.2.1.1第一部分：触达

触达，是拉新获客的先头部队，承担着直接面向用户传达产品价值和主张的职责。

触达的运营好坏，直接影响两个重要指标：流量大小和流量质量。

流量大小，又包含两个层面的意义，一是可以覆盖的流量范围，二是可以引流的规模；

流量质量，指是否能准确地获取产品的目标客群。

影响着流量大小与流量质量这两个指标的便是触点和渠道。

3.2.1.1-1.触点

触点，是指能够直接接触到用户，让用户能直接感知到产品价值和主张的方式。触点部署得越多越广，能触达的流量也就越多。

【到底什么是触点？】

这里我特别强调“直接”二字，任何不能直接接触到用户的方式都不能称为触点。

例如，微信的“理财通”藏在“我-支付”中，属于典型的二级页面。此时即便理财通为了吸引用户，在图标上做了角标（典型的触点形态之一）也不能称作触点，因为角标并没有在微信中直接接触用户；而如果有一天“理财通”出现在了“微信”聊天记录的“服务通知”中，并以红点或者强提醒的方式呈现，此时才是真正的触点。

因为触点的使命是离用户越近越好，这样才能让用户有效地产生感知，才能有效地触达用户，所以触点可以距离真正的功能、场景或者服务很远。

例如，京东营销短信中都会留下领取现金红包的超链接，这就是典型的用户触点。但是用户点击超链接并不是直接唤起京东 App，而是通过中间几个流程步骤后才能领取现金红包。

触点分为两大类：端内触点和端外触点

端内触点
是指产品内部可以使用的触点，适合产品中某个子服务或子场景来获客，主要包括启动屏、弹窗、图标的角标/动效/红点、推送、站内消息、营销楼层/坑位等。如下图所示的视频号，就在微信的一级页面“发现”上通过“图标”和“红点”来吸引用户。

端外触点
是指在产品外的触点，是部署在其他产品中的引流形态，适合于产品自身或产品中的某个子场景/子功能在外部合作渠道、合作平台等获客，主要包括在其他产品中的启动屏、弹窗、图标的角标/动效/红点、推送、站内消息、营销楼层/坑位，以及短信、电话、H5、二维码、线下展架、线下媒体/广告等。

3.2.1.1-2.渠道

渠道是指可以获取用户的通道。渠道直接影响流量的质量，因为不同的渠道所覆盖的用户特征并不相同。

有一个在上海做卡丁车赛场的朋友，前几天向我抱怨，不知道怎么从线上寻找获客渠道。在问清楚目标客群后，我就让她在快手上做内容，例如赛事、车友聚会、赛车文化等方式来传播获客。可她认为快手的客群不合适，认为快手的客群为非主流客群，可能对于汽车文化的认知，以及消费能力都不匹配。

我反驳的出发点是，从快手官方公布的人群特征看，快手用户主要是年轻人、具备一定消费能力、新鲜事物接受能力强、积极尝新，和卡丁车赛事的匹配程度很高。再通过持续的内容运营，是可以聚集起很多粉丝的。

通过这个案例我想强调，渠道具备非常明显的客群差异化特征，当我们自己的产品在拉新获客时，一定要评估合作渠道的客群特征是否如其自身宣称那样符合我们的要求。

3.2.1.2第二部分：经营

经营，重点解决用户首次在产品上落地，以及达成新客转化目标前运营的问题，主要由落地和首触这两部分组成。

3.2.1.2-1.落地

落地，是指用户从渠道中的触点来到产品，具体的场景就是我们通常所说的落地页，既可以在产品中落地，也可以在产品外落地。

在产品中落地，即直接进入产品中的某个营销活动页面，适合于 Web 产品，但不适合 App 产品，因为 App 产品仍需要完成下载安装后才能打开，这是一个不连续的业务动作，在这一过程中用户极易流失；

在产品外落地，即常见的 H5 营销活动页，适合于大部分 App 产品。如下图所示，某产品在春节后的活动，通过 H5 承载其活动主会场。因为 H5 这种形态非常便于在各个渠道迅速传播，可以高效地触达大量客群，所以是我们拉新获客的极常用手段。

落地的产品场景，是用户开始感知到产品的体验、定位、风格等感性层面的特征，并且看到了产品给予用户的诚意，即用户权益。

落地页的用户权益设计非常讲究，我会在下面的案例中详细说明如何设计用户权益，来提升落地场景的留存。

3.2.1.2-2.首触

首触，是指用户真正意义上的第一次启动产品，承担着快速让用户了解产品核心价值、服务和功能的职责。

此时有一个重要的问题待商榷：用户第一次启动产品（首触）是直接进入产品的“主页”即可，还是需要为其单独设置一个产品“首页”？
主页本身属于 App 的基础架构，且不随 App 版本迭代而发生巨大变化，故其相对“首页”而言，“主页”运营的灵活性更差，“主页”更多通过其内部的其他内容来满足精细化运营需求的。

例如，掌上生活 App 对于打开 App 的新、老用户都是进入“今日发现”页面（位于底部导航栏的第 3 个入口），而实际上“精选”才是掌上生活 App 的主页。

如下面左图所示，用户通过“今日发现”中所承载的内容，包括新户福利、新客权益，以及在资讯信息流中也会呈现诸如信用卡使用攻略、分期业务优惠等内容，让新客能够在较低的心理门槛上了解产品的核心服务和价值，继而触达产品的这些功能和服务。

所以，对于新用户而言，他们首触的页面应当集中为用户呈现产品的核心功能服务、用户的权益等，而不一定是名义上所谓的“首页”。

例如，广发银行的“发现精彩”App，新用户首次下载后打开，都会先默认进入“权益页”，而不是名义上的“首页”，因为“权益页”会为新用户呈现广发银行信用卡的很多服务，如功能、权益、优惠等。

你会发现，“发现精彩 App”的“权益页”与“掌上生活 App”的“今日发现页”有异曲同工之处，都是尽量向用户展示产品的核心功能服务和用户权益。

3.2.1.3第三部分：转化

转化，是指新用户达成了产品运营制定的转化目标，通常是完成注册。

一般而言，用户达成转化目标时，其作为新用户状态的运营过程就结束了，但运营却并未停止。我们还需要做最后一件事——分发。分发，是 3A3R 策略模型中获客与活跃模块间的必经之路，其目的是引导新用户到合适的产品场景中。

假如，新用户完成注册，正停留在注册成功的结果页，此时千万不要什么都不做，让用户自己瞎溜达，这样只会降低新次留；反而，我们要根据用户画像引导他去其感兴趣的地方。

所以你会发现：几乎所有的内容分发产品，都会在用户注册成功后，让用户去勾选感兴趣的内容分类或标签；几乎所有的社交产品，都会让用户注册成功后去关注好友或推荐好友；几乎所有的电商产品，在用户注册成功后，都会引导用户去看当前热卖或低客单价的产品。

所以，新用户的转化和分发，我们也叫作用户冷启动。这个冷，指的是我们对用户一无所知，因为新用户尚未产生任何足够我们去分析它的数据，所以一般而言我们会分析过往其他新用户的特征（包括已经转化和流失的），再通过协同过滤、特征匹配等算法来在有限的信息中，尽可能提升新用户的转化和分发。

这个也是数据科学领域的小样本特征分析，有兴趣的同学可以查阅资料深入了解。

钩子策略：引导用户完成整个运营路径
上面便是新用户运营的整个完整路径（触点——渠道——落地——首触——转化——分发），但用户并不是流水线上的产品，那么如何才能不断推动、诱导用户步步向前，走完整个新用户的转化路径呢？

如上图所示，此时我们需要从“获客”的下一个相邻模块“活跃”中找到抓手并暴露给用户来吸引用户一步一步地达成转化和分发，例如我们常用优惠券、权益和积分体系来引导用户往下一个阶段转化，我们称它为钩子策略。

你可以回顾《13 | 工具与方法：如何运用 3A3R 模型将数据转化为运营策略?》回忆一下 3A3R 策略模型：洞察——获客——活跃——留存——收入——传播。

在“触达”中使用钩子策略，此时钩子用于吸引用户眼球，传递产品价值。我们通常会用优惠、权益、积分等营销工具，同时辅以“最高可达”“上不封顶”“限量发放”这样的极限修饰词去引起用户注意；

在“经营”中使用钩子策略，此时钩子用于推动用户完成注册或其他转化目标。我们通常会用“即领即用”“限时使用”等时间周期修饰词去营造紧张感和压迫感，促使用户尽快注册；

在“转化”中使用钩子策略，此时钩子用于提升用户的停留时长，最常见的做法是让用户完成某些新手任务后领取积分、优惠、非现金权益、虚拟物品等。

3.2.2案例拆解：如何高效地拉新获客？

这里向你分享一个 UC NEWS 在海外市场做过的一个获客拉新的案例，它通过社交裂变来实现了病毒式的传播效果，完成产品从 0 到千万级的增长。

这个拉新活动的大致流程是：UC NEWS 的老用户通过邀请自己的好友去下载 App，并累积现金进度条。每成功邀请一个好友下载 App 并完成注册登录，即可获得随机金额的现金奖励，集满 50 元即可提现。

最终活动上线一周后，累计新增注册用户 50w+；单个用户的激活单价仅为其他一般发行渠道的 1/3，人均拉新 6 人，分享率 60%。

3.2.2.1【活动流程详解】

我们先分析一下这场活动的难点和关键。

参与活动的用户 A 拉好友 B 下载 App 后，好友 B 需下载并注册登录 App，在 App 里填写参与用户 A 的唯一助力码，才完成了帮助 A 累积现金进度条的任务。

说实话，这个拉新路径较长且门槛很高，我们完全能感知到用户旅程的艰难坎坷。所以，我们就要在这个又长又复杂的拉新活动中，加一点运营的技巧保证活动效果。

奖励诱惑：为了保证拉新效果，在传播拉新活动时，我们采用现金奖励作为钩子策略。

降低心理门槛：将用户首次看到的“现金奖励累积金额进度条”设置在 50% 以上，以此快速降低用户对拉人难度的心理预期。

登门槛效应：之后逐步减少每个好友帮助贡献的金额。也就是说，累计金额进度条的进度会逐步变缓。但由于登门槛效应，用户愿意继续付出更多，继续传播、分享，以获取更多新客去集满进度条。

裂变传播：同时也基于这个看似即将完成的进度条，会激发更多用户进行更多分享、拉新。

PS：这个打法是不是很熟悉？没错，拼多多的社交获客也是这么玩的，只不过这个玩法我们在 2016~2017 年就在海外市场上落地实践了。

了解了难点和关键后，我们再详细分解一下这场活动，并回答以下三个问题：

• 如何形成滚雪球式的获客传播，从而短期获得大量新增用户？
• 如何保证新增用户较高的留存率？
• 如何最大程度降低获客成本？

3.2.2.1-1.设置合理的游戏规则、激励度

设置合理的拉新人数、好友帮助奖励机制，是用户愿意多次参与、活动能持续进行的重要保障。

刚刚提到，我们会设置几个金额段来控制用户累积金额的难度，但整体基本上控制一个人要集满约需要拉新 10 个人左右（当然也可以根据预算和新增目标来控制这个数量），太少会导致拉新成本过高，太多会让用户失去参与的兴趣。

同时，被拉新的好友在成功注册 App 后，也会给予一定的奖励，并且一个新增好友可以同时帮助几个人，但需要设置帮助上限及帮助的金额，以增强活动的可玩性。

所以，当活动正式出街时，可以看到应用市场（UC NEWS 是看 Google Play）的下载量提升非常明显。

这里要提必须进行作弊用户的风险监控，方法是增加用户行为衡量因子，通过在活动中的互动行为，反向影响其加分的概率，从而有效的规避作弊用户、控制活动成本、保证新增用户质量。

3.2.2.1-2.裂变传播：新客转化后继续激励，形成滚雪球效应

充分利用社媒/新媒体渠道传播，形成人拉人的滚雪球效应。前面有提到参与活动的用户都有一个唯一的助力码，参与活动的用户可以将自己的助力码分享到朋友圈、社交媒体等渠道，邀请别人为自己助力，这样就不仅限于自己的好友，还可以更广范围传播。

当时 FaceBook 和 Google 上都是分享的二维码，还有很多相互助力的社交群，带来了大量的 Google 搜索。如上图所示，在 9 月的明星大 V 活动，以及 10 月的人拉人活动出街后，热度（蓝色线）极其明显地出现了峰值，并且大幅超过竞品（babe，红色线），同时 UC NEWS 的 Google Play 排名也迅速从 30+ 上升到 7。

这也是我经常说的：每来一个新用户，都要想尽办法榨干其所有价值。

3.2.2.1-3.与产品绑定：时刻传达产品的价值、优势

由于拉新活动和钩子策略，仅仅是通过现金奖励游戏吸引注册用户，具有局限性，它无法传达产品自身的价值主张。所以在拉新获客的经营中，我们通过在活动页面上增加产品功能或优势的宣传，增强产品与活动的关联度，提高产品认知，从而提升感兴趣用户的留存。

当时，我们就在活动页增加头条资讯或爆款文章推荐，让用户在参与游戏的同时，也会因为对产品感兴趣而成为产品的真实用户。事实上，从数据分析上看，活动带来的新增用户次日留存率比付费渠道（包括付费导量渠道、第三方合作平台，以及集团内其他产品）的次留存率高了 10%+。

这时你会发现“2.裂变传播”与“3.与产品绑定”，其实就是我们刚刚才讲完的，转化后的分发动作。无论是传播分享，还是引导用户浏览 App 中的文章、资讯，都是让新用户为我们“贡献”更多价值。

3.2.2.1-4.借助明星、主题、热点，进一步提升钩子策略的力度

为了增加活动的趣味性、影响力，我们还会使用明星+热门 IP 做联合营销，或结合外部热点做活动主题策划。

如当时正值《奇异博士》热映，我们便与热门电影 IP 做联合宣传、相互助力。如上图所示，所有明星IP传播的效果都比较好，使用明星 IP 的物料宣传比纯利益（金币，红框）宣传的点击率提升 2%～4%；此外，也可借助情人节、万圣节等特殊节庆来策划主题活动。

以上四点便是 UC NEWS 在海外市场做的获客拉新完整流程的要点。除此之外，我还想再多提一点，那就是电商界的“复合钩子策略”，这也是你“剁手”时再熟悉不过的套路。

3.2.2.1-5.复合钩子策略，而非单一钩子策略

国内电商平台较常见的拉新手段主要还是靠优惠券，但单一的优惠券奖励，比较难达成目标，通常会结合商品权益、场景、营销工具的组合打法，完成有效的新户转化。

核心思路和 UC NEWS 的玩法一样，还是以低门槛促首购的方式让用户快速完成下单的决策链条，我们把它称之为引“狼”入室，分享以下四种很有效的玩法。

首单全额返

首单支付金额将以 2 张无门槛红包形式 100% 返还，同时推荐新户专享特惠价格的商品促首次交易。如上图所示的流程：新客无须领取优惠券，可以直接抢购商品，付款成功后再 100% 返还首次交易金额（通过推荐商品控制首次交易金额门槛），但实际上用户完成付费后系统会自动下发其他优惠券（主要是店铺券和品类券），并设定优惠券的有效期来再次促成用户复购，非常有心机。

新人特价+新人优惠券

新人优惠券限时领取、限时使用，同时设置使用门槛，通过新人特价和优惠券均可用促成新户首单；特价商品通常有限购数量，且新人优惠券可与其他券叠加使用，也利于促成复购。

新人大礼包

通过优惠券包的方式提供新户多种组合优惠券形式，多种可选择的券增加转化概率，且可促成多次复购。宣传卖点也可以以一个比较大的金额数去做包装。

新会员+权益券

低单价促成初级会员转化，打包优惠券权益，完成新户首单，同时可带来多次复购效果。

最后，我们对比一下以上四种玩法，见下表：

拉新获客不是单一地用活动或激励去吸引用户，而是一个包含了“触点——渠道——落地——首触——转化——分发”全流程、体系化运营的过程。

3.2.3小结

这样体系化的过程很重要，因为单点思考容易出现偏离，并让业务前后衔接不顺畅；而模型化、业务流程化的思维方式则可以让产品、运营站得更高、看得更完整。

既然特地把2A扩展到3A，为什么没有用户分析洞察部分的详细讲解呢？
讲师回复： 多出来的A是用户洞察，包括以下内容：用户画像、用户分层、用户分群、行业调研、竞品分析等工具。这些本身与产品运营的业务联系不如其他模块那么紧密，所以在这里没有过多阐述。您有兴趣的话，我们可以在专栏群中或以其他方式专题讨论。

3.3活跃：利用运营手法提升活跃度

什么是流量？那就是活跃+留存才是流量。
流量运营中三大类场景的策略：促活、留存和沉默唤醒。

流量运营中，第一位就是活跃运营，也就是我们常说的促活。活跃，意味着用户开始真正使用你的产品，也是产品运营可以直接经营的客群。

在3A3R 策略模型中，促活有一个非常重要的底层逻辑：必须用高频且低门槛的场景或服务，去承载活跃客群。

这个逻辑的核心在于：如果用户被促活策略拉回产品后，发现都是一些对于用户而言需求频次很低，或者是有一定使用门槛的场景或服务，用户的落地效果一定打折扣，并且会严重影响用户的心智认知，势必影响促活的效果。

基于这个逻辑，3A3R 策略模型在活跃模块为我们准备了内容运营、优惠券、任务体系这三大类高频率、低门槛的场景和服务。所以今天，我们就通过案例重点拆解内容运营和优惠券在促活中的打法。

3.3.1通过内容营销促活

借助外部热点事件或节庆等主题策划活动，通过内容借势营销吸睛，或发起一些年轻人关注的话题引发共鸣。

像常规的一些节庆主题活动，如春节开门红、女神节、七夕节日等，用户天然对这些节日敏感并且有购物需求，只需借力热点给出促销方案，即可很快引起用户关注并带来销售转化；同时一些大的电商平台也通过“造节”培养了用户心智，如“618”“11·11”“黑五“等消费热潮的特殊节日。

因此，牢牢地抓住一些天然的外部热点节日来促活，事半功倍，也是必不可少的一环，每年促销的热点节日其实都差不多，我们常说“无节日不电商”正是这个道理。

平台促活除了借助外部热度，话题营销也是一个重要的手段。

针对当代互联网主流消费群体如 95 后、00 后一些特定圈层，以他们感兴趣的话题/喜好切入，快速提升用户好感度，提高忠诚度，并转化成平台的粉丝；结合营销活动，推荐主题相关的网红款、爆款、明星同款等商品，缩短用户决策链条，迅速完成消费转化。

接下来，我们看两个内容营销案例。

3.1.1.1案例 1 女神节

我们曾做过一场针对职场女性的活动，通过内容营销和传播取得了较好的效果，GMV 增长 4 倍，活动总曝光量 1000w+。

3.1.1.1-1.确定创意方案

在活动的创意阶段，我们围绕以下三点做提案。

节日热点

3·8 女神节到了，女生必然想要买买买，周围的人会想要给自己的女朋友、老婆，甚至是闺蜜送礼物，天然的购物需求环境已然成型，我们需要借助内容这种形式来承载“女神节”这个营销主题。

热议话题

当时正热播《延禧攻略》，魏璎珞的大女主形象被广大女性广泛推崇，并掀起热议话题，剧里女主们的口红色号，发饰等都能上热搜榜，各大品牌更是争相推出莫兰迪色系的各种商品。我们需要借助内容这种形式来包装和打造当前的热点话题。

细分人群

我们认为职场女性正是以上两个因素的主要关注人群，且是平台重要的用户群，且有较强的分享欲和购买力，对身边的人有绝对的影响力，正是这个时间点需要重点抓住促活的用户群。

综上，我们针对职场女性策划了“女王大人，请翻牌”的营销活动，结合热点节庆+热议话题+针对女性职场人热销产品+优惠价格四管齐下，一套组合拳的营销活动受到了平台用户的欢迎。

3.1.1.1-2.落地营销方案

在创意方案确定后，我们就开始制定落地营销方案。

营销节奏及玩法

有节奏的活动宣传和造势，能够为活动目标的达成实现事半功倍的效果，我们以 3.8 为活动高峰期，将整个活动周期分为 4 个阶段：造势期和专场期为活动预热宣传，3.8 实现活动效果爆发，返场期为延续活动热度。

每个活动阶段以不同的促销手段造势，为活动爆发做准备，前期主要目的是宣传引流，引起用户注意，因此在造势期采用拼团、短信赠券的手段引导用户分享裂变；

专场期通过秒杀、0 元试用、限时抢券的促销手段引流促活，每日都有优惠的方式持续吸引用户关注活动；

到爆发期，通过各种新媒体矩阵引爆，通过爆款商品促销售转化，并带动整场销售达到高峰；

为延续活动余温，在返场期通过线上线下联动，实现用户持续消费。

促活主会场设计

在主会场的设计上，考虑到女神节不仅仅是女生的节日，也是男生送礼物给女生的重要节点。

因此，我们设置了“女王最爱”和“男神专场”，以“女生爱自己，给自己送最好的礼物”和“把最好的礼物送给心里最好的她”的女生/男生角度，推荐热销商品，满足不同人群在特殊节日里购物需求，减少用户决策链条，最大程度实现销售转化。

节日优惠设计

优惠券促转化、每日大牌秒杀、0 元试用等都能促进消费；同时，我们还与一些品牌合作，为用户提供专属精美礼盒，设计消费 TOP 10 的用户，赠送品牌盲盒，制造神秘感。

内容矩阵式传播

内容天生适合快速、大范围的传播。所以在宣传曝光上，我们采用矩阵式传播手段，通过微信、微博、小红书等各种渠道教育引导用户，种草促转化；并且与品牌门店联动，在活动期间，线上消费即可获赠线下门店的小样，为线下门店引流，同时门店宣传线上优惠活动，为活动造势，引流线上活动。

经过前期预热，以及 3.8 女神节当天的一场抖音直播，平台活跃度推向了高潮，并创下活动前日均订单金额（蓝色线）约 40w，在活动日订单峰值约 126w，同时订单量（红色线）也从活动前日均 1400 增长到活动日峰值的 3395，如下图所示。

3.1.1.2案例 2 斋月节

再分享一个小案例，针对某些特殊场景和特定人群的促活打法。

我们之前在做 UC NEWS 印尼运营，印尼是世界穆斯林人口最多的国家，他们的传统新年是斋月，成年男女在斋月期间必须在日落前禁食，每天根据太阳的起落时间至少进行 5 次祷告，这是印尼典型的社会现象。

但在斋月期间，用户因于禁食、返乡、朝拜，会出现春运返乡潮一般“活跃度”降低的现象，情况持续到开斋，你能观察到平台流量数据在斋月期间会有一个巨大的坑。

为了维持平台的日常活跃，我们根据印尼人的风俗习惯设计了一个祷告提醒，时间提醒设置可以根据 LBS 定位当地时间，同时为了增加提醒的趣味性，我们设计了几个小功能模块：

与明星合作录制提醒语音，通过明星效应圈粉；

用户订阅提醒功能，每天会向他推送一些当地的热点新闻，提高用户体感及互动促活；

订阅内容的推送平均 CTR 达到 7.5%，较日常推送高出 2%～3% 绝对值。

如下图所示，就是刚才提到的一些贴心小工具，例如每天的祷告时间，以及设置祷告提醒。

【Push 促活策略（自主订阅内容）】
这里有个要点：Push 促活虽然好用且有效，但对用户也会造成一定打扰，我们日常做推送促活，一定要把握推送的频率、时间等，否则很容易引起用户反感。

所以这里的设计是，让用户自主订阅内容，对 Push 的接受度要远高于被动推送，CTR 也有明显提升。这是一个很有用的策略，即用户自己关心内容推送的点击率，远远高于整体推送点击率，我们可以尝试为用户感兴趣的内容增加订阅制。

这一点做得非常好的就是“什么值得买”App，它可以将用户搜索的任意关键字转化为一个订阅，并且后续会通过 PUSH 下发优惠，我演示下面这个流程。

如下列左图所示，首先在搜索栏，搜索我感兴趣的关键字“积木”；

搜索结果列表之外，还在搜索栏右边出现“关注”；

点击“关注”，如下列右图所示，即可把“积木”这个我感兴趣的内容添加到首页的“关注栏”中，并且一旦“积木”关联到的内容有更新，“什么值得买”会迅速下发 PUSH，基本上我都会点开看相关推送活动。

无论是女神节还是斋月节案例，上述这些基于内容的促活逻辑和策略适用于非常多的产品。例如淘宝，它的核心诉求是尽可能地让用户在最短的决策时间内完成付费交易，但即使是再低价的商品、再高复购率的商品，也没办法做到让用户每天都产生交易。

就算我天天都要吃坚果，也不会天天去下单，而是买量贩装一次性满足后续一周或两周的需要。

这个特性就注定电商类产品的活跃不会很高，阿里巴巴的财报中关于零售板块的活跃指标是年度活跃和月度活跃，官方并不会公布每日活跃。

所以，在淘宝进军移动端后，首先就是在交易场景前铺设大量的高频率、低门槛服务。

那具体是什么呢？没有错，那就是内容。你会看到淘宝在这几天在内容场景上的投入，淘宝头条、图文试用、视频拆箱、淘宝直播、有好货、淘宝甄选等等。而且这些内容场景并非隐藏得很深，反而在首页首屏等非常前置的场景中部署。

3.3.2通过优惠券促活

优惠券+营销活动是平台常用的也是最好用的促活利器，优惠券的组合玩法结合场景营销，能够最大化促进平台用户活跃。常见的优惠券形式，包括平台劵、店铺券、品牌券/品类券、满减券、折扣券、立减券等。

除了常规通过相应的优惠激励促活外，分享几个我们通过优惠券与一些场景或营销玩法结合，取得较好的效果案例。

3.3.2.1.优惠券组合模式

通过优惠券包的方式做优惠券组合，用户通过一次领券操作可收到多张优惠券（优惠券包），与单张券发放的模式相比，优惠券包给用户提供了更多选择，同时也最大程度利用流量，利于利益点的包装。

如我们经常看到这样的 slogan“登录领取 8888 元大礼包”，其实这个“8888元”的大礼包，可能包括多张优惠券的总和，但看上去就很有吸引力。

较优的优惠券组合方式为高转化券（如通用券、无门槛券、实用类型券）搭配指定类型券（爆品券、品牌/品类券）。高转化券主要用来引流及促快速转化，效果好的高转化券转化率在 50%+。

这里有 2 个小技巧分享。

给优惠券包设置一定的获得门槛，可比“免费领取”提升至少一倍的转化率，如 1 元购 888 元券包，9 积分兑换 1212 元优惠券。当然，这些有一定获取门槛的优惠券，其优惠力度必然要比“免费获得”更大，但对于用户来说，其收益是远高于多付出的成本的。

固定时间发放优惠券，如每周五早 10:00，这利于让用户养成类似“签到”一样的领取优惠券的习惯，也能定期带来一些活跃度。如下图所示，活动上线一段时间后，我们通过数据观察发现，平台除了晚 8:00～11:00 有流量高峰外，在每周五的早上 10 点也逐渐形成了一个流量峰值。

【促进小家电销售案例】

我们为了促进平台小家电的销售转化，挑选一些爆款商品发放 300 元的指定家电品类券，通过优惠券限时抢，营造饥饿营销的氛围。

小家电的平均客单价约 500～800 元，用券后件单价在 200～500 元区间，这能大大降低用户的心理门槛；

另外在挑选商品上，会挑选 1～2 款 400 以内的商品，券后价仅 100 元以内，通过限量来实现引流活动的目的。

3.3.2.2.任务打卡+优惠奖励组合

让用户完成一定的平台任务，即可获得优惠奖励。

完成任务打卡本身就是促活的有效手段，任务可包括但不限于注册登录、签到、浏览某活动页面、消费达标、分享等（可根据活动目的设置）；

优惠激励会促使用户会更愿意去做任务，同时用户在完成任务后如获得优惠券奖励并去使用，可再次促进二次活跃并促成交易。优惠券设置，可根据任务的难易程度设置相应的门槛，也可以设置多个分级任务，给予不同的奖励。

[Tips] 这里有个值得注意的点是：要关注优惠券使用路径、到期提醒等设置。

优惠券使用路径： 因为任务奖励后优惠券是发放模式的，最好是用户发放后能有明显的感知（如弹窗提醒），用户可直接跳转去使用，并将商品推荐跟上，这能较大程度地促进转化。

到期提醒： 如果优惠券快到期，可设置通过消息推送或小红点方式做提醒。

接下来，介绍一个任务打卡和优惠激励结合的案例，如下图所示，这是某产品的任务广场界面。我们通过任务广场设置一些每日任务促活：如登录，可领取 5 元购物通用券；促单笔消费，领话费券；促复购，奖励月累计消费笔数，可领箱包优惠券等。另外还可以看到，我们也会设计一些游戏化的玩法促活，提高用户的活跃度，如早期打卡、签到等，都是常见的游戏形式。

3.3.2.3.抽奖+优惠券组合

策划抽奖活动引流促活，产品优惠券奖励可设置周一到周日每天不一样奖励，这样可以满足不同用户的需求，引起更多用户的关注；

每天抽奖的产品，可根据时下热销商品选取，以增强每天奖品的吸引度；

每天都进行抽奖，可以促使用户持续活跃，也可在某一天（如周日）设置一个大奖引爆用户流量；

建议每天固定时间抽奖，培养用户习惯；

每天可抽奖机会次数可设置在 3 次以内，额外抽奖机会可用积分兑换或做任务等方式获得，强化与用户之间的互动。

如何提升用户活跃，其核心逻辑是用高频低门槛的场景和服务去承载促活的用户，而最常见的方式就是内容营销和优惠/激励，同时这也是上一课时《14 | 洞察与获客：如何⾼效拉新获客》中钩子策略的要点，就是要不断推动、诱导用户步步向前，走完整个 3A3R 策略模型全流程。

3.4活跃：利用用户分层进行沉默唤醒

活跃用户，作为互联网产品公认的核心指标，其主要构成分为三个部分：新增用户、留存用户以及沉默唤醒用户。伴随用户拉新的成本居高，活跃中的新增用户部分也越来越难，在 2020 年 Q3，天猫的获客成本已高达 1158 元/用户。

相比而言，唤醒沉睡用户才是最划算的事，即将沉默用户转化为沉默唤醒用户，其优势在于：

• 一方面，对于这部分用户而言没有教育成本，因为在沉默前用户已经或多或少地体验过产品，唤醒成本远比拉新成本低得多；
• 另一方面，只要有合适的内容触发用户再次活跃，效果要远远好于去拉一个新用户。

沉默用户的定义并不复杂，通常指在“指定周期”内没有使用产品，或活跃程度未达要求的客群。用户注册成为用户后，往往由于没有使用产品的强烈需求或单纯忘记使用，导致使用时长或使用频次逐步降低，成为产品的“沉默”用户。

对于大多数产品而言，“指定周期”可长可短，一般与活跃的指标对应。

若产品考察 MAU，那么沉默用户的沉默周期为 1~3 个月，即用户若连续 1~3 个月未使用产品，则为沉默用户；

若产品考察 DAU，那么沉默用户的沉默周期为 1~3 周，即用户连续 1~3 周未使用产品，则为沉默用户。

唤醒沉睡用户本质是用户精细化运营的一部分，通过对沉睡用户的唤醒一方面可以提升用户对 App 的黏性，另一方面也可以充分发挥用户价值，为 App 创造营收。

3.4.1沉默用户唤醒的完整流程

沉默用户唤醒的完整流程分为四个步骤：用户洞察与分层、制定下发策略（渠道和触点）、活动监控、评估优化，不断迭代下一次沉默唤醒活动的设计与实施。

在整个唤醒过程中，我们会基于 3A3R 策略模型的用户洞察（Awareness）来制定沉默唤醒策略：

• 第一，通过用户画像来洞察沉默用户的特点，并完成客群分层；
• 第二，通过用户偏好模型，分析沉默用户的渠道和触点偏好，为不同沉默客群选择合适的渠道和触点，并下发执行唤醒策略；
• 第三，制定沉默唤醒后的运营措施，即用什么样的策略、场景来持续留住这批被唤醒的用户；
• 第四，通过活动模型监控执行期间的效果，包括自动化漏斗模型、自动化营销活动分析模型等；
• 最后，根据活动营销模型对整个沉默唤醒活动进行全方位复盘，也就是评估优化。

下面拆解我们之前非常成功的沉默用户唤醒案例，为你详细讲解。

【金融 App 案例详解】

这个案例的产品是金融类 App，如下图所示，前期通过用户客群分析，发现沉默用户的量级已经 994 万。如果再不做唤醒动作，势必会造成巨大的浪费。

传统意义上的沉默唤醒策略，主要指设计有针对性的沉默唤醒活动，并根据数据反馈筛选出最优的方案。然而，当成功唤醒用户之后，如何吸引用户留存在 App 上，避免其再次沉默，同样是沉默唤醒策略输出的重点。

接下来，将具体讲述如何利用 3A3R 模型输出沉默召回策略。

首先，通过用户画像数据寻找合适的渠道和触点去触达我们的沉默用户，渠道和触点需要依据企业的自身情况确定。这个案例中，可供选择的渠道有微信、SMS、App、电子邮件等，分别对应可供选择的触点有微信消息、微信群、个人号客服、短信、PUSH、营销邮件等。

接下来，需要为不同渠道、不同触点的沉默用户制定不同的运营打法，一般唤醒活动要满足参加方便、满足用户猎奇心理、提供互惠诱惑等要素。例如，微信消息可以用优惠劵、积分等用户 offer 作为钩子，引导沉默用户回到 App。

用户 offer ，即用户权益包，根据用户偏好而设计的吸引用户的虚拟产品，包括各类优惠券、积分、特权等，是用户营销的主要手段。

除此之外，也可以依据用户过往的用户行为偏好制定 offer，例如用户过往有多次购买过饭票的经历，则制定饭票优惠 offer，并通过短信的方式触达用户。

当然，在进行完针对性的沉默召回活动后，也需要通过A/B 测试，根据数据反馈，筛选出针对目标用户转化率更高的活动与文案。

最终，在这个案例中，我们成功唤醒了约 350 万的沉默用户，MAU 提升 16.9%，次月留存率提升 6.6%，营收贡献约 8 个亿。

3.4.2深度洞察沉默用户，创建精准用户分层

沉默用户唤醒的质量不取决于谁有用户，而取决于谁更了解用户。所以，构建沉默用户画像是唤醒过程中非常重要的环节。

依旧以这个产品为例，从以下维度出发，建立沉默用户的画像标签。

3.4.2.1.用户属性

指用户的基础客观属性，如性别、年龄、城市、职业，以及部分金融属性等。

3.4.2.2.用户状态

指用户的沉默特征，包括沉默区间、活跃渠道。

沉默时长，是指用户上一次 App 活跃距离当前时间点的时间长度。这个指标的逻辑，在于沉默时间越久，其被唤醒所需付出的成本越高、被唤醒的概率也就越低。

活跃渠道，是指用户除 App 外，还偏好哪些渠道。分析渠道的目的，是未来能够通过合适的渠道去触达沉默用户。

上表所示即是不同沉默区间的客群在不同渠道的触达响应率，通过这张表可以看出：

沉默 30 天的客群，更偏好短信（48%）和微信渠道（55%）；

沉默在 30~60 天的客群，更偏好电话（65%）和微信渠道（60%）。

所以，后续这两个细分的沉默客群就会根据自身偏好，通过不同的渠道去触达。

3.4.2.3.消费特征

指用户在沉默期间内的消费情况，包含品类分布、消费频次、消费金额等，以获取客户在沉默期间最新的用户偏好，目的是结合用户的消费特征，制定唤醒的激励和钩子策略。

如上图所示，沉默客群的消费特征集中在网络支付和超级市场。所以，我们在制定唤醒策略时就会：

首先，在各个主流支付通道上部署唤醒活动，希望用户在使用这些支付通道时能够看到我们的唤醒活动；

其次，在进一步分析超级市场中的消费品类，通过合作的商户优惠活动作为钩子策略去唤醒用户。

3.4.2.4.行为特征

指用户沉默前在产品上是否有触发过预定义的重要行为，包括但不限于参与活动、商城消费、签到偏好等，目的是选择制定沉默用户唤醒后的首触场景。

上图是用户行为偏好模型，通过功能使用深度、功能使用数量和功能使用频次三个维度分析用户在产品中的使用情况，并最终给出每个沉默用户的行为偏好。

功能使用深度：针对单一和垂直的业务功能流程，记录用户每次使用的页面深度。页面越深，认为用户对该功能更偏好。

功能使用数量：针对用户场景中的各个组成功能和业务流程，记录用户在该场景中使用的功能数量。数量越多，认为用户对该场景更偏好。

功能使用频次：针对单一和垂直的业务功能流程，记录用户使用的次数。次数越多，认为用户对该功能更偏好。

经过上面三个特征的分析，沉默用户的画像和分层基本准备完毕。已能够制定落地唤醒策略了：按照这个模型输出的用户行为偏好，考察不同的沉默用户更偏好的场景、功能，结合这些场景来制定活动策略，包括下发渠道和触点、用户 offer 等。

3.4.3投放初期少量投放

关于“投放”还有一点需要注意，那就是沉默唤醒活动的初期不适合直接对全量用户下发，应该先对少量用户进行投放，并验证活动方案，然后再逐步适度提升投放量级。

投放过程中以天、周为单位更新数据。实际上，你会看到一周内每天的唤醒转化是不同的（在一周内每天投放量级相同的情况下测试）。

在唤醒转化稳定后，根据每天的转化情况适当调整每天的投放量级。

以上便是用户洞察、用户分层、策略投放这三步步骤。在这一过程中，你会发现：当你足够了解用户时，才能站在用户场景，了解用户最需要的是什么。所以，对不同产品，以及不同用户进行沉默用户唤醒时，所做的用户画像都不一样，具体需要根据产品和用户特征来定。

3.4.4唤醒后的新生期运营策略

当沉默用户通过各种唤醒活动再次回到 App 后，新生期的运营就开始了，该阶段的工作重点是通过运营措施让用户养成较规律的使用习惯。

新生期运营阶段，常见的做法是围绕产品自身的核心功能，衍生其他定期激励活动。例如“签到”，签到活动的目的不在于签到打卡本身，而在于通过“签到”让用户感受到产品本身。

与“签到”类似的，还有每日任务体系，它通过任务的形式，让用户感受到产品的核心价值。相关内容，你可以回顾《15 | 活跃（上）：如何通过运营手法提升⽤户活跃度？》

除此之外，也可以选择交叉营销等手段让用户更多地使用 App 功能。一方面，多功能的使用能提升用户的留存；另一方面，也可以交叉营销等具有创收性质的功能模块，实现用户价值的获取。

关于交叉营销，你可以回顾《13 | 工具与方法：如何运用 3A3R 模型将数据转化为运营策略?》中“营收”部分的内容。

3.4.5对过程进行监控与评估

3.4.5.1.通过“漏斗”进行监控、调整

此外，还需要对唤醒活动进行监控，通过建立漏斗对活动的各个步骤进行监控，并实时进行调整。例如，运营人员发现到从点击唤醒消息到活动页面的转化率相对较低，如下图所示，便采取了将步骤简化的措施，同时将利益点前置。最后，将折损率降低了 19.8%，响应率也相应提升了 15%。

3.4.5.2.通过“活动效果分析模型”进行评估

不仅如此，为了能更实时、全面地评估唤醒效果，我们建设了活动效果分析模型。

因为唤醒活动类型多样，如何在活动执行期中快速对活动进行复盘，基于数据对下一次唤醒活动的展开进行优化显得尤为重要，所以活动效果分析模型就显得尤为重要。这个模型意在归纳不同活动的共性特征，建立完善的指标体系用于活动效果评估。

下图即是沉默唤醒活动的自动化分析模型，展示了活动分析的必备参数，包括活动的投放节奏、投放入口，以及相关的埋点数据等。当活动方案确定后，这些参数也是确定的，即可固化为分析代码，按照 T+1 的周期自动输出结果。

最终，活动营销模型所能实现的效果：即输入固定参数，包含活动主题、活动召回形式、活动时间范围、沉默区间的划分、沉默的定义等，然后依据指标体系输出全方位的活动效果，如下图所示。

3.4.6与其之后沉默唤醒，不如提前流失预警

用户“沉默”的因素有很多，很难确定用户到底是因什么而沉默，也很难唤醒所有沉默用户，但我们能做的就是尽力让已留存的用户保持活跃，并把可能沉默的用户往成长阶段引导，避免其流失。

就像我曾说过的，与其等用户与我们分手了才去追回（沉默唤醒），不如在用户还与我们保持热度时，除了对其进行活跃状态的维系外，还需预测其流失概率，以便我们提前做干预。

3.4.6.1.活跃状态维系

通过事件分析、漏斗分析、路径分析等方式，找到易唤醒的高价值人群，通过推送、激励，以及签到、任务等方式，培养用户的使用习惯，让其长远地留在 App，并为 App 创造价值，也就是保持活跃状态。

3.4.6.2.预测流失概率

此外，我们还可以通过模型预测、筛选出“高沉默风险的用户”，对其进行提前运营，避免其沉默：

• 对沉默概率在 30%～50% 且近一个月活跃的客群，考虑到仍旧活跃且沉默概率相对较低，故可开展常规的留存活动，例如老用户回馈、VIP 专享等；
• 对沉默概率在 50%～90% 且近一个月活跃的客群用户，实行消息推送触达，并结合其用户偏好对其进行激励；
• 对沉默概率在 90% 以上且已经在近 30 天内活跃天数低于整体的用户，实行短信触达，并结合 App 用户偏好进行活动引导。

看到这里，你会发现沉默唤醒的流程和《05 | 关注用户留存就够了吗？值得你关注的另外 3 种留存》中流失召回的流程很类似。

没错，因为沉默和流失客群，本质上都是属于已经脱离产品的用户，所以他们的策略很类似。两者的核心区别，在于重新拉回产品的难度区别很大：流失客群的召回，远比沉默用户的唤醒要难得多。

所以，我们在产品运营中应当尽可能提前预判挽留，而不是沉默流失后的亡羊补牢。

3.4.7小结

沉默用户唤醒的完整流程：用户洞察与分层、制定下发策略（渠道和触点）、活动监控、评估优化。

其中用户洞察与分层是后续动作的基础（所以本课时对其也花了大量的笔墨去讲解），你需要先通过用户属性、沉默时长、用户偏好、行为特征等维度对用户进行深度洞察，并从中找到合适的渠道和触点，制定唤醒策略。

唤醒后，更需要继续关注与我们“和好”的用户，对其再次进行“新客”般的新生期运营，保持活跃和联系。当然，在上述整个过程中，也别忘了监控与评估，不断优化调整动作策略。

其实“唤醒”是一种挽救动作，而最好的方式就是提前通过“流失预测”让用户不断活跃，并努力提升各项留存率，所以接下来我们将讲解《17 | 留存：如何通过数据、社交、内容手段提升用户留存？》向你介绍提升留存的好手段。

预测流失概率中，沉默概率是怎么算出来的？完全没有印象了
讲师回复： 用已经沉默的客群特征来训练模型，然后把需要预测的用户输入模型做验证，模型就会分析出沉默的概率。算法可以用决策树、随机森林等，客群特征我这边是以使用宽度、使用深度和粘性指标，结合其他用户行为指标来训练模型

3.5留存：通过数据，社交，内容手段提升

“留存”是滞后型指标，对留存用户的感知和运营都比较困难，这也就要求我们在用户尚处活跃期时，便能对其提前部署留存策略。

那么如何部署留存策略呢？这一课时的主题便告诉了我们答案：通过数据、社交、内容手段提升用户留存。换言之，就是想让用户留在产品中，就先让用户留下他的数据、社交、内容等足迹。那么这种说法的逻辑在何处呢？

3.5.1留存的核心逻辑

在 3A3R 策略模型中，对于留存有一个核心逻辑，即让用户的数据和好友都沉淀在产品中，目的是通过用户产生的数据、好友，来提升“用户迁移的成本”，即提升留存。

3.5.1.1.让用户的数据都在产品中

作为产品，不仅仅是为用户单向地提供其所需的服务，而是在用户使用服务的同时，务必让用户所主动或被动产生的各类数据留在产品中，并通过分析这些数据来进一步提供更精准的服务。

这一点在信息流产品中尤为体现。首先厘清一件事，即信息流产品本质上并不是一个高留存产品。因为内容的同质性太强了，意味着用户关注的内容可以在很多内容产品中看到。

比如，今天在产品 A 中发布的八卦新闻，几秒钟后就能在产品 B、C、D 等上看到，用户完全可以凭着自己的意愿随机选择产品 A、B、C 和 D；想一想，自媒体人是不是都是“一稿多投”，其内容恨不得在所有内容产品上发布和曝光。

所以这类产品的用户黏性很高，但用户迁移成本会很低。

为了提升用户迁移成本，信息流产品就想尽办法获取用户的各类数据（兴趣、浏览、阅读、评论、点赞等），并通过这些数据以个性化推荐这样的产品场景来落地，以提升用户的留存。

3.5.1.2.让用户的好友都在产品中

用户的好友，也就是用户的社交关系。用户的社交关系是非常重要的提升用户留存的方法，没有之一。用户能够在产品中找到志同道合的朋友，以产品为纽带彼此联系，所以说用户之间的联系越多，越紧密，产品的商业价值越高。

从用户的角度而言，我和我的好友们都在这个产品上，此时若要我贸然迁移到新的产品，我还要周知全世界，说服我所有的好友也都迁移过去，可想难度有多大。

微信在创立初期的几个版本，除了在打磨通讯类的功能和服务（语音通话、发送图片等），就是想尽办法获取用户的社交关系，包括手机通讯录中的联系人、QQ 好友、摇一摇和附近的人等。

当用户逐渐将自己线上、线上的好友都迁进微信后，大家就会发现此时任何竞品都无法再撼动微信了，比如罗老师的聊天宝、阿里的旺旺、网易的泡泡、百度 Hi 等在火爆一段时间后便逐步销声匿迹了。

思考题：为什么“网易云音乐”这样的听歌 App 也要提供评论、歌单、UGC 等内容形态的服务，以及用户的关注系统呢？

3.5.2留存策略案例实战

用户留存有短期留存和中长期留存，在做留存方案的时候，也主要针对这两个方向有侧重地进行，通常会在产品功能、内容、活动上持续做提升留存的设计和优化。

短期留存可以理解为用户初步接触产品之后的留存，新用户下载完成后一般会了解下产品的基础功能。如果没有什么特别的亮点，不能勾起使用欲，那流失的可能性就会很大，毕竟大部分新户的心理都是尝鲜状态。

因此对于新户，要快速地抓住用户眼球。这时最好能使用你的产品某些功能或模块，如购物平台下首单、资讯内容做评论或转发、音乐平台收藏歌单等，这能极大提高用户留存率，这也是留存方案设计的核心思路。

中长期留存主要是培养存量用户对产品的长期使用的习惯和黏性，这个涉及的方面就会很多，包括产品的核心价值的体现、产品生态的建设、用户成长体系的建立等，暂不做详述。

接下来，我会通过案例向你介绍几个留存类运营工具，这就包括：兴趣预选、任务体系、利益激励、生活场景、积分等。

3.5.2.1.兴趣预选：提前让用户主动告知他的兴趣

我们需要尽可能早地让用户在产品中留下他的兴趣，同时产品也尽可能早地为用户提供匹配其兴趣的内容或服务。对此，我们可进行“兴趣预选”，它是内容型产品让新户快速了解产品，体验到产品乐趣的重要途径。

举个例子，我们之前做资讯类产品 UC NEWS 时，新户启动 App 后就会进入一个兴趣预选页。

我们通过用户的自主选择的感兴趣选项（政治、娱乐、体育等），可以对“新用户数据”进行首次获取。旨在能在启动时向用户提供更个性化的内容，快速匹配用户的预期和感兴趣的核心内容；这样用户进入首页后，信息流便会对其推荐相关资讯（根据兴趣的优先级）。

上图是 UC NEWS 的兴趣预选权重的流程，重点讲一下兴趣预选：为了解决推荐系统中新用户特征空白的窘况，在这个步骤让用户手工勾选部分他感兴趣的内容标签，以便提前告知推荐系统准备好他感兴趣的内容，这也是提升新客留存的重要手段

我们通过 A/B Test，发现次日留存提升 2% 绝对值，加载 CTR 提升 5% 相对值，但产生了数据折损，有约 2% 的客户在预选页面跳失，这是因为在兴趣预选页面中呈现了过多的选项，反而让用户产生了困惑造成流失。

因此，你需要注意：预选页的选项越多，虽然能加强用户个性化推荐的准确度，提升用户留存，但同时也会加大用户的折损，因此必须要平衡预选功能的设置项的数量。

这种提前让用户在产品中留下兴趣点的打法，除了在信息流、内容、资讯类产品中常见，在电商、社交产品中也很常见。因为在保证用户体验的前提下，让用户产生的数据（兴趣）都沉淀在产品中，也让用户关注的信息（和兴趣相关的所有内容、服务、功能等）都沉淀在产品中，所以兴趣预选对提升新客留存非常有用。

3.5.2.2.用“任务体系”和“利益激励”培养用户习惯，以提升留存

在用户进行兴趣预选后，我们通常会结合“任务广场”引导用户去完成一些目标，如补充个人资料、签到、浏览页面等，完成后会对其进行奖励，其目的有以下三点：

增加用户沉没成本，提高用户留存率；

促使用户尽快体验平台，提高对产品的好感度；

收集更多用户数据，增强兴趣推荐准确度等。

当然，非资讯平台很多也会使用“新手任务”的方式完成新户引导，类似游戏里的“新手村任务”。

无论是哪种方式，都能起到让用户第一次使用产品时，很自然地走完了整个路径的目的。用户能很明确地知道下一步要干什么、如何使用 App，并了解自己感兴趣的内容及其位置。

【案例 1 任务广场新户活动，促进平台新户留存转化】

加油是有车用户的刚需，我们通过识别有车用户标签推出新户消费即送加油金活动，能加快用户消费决策，体验平台购物流程，实现新户转化。

【案例 2 将“新户”快速转化为“会员”】

电商平台通常会利用一些利益激励促首单，提升用户留存。如果说《14 | 洞察与获客：如何⾼效拉新获客？》中的优惠券模式是引“狼”入室；那么通过利益激励让新户完成首单、复购，甚至成为平台的会员，这样的运营策略我就将其称为诱“敌”深入。

诱“敌”深入的流程如下：

用户进入平台后，会通过特价商品+新人券的方式促首单；

用户进入购物车后，平台会强力引导“凑单立减”从而提高客单价，如再购 80 元可免邮费、再购 80 元满 150 减 30 等；

用户准备提交订单时，再强力引导用户“开通会员再次立减”，同时推荐会员权益促会员转化。

如下图所示，此处结合的营销策略包括：凑单满减+优惠券叠加+会员体系+新户标签分层经营，层层递进，一步到位。

用户成为会员后，平台除了能够获得更精准的用户数据外；同时，因为给予用户更多的会员权益，用户对平台的黏性也会增强。所以后面应该还有一套完善的会员体系及用户成长体系，来逐步提升用户对平台的忠诚度，来促进其长期留存。

【京东促“新户”转“会员”运营策略】

• 平台会员购物权益整合通常包括购物折扣、免运费、以旧换新、生日特权等，同时会整合其他多种权益赠送（一般会迎合用户的刚需需求），如话费、视频会员、分期券、还款立减金等，促使用户快速完成转会员决策。
• 
  
• 近两年，更倾向与其他平台会员联盟合作，推出超级联名卡。如“买 1 得 18”“买 1 得 8”等，用买一个会员卡的价格，同时获得多个平台的会员权益，让用户感到非常划算。
• 
  
• 除跨平台外，还会进行跨界的权益整合，通常包括餐饮美食、休闲娱乐、出行酒店、生活服务等高频刚需场景服务，深受消费者喜欢。

平台权益整合

多平台会员权益联盟

跨界权益整合

3.5.2.3.用“生活场景”与“积分”打造高频场景，以提升留存

目前一些主流互联网金融产品为了增强产品价值、提升用户留存，会围绕用户生活、消费场景提供很多刚需的生活服务内容。

最典型的就是支付宝，可以查违章、话费充值、各种缴费、查公积金社保、看电影、点外卖、订酒店、线下支付、购物、消费分期等，可以说是一个大而全的生活服务类工具；同时，用户在平台上的一些活跃行为也可以获得积分，如签到、分享、购物、游戏等。

积分与生活场景如果能够很好地结合，那么便能促进用户在平台的留存率，以下分享一些常用的运营经验。

策划一些游戏化的积分玩法，赚取或消耗积分。常见的玩法如积分抽奖、积分答题、积分彩票、积分领养宠物等，培养用户在平台活跃的习惯。

同时将积分与一些刚需的生活场景结合，如点外卖、看电影、高频抵消的购物需求，可以通过积分去兑换或兑购，以此提升用户平台的价值感知。

还可以再加入社交属性，如小游戏。邀请好友参与互动，互相给宠物喂食，参与答题 pk 等。好友的加持，更能增强用户对平台的认可度、归属感，提高用户留存率。

2.5.3小结

流量运营的三大部分：活跃、沉默唤醒、留存也就全讲完了。希望你把这三部分内容，作为整个流量运营打法的主要骨架，并将此扩展、补充为你自己工作中的运营指导工具。

除这些外，在实际的产品运营中，还有更多有趣的玩法，那么你还了解哪些有趣的玩法呢？或者对某些玩法有什么疑惑吗？可以在评论区与大家分享。

3.6营收：交叉营销提升用户营收

如下图所示，3A3R 策略模型本身就是一个转化漏斗和用户沉淀的过程，从最开始的洞察、到促活、再到最后的传播，都非常符合我们对产品和运营过程的认知。

【思考】那这里我就向你提一个问题啦：为什么将“营收”置于第 5 个模块，放在留存之后呢？为什么不把营收的位置提前一些呢？

这一课时，我们就从探讨这个问题开始，然后再通过一个电商案例看看围绕营收，我们能做哪些运营策略。

营收不急，经营先行
其实“营收”放在这里非常有讲究。对用户而言，营收是一个非常高成本的行为，有多高呢？如果把用户注册比作海平面，用户活跃比作平原，用户留存比作青藏高原，那么营收就是珠穆朗玛峰。想让用户掏口袋，简直太难了。

但营收又是每个产品必须走向的终点，所以 3A3R 策略模型为了解决这个问题，就在营收前设置了活跃和留存。

事实上，能够为产品带来营收贡献的用户可以用 2/8 法则来说明，即 20% 的用户贡献了 80% 的营收。这 20% 的用户就是产品中高活跃和高留存的用户，也是高度认可产品价值、场景和服务的用户。

所以，我们将“活跃”和“留存”打包称作“经营”。只有通过活跃、留存把用户经营到位了，经营好了，才能从用户身上获取商业收入和价值。

对营收需求最旺盛的就是电商产品。我们看看电商产品的用户旅程：用户落地产品后（淘宝、天猫、京东等），首先接触的不是商品详情页，也看不到“立刻购买”入口，而是五花八门、眼花缭乱的直播、信息流、商品聚合、试用体验等内容。

内容是典型的活跃类场景。我们不可能每天都来电商平台下单买东西，但是一定会每天来淘宝看看商品评测、上新体验等，而“购买”就在这一次次享用内容的过程中完成转化。

传统的营收策略是直接面向用户推出商品，我们叫 Hard Sale；而现在越来越多产品不再将付费场景直面给用户，而是通过内容、优惠、服务等来逐步对用户“洗脑”，我们叫 Soft Sale。

3.6.1影响营收的关键因素

不同业务提升营收的方式会有差异，这里以电商平台为例分享一些思路和案例。因为营收与 GMV 强捆绑，所以我们通过公式看一下 GMV 的影响因素：

GMV =流量×转化率×单均价×复购率

由此可见，我们便可以从提升流量、转化率、客单价和复购率这四个指标入手。

下面我们以某电商平台的 GMV 战役为例，按照这五个指标的顺序逐一拆解整个战役打法。

3.6.1.1扩流量

扩流量的目的是尽可能地“开源和节流”。开源，指尽可能扩大流量的来源；节流，指尽可能降低流量的流失。所以，扩流量的打法就是拉新获客、提升活跃、提升留存。

扩流量是为了营收引流，常用的引流方式包括但不限于：

1.平台多流量入口接入（如小程序、微信公众号等）

2.社群营销私域流量

3.品牌联盟矩阵

4.KOL/KOC 广告投放+直播流量

5.新媒体渠道广告投放（小红书、抖音等）

6.第三方平台交叉引流

其中“1.平台多流量入口接入” 在《14 | 洞察与获客：如何高效拉新获客》中已详细分享；“2.社群营销私域流量”也将在下一课时《19 | 传播（上）：如何打造千万级的私域运营体系？》中讲解。今天我们就通过这个电商平台的 GMV 战役案例，来看看其他几种引流方式。

我们对这个电商平台进行用户画像分析，发现年龄在 20~25 岁人群的数量占比较少，但这部分人群的平均客单价、购买频次等都不低于大盘，所以我们想是否可以通过提升这部分客群的用户数量，继而提升整体营收。

于是我们针对这类人群策划了“职场逆袭记”的主题活动，推荐一些职场人喜爱的品牌或网红爆款，并结合优惠活动促销，最终实现了整体 4000w+ 的曝光量。

3.6.1.1-1.品牌联盟矩阵

整合 16 个大品牌联合促销，包括新品首发、网红爆款推荐、特价优惠等，并同步在官微发联动海报宣传。活动期间用户关注活动并转发话题，分享职场感悟，将在微博抽取天选之子赠送奖品。

3.6.1.1-2.KOL/KOC + 新媒体渠道联合引流

联合多个 KOL/KOC 创作活动宣传视频，同时在小红书、微信、微博、抖音、快手等新媒体平台上曝光和造势，发起“职场毕业蜕变挑战”，引发热议话题“成年人的职场你毕业了吗”，来促进流量转化。

在这次传播引流中，口红这个品类引起我们的关注，因为口红是很多职场女性必备单品。所以我们通过几款明星推荐的口红色号，发动 KOL/KOC 试用种草，同时在小红书、微信、微博等渠道切入推进活动宣传，辅以“明星色号限量抢购”“爆款口红限时特价秒杀”等引起用户关注，实现社交媒体二次传播裂变。

3.6.1.1-3.第三方平台交叉营销

除了品牌和社媒传播引流外，我们还与饿了么、本来生活、知乎等垂直平台进行交叉营销引流。选择这些平台的原因，在于这些平台的客群与此次活动的目标客群较为一致。

在饿了么的启动屏、订单详情页等触点上曝光；

在本来生活的启动屏、首页 Banner 等触点曝光；

在知乎投放短视频，同时用分享激励/红包等钩子策略来带动传播和引流。

活动结束后，饿了么累计曝光 1 亿次，本来生活曝光 1000 万次，知乎曝光 1000 万次。

3.6.1.2提升转化率

引流结束后流量来到了平台，接下来需要通过各种优惠、激励等钩子策略尽可能缩短付费这个决策链条，促使用户尽快下单。这里包括了包装卖点、钩子商品、新品预售等策略。

关于钩子策略，你可回顾《14 | 洞察与获客：如何⾼效拉新获客？》

3.6.1.2-1.卖点包装

孤零零的产品并不具备任何营销价值，所以我们会将核心卖点包装，并配上一些吸睛数字，以作产品的宣传文案，例如“1 元购 8888 元大礼包”“消费参与瓜分 10 亿现金”“累计消费满 500 元最高返 2021 元”等这些能很快引起用户关注的 slogan。

同时我们还通过 A/B Test，发现含有数字卖点的文案转化率比普通文案高 2%～3%，这也会指导我们在活动吸睛这个点上再进行深度优化。

3.6.1.2-2.钩子商品

钩子策略同样可以用在产品上，目的仍然是尽快完成首单转化，钩子商品有三个参考方向：

平台渗透率高、高频、刚需、低单价的商品，如零食、家居、日用品等；

高客单价的单品现金补贴，如手机、金饰的直降或立减；

明星同款、爆款网红款等。

除了直接做转化外，钩子产品也可以结合秒杀、团购等营销手段来引流、促转化。

如下图所示，就将京东卡、沃尔玛购物卡、视频平台月卡作为了钩子商品。

3.6.1.2-3.新品预售

新品预售是最近很火的一个营销手段，其创造的“尾款人”一词直接冲上了网络热词榜。

新品本身会带来一定的关注度，而预售也刚好能为新品造势，再配以“限时”的 deadline 和“限量”的优惠、赠品，更好地营造了饥饿营销氛围；而且预付定金的方式也可以提前锁定客户，同时极大地提升了最终成交概率。

下图所示的品牌预售图，便做了“限时”策略，同时还辅以红底白字的特惠金额来提升购买转化。

3.6.1.3提升客单价

提升客单价，即顾客平均购买商品的金额，也就是让用户花更多钱，剁手得更猛烈。这时需要用户要么为更贵的商品买单，或者为更多的商品买单。

为更贵的商品买单：通过提升某个商品的单价来提升客单价非常困难，因为人们天然会对单品价值有一个心理门槛，高单价会直接造成转化率下降。

为更多的商品买单：通过套餐打包、满减/凑单、通用券等三个技巧，能降低人们的心理门槛，提升客单价。

3.6.1.3-1.产品套餐

将多个产品打包后的价格确实比这些产品的单价之和要低，但利润却是最高的。套餐设置通常有两种方式。

根据单品的成本和利润来设置产品组合

通常是高频低利润的产品占少数，用其带动曝光和引流；低频高利润的产品占多数，用其来赚取利润。

如洗衣液这样的产品，通常有大瓶装和小袋装。大瓶装的容量很大，1~2 升起步估计可以用上好几个月，价格自然也很高；小袋装的容量小很多，价格自然也很小。所以很多洗衣液产品会将 3~5 个小袋装（同时营销上改为补充液之类话术）与 1 个大瓶装作为套餐。整体套餐的总价格肯定低于单买这些所有的价格，但是利润大概率是比之前高的。

类似的例子还有电动牙刷+5 只刷头、大型商超里面的各种量贩装（如 6 瓶装的酱油），以及 70、80 后最熟悉的套餐——旺旺大礼包。

将热销单品通过搭配的方式组合为套餐

我们经常会组一些护肤类套组，如爽肤水、润肤乳、润肤霜、面膜，既减少顾客的选择时间，也提高了客单价。我们设计商品组合时，组合价一般要比单品叠加的价格要低一些，以此形成对比，来吸引用户下单。

3.6.1.3-2.满减、凑单

通过满减活动档位设置，吸引顾客为达到“满减”进行凑单，从而提高客单价。《17 | 留存：如何通过数据、社交、内容手段提升用户留存？》中提过：平台会通过“凑单立减”的方式引导你，从而提高客单价，如再购 80 元可免邮费，或再购 50 元满 150 减 30 等。“第二杯半价”听上去非常吸引人，但实际只是打了 75 折而已。对于用户，确实是买得越多、单品单价越便宜；但对于产品，却是买得越多、利润越高。

3.6.1.3-3.通用券门槛设置

通过设置通用券门槛，可以有效提升平台、品类、品牌的客单价。思路也很简单，假设目标是期望平台客单价从 50 元增长到 60 元，那么我们给予用户一张 5 元通用券即可，并将门槛定为 60 元可用，这时客单价必然会有一定增长。

那么通用券门槛到底应该设置为多少呢？这就需要参考平台商品价格结构了，并通过测试用户对通用券面额及门槛的敏感度、接受度等因素来综合制定。

通用券的门槛通常包括有效期、品类限制、消费限制等，这些设置除了运营成本的考量外，仍需要进行 A/B 测试来找出最能引起用户注意力的组合，真正起到“钩子”的作用。

常见的测试方式有两种：

一是有效期、品类和消费限制等单独设置不同的值，分客群做小流量验证即可，注意这里其实是有一定成本投入的；

二是将这些限制设置不同的组合，分客群做小流量验证，这种方式可以快速找出最合理的门槛组合参数。

这种做法在统计学上叫正交试验法，如果通用券门槛有三个限制（也就是三个指标，分别是有效期、品类限制、消费限制），每个限制也有三个值（如有效期有 5 天、7 天、30 天，品类限制有数码、美妆、家用，消费限制有满 50 元、满 100 元、满 500 元）。那么完整测试需要做 3×3×3=27 次，费时费力费钱；但正交试验法只需 9 次测试，即可找出最合理的组合。

关于正交试验法我不再更多讲解，若你感兴趣可查阅相关更多资料《最简单的正交试验教程，一次性搞懂它！》

3.6.1.4提升复购率

提升用户的复购次数，既能提升营收 GMV，同时也是提升客单价的重要手段。较为常见的手段是通过消费返券的方式来刺激用户复购，其本质也还是利益驱动。

这里分享一个典型的促复购案例。2020 年由于疫情影响，整个 Q1 的平台消费进入了低谷。为了刺激消费、复购，我们做了一个“消费累计达标即有奖”的活动，活动方案的关键有以下三点。

在一个月内消费累计达标即有奖励。设置为一个月，是因为通过统计发现单月内 95% 用户只产生一次交易，同时其中 80% 客群当月的活跃天数不足 3 天。所以设置为一个月的累计消费达标，既可以提升用户的复购，也能提升用户的月活跃天数。

设置两个达标门槛及对应奖品。消费满 1000 元送 100 元旅游基金；消费满 10000 元送 2020 元旅游基金。低门槛的奖励能促使更多用户参与，高门槛的奖励能促进大额消费。

需报名才能参与活动。因为报名机制可以促使用户详细了解活动形式，以便于更好参与；更重要的是，报名能够有效控制活动成本。

有以下几点需要明确注明，否则容易引起用户误解。

关于活动周期：需向用户明确活动截止的时间，精确到分秒。

关于商品范围：任意商品均可参与活动，还是必须购买指定商品。

关于消费金额：按照实际付款金额，还是使用优惠券前的金额即可。

关于退货：退货商品能否参与金额总计，以及退货不能发生在什么时间范围。

虽然很多活动会注明“活动方拥有最终解释权”，但我们依旧需要将规则明确到最细，将活动透明化、规则有序化。

最终我们实现了两个目标：用户的复购次数从 3.2 次提升至 6.6 次，平台 GMV 冲到了第一个峰值。

3.6.2小结与预告

你会发现这些营销方法要么需要利用抖音等新媒体渠道，要么需要向第三方平台中投放大量的广告，不言而喻这些营销成本会非常高。那么有没有成本更低、触达更快的高性价方式呢？

可能是复购率定义有些分歧？我理解是复购人数/总人数，举例 100样本50购1次，其中10复购1次，单均价1，这样转化50%，复购10%，GMV=50+10=60=100（50%+10%）1，若是转化复购就成了GMV=10050%10%1=5。
讲师回复： 是，复购率确实并无统一定义。刚我又捞了一遍全网关于复购率的定义，确实并无统一标准，你和我的都正确，并且也都有具体的应用场景。

3.7传播：打造千万级私域运营体系

《2019 年私域电商报告》显示，阿里京东传统电商获客成本居高不下，流量价格攀升，中长尾商家生存越发艰难。于是，电商卖家纷纷把目光投向了“一次努力，终身免费”的私域流量池！

2020 年初由于疫情的发生，更是加速了各大品牌和线下传统零售企业布局私域流量的进程。私域流量这么火，主要有以下三个原因。

私域流量可以直接触达用户：通过微信可与用户建立长期联系，用户数据可追踪、可控。

私域流量是围绕“人” 运营：以用户为核心，通过精细化运营，提升用户活跃度及黏性。

私域流量可重复使用：建立私域用户池，品牌可免费使用，且不限次地触达消费者，提升复购率。

私域流量，是指企业自有的、可免费使用、可反复触达的用户流量池，我们先对比一下公域流量和私域流量。

公域流量：如天猫、淘宝、京东、抖音等中心化的平台流量，品牌和企业如果要使用这些流量，是需要付费购买的。

私域流量：如公众号、微信号、微信群、企业微信等去中心的流量是企业自身拥有的，品牌和企业是可以免费进行二次以上链接，并触达的。私域流量和域名、商标、商誉一样属于企业私有的数字化资产。

那么 2021 年，作为在夹缝中艰难生存的品牌和企业，应该如何布局“可免费获取、可免费使用，能持续转化”的品牌私域流量池。接下来，我将向你讲解如何构建私域流量运营模型。

3.7.1构建私域流量运营模型方法论

私域流量并不是上来就直接开始引流、裂变、分销，而是需要先了解你的企业，以及你的产品是否适合做私域流量，然后再明确企业私域流量的定位。当你确定了私域流量的定位，也就确定了私域流量运营的方向和模型。

那么如何构建私域流量运营模型呢？我总结了“定位-引流-运营-转化”四个层面的运营方法论。

3.7.1.1.明确定位，结合用户需求反馈，构建私域流量“引流-运营-转化”模型

通过对品牌、产品、用户的分析调研，在精准定位私域流量方向及目标用户后，构建一个适合企业的私域流量一体化运营模型。

3.7.1.2.寻找优势，根据产品特征属性和渠道资源，设计裂变引流模型

培养裂变增长的思维，设计一条长期稳定的闭环增长模型：

第一步，设计一个引流诱饵；

第二步，梳理用户购物旅程，寻找引流关键触点；

第三步，用户查看包裹卡的每一个环节，都植入一个用户引流/分享裂变的诱饵；

第四步，打造个人号 IP/内容，提高留存和转化。

3.7.1.3.精细运营，建立 VIP 用户运营服务思维，培养品牌超级 KOC 用户

不盲目扩张或追求所谓的流量，而是沉住气用精细化运营的思维建立高价值用户，用 VIP 服务思维培养超级用户，为他们提供更好的产品和服务。

3.7.1.4.成交转化，通过产品细分和系列运营活动，构建精细化成交模型

在项目起步阶段，细分引流型、促销型、利润型和分销型产品及价格，通过尝试不同的转化方式，并快速升级迭代，最终形成一个以“精细化运营&培养超级用户”为导向的成交转化模型。

下面，我就围绕一个男性内衣品牌，将其拆解为 4 个案例，分别说明这四点的具体打法。

3.7.2案例 1 从定位出发，构建私域流量运营模型

针对第一步“明确定位”，我们看看这个男性内衣品牌是如何用三步从自身的定位和营销目的出发，来打造私域流量模型的。

3.7.2.1.如何判断是否合适搭建私域流量？

做私域流量前，都需要问问自己是否适合做私域流量，可以从“品牌文化、用户认知、产品体系、渠道资源”四个维度来做分析。

下面以这个男性内衣品牌为例进行分析。

品牌文化维度：我们品牌表达的是亲密文化，产品是女生买给男生的亲密礼物，产品具有天然的内容传播和社交属性，而以微信为代表的私域流量天生就是良好的社交传播场景。

用户认知维度：不管是购买者（女生），还是使用者（男生），对品牌和产品都非常认可，从产品评价内容可以得出此结论，再者女生群体喜欢买买买的特性，也给品牌提供了做私域流量的天然属性。

产品价格维度：虽然主打中高客单的男士礼物，但后面经过调研又陆续开发了定制类、情侣款、高性价比的日常款等延伸类产品，以提升复购率。

渠道资源维度：电商品牌具有天然、稳定的流量渠道，而我们要做的就是把这些购买用户引流到微信私域。

3.7.2.2.所谓的“定位”，其实就是让你在目标客户的心智中变得与众不同。

通俗一点的话就是，给自己打一个标签，让你的用户一眼就知道“你是谁？你能给我带来什么服务或价值？”

首先，明确你的用户是谁？虽然我们的产品是男士内衣，但 75% 的用户是 18岁～28岁的年轻女生群体。她们有一定的消费能力，并且有为男朋友送上一份珍贵的亲密礼物，来表达感情的需求。

其次，她们有哪些需求还未被满足？我们通过问卷调查和电话访问，得知这部分用户复购的需求是：希望可以买到一些情侣款，以及价格更亲民化的日常系列产品。

最后，我们应该如何满足她们的需求？综合以上我们得出：在私域流量内应该卖性价比高的日常系列，以及更有情趣化的情侣款产品，比如：星座主题、生肖主题等，来满足这些女性用户的复购需求。

通过上述分析，我们将这个男性内衣品牌在私域流量中定位为情侣亲密生活平台，人设为情侣的亲密贴身管家，为情侣提供量身定制的亲密礼物，以及情侣居家好物推荐。

3.7.2.3.从定位和目的出发，搭建适合企业的私域流量运营模型

作为一家电商品牌，在搭建私域流量时，会经常遇到这个问题：是将用户引到小程序商城成交？还是到天猫店铺成交？通常我们会选择后者，以此获取天猫更高的流量权重分配，便于增加复购、提升销量。

如上图所示，我们围绕着“情侣亲密生活平台”的定位和“情侣定制化服务及好物推荐”的业务方向，最终形成“电商/站外引流裂变 → IP 人设运营 → 超级用户运营 → 天猫复购成交”这样一个稳定、高效的电商私域流量运营模型。

3.7.3案例 2 从渠道和触点出发，如何设计私域流量运营模型？

大多数电商卖家，做包裹卡引流方案时都比较简单、随意。而你在设计包裹卡引流方案时，则要有裂变增长的思维，设计出一条长期稳定的闭环增长模型：

第一步，设计一个引流诱饵；

第二步，梳理用户购物旅程，寻找引流关键触点；

第三步，用户查看包裹卡的每一个环节，都植入一个用户引流/分享裂变的诱饵；

第四步，打造个人号 IP/内容，提高留存和转化。

3.7.3.1.用户不会拒绝什么样的引流诱饵？

说到包裹卡，大部分人的第一反应就是“加微信-好评-领红包”。而作为这样一家内衣品牌，并不适合用好评返现的方式，引导顾客添加微信。毕竟用户不希望在送男朋友的礼物中，放一张带有推广性质的好评返现卡，破坏送礼的仪式感。

于是我们基于小程序，设计了一个可以提升送礼人和收礼人“仪式感”的诱饵产品，这里把它叫“礼物卡”：

一张精美的礼物卡，顾客下单后既愿意写，收礼方也更愿意查看，而且可以高效触达送礼人（女生）和收礼人（男生）。只要可以触达用户，就有机会将购买用户引流到私域。

3.7.3.2.如何通过 3 个触点，提升私域引流的加粉率？

我们通过模拟用户购物旅程可知，触达用户的关键机会点依然是商品详情页、旺旺客服端和快递包裹卡这 3 个触点。我们一步步拆解这 3 个触点，看如何提升引流转化率。

商品详情页

在电商引流一定要遵守平台规则，不能出现“微信、公众号、小程序”等敏感字。基于这一点，我们在商品详情页这一触点，用图片的形式，让用户知道这件事是她必须要做的，同时引导她咨询客服获取。

旺旺客服端

旺旺客服引流到微信的概率是非常高的，经过多次的升级迭代优化，我们做到了 100 个顾客支付购买，就有 80 个人咨询客服获取并填写礼物卡，也就是说到礼物卡小程序的引流率达到80%。在遵守平台规则的前提下，暗示用户添加微信，比如“微信、小程序、公众号”等敏感文字用相对应的多音字代替，或者在海报上可以用相对应的 logo 代替。

快递包裹卡

遵循 “拆、拿、扫、读、邀”的思路；首先，设计一个吸睛的包裹卡，才会有兴趣拿起来看。你的利益是否到位，决定了用户愿不愿意扫码关注公众号或添加微信。读完包裹卡的内容或在微信内领取了奖励，我们可以设置下一个因子引导用户分享，带来新的流量增长。

用户从搜索品牌关键词到最终成交的流程中，每往下多走一步的需求都是不一样的，走向一定是逐渐减少的。因此我们要做的是，根据用户的不同阶段需求，设计不同的引流诱饵，从而在可以触达用户的机会点，不断优化提升引流率。

3.7.3.3.如何设计一个闭环式裂变增长模型？

前面我们已经知道，电商如何设计引流诱饵以及如何在关键触点提高引流率。那么如何设计一个可以循环裂变的引流玩法呢？下面分享一下，我们是怎么设计“小程序+公众号+个人号”的裂变引流玩法的。那就是用 1 张礼物卡构建 20W 的私域流量池。我们将诱饵产品（包裹卡）设计成一个情话小程序，来满足女生送礼的仪式感和表达情感的需求。

具体玩法路径是这样的，如下图所示：通过旺旺客服端获取情话小程序，女生在小程序为男生填写一段情话，男生收到礼物卡扫码查看；为了让情侣之间可以互动，提高活跃留存，在男生看完情话后，弹窗提示写一封简短的回信给最爱的她；并与她绑定亲密关系，对方收到回信并确认与你绑定亲密关系。

基于绑定情侣亲密关系这一点，我们又设计了会员成长/任务体系的功能，用于培养超级用户以及产生裂变：绑定关系/每日签到/邀请闺蜜/亲密排行榜等，每完成一项增加对应的积分，积分越高，感情越深，从而权益越高。当用户添加微信的时候，引导用户长期到小程序签到领积分，并引导分享好友产生裂变。

于是这种“情感互动式裂变增长”的电商引流玩法，做到了 1:1.3 的裂变效果，也就是说 100 人填写情话小程序，还会裂变新增 130 人。在整个引流的关键触点，我们都放添加了微信号的诱饵，最终从天猫引流到个人号，做到了 35%+ 的引流率。

3.7.4案例 3 从精细化运营出发，如何构建私域流量运营模型？

3.7.4.1.如何定义超级用户？

我们主要用以下两个指标来定义和衡量“超级用户”：

活跃度，指用户对经常登陆小程序以及在朋友圈、社群高频互动，口径为每自然周用户登录小城区的次数，以及在社群内的活跃程度；

转化率，就是用户付费购买产品和服务，主要是看频次和金额。

当用户的活跃度、转化率中的频次和金额都进入全量用户的 30% 时，我们就会为这些用户打上超级用户的标签，并且拉他们进入新的社群，进行一对一服务。

超级用户符合“二八定律”，即 20% 的超级用户为企业创造 80% 的价值。 罗振宇说“他们是活生生的具体的用户，他们是你的衣食父母”；除了拥有“爸爸”的身份外，他们还有另外一个称呼，那就是“死忠粉”。

只要有活动或新品上线，他们会冲在第一线、第一时间参加活动或购买新品，甚至会介绍给身边的好友，正是这些“爸爸们+死忠粉”养活了我们。

因此，不管是电商品牌还是其他企业运营私域流量，不应该盲目扩张或追求所谓的流量，而是沉住气用精细化运营的思维建立高价值用户，用 VIP 服务思维培养超级用户，为他们提供更好的产品和服务。

3.7.4.2.如何培养品牌超级用户？

基于“活跃度”这一指标，培养超级用户的过程中，一定要让用户有仪式感、信任感、参与感和价值感。基于这一思路，我们在初始运营阶段建立了 3 个超级用户群。

打造仪式感。 当用户首次加你好友以及进群时，欢迎语要重视起来。不要一上来就推销产品给用户发优惠券，而是让用户成为“上帝”，告诉她在你这里可以获得什么。快速锁定并邀请升级会员，然后进行标签分层分群，针对性运营。

信任感：打造 IP 人设。 拉进品牌与用户之间的距离，快速获取用户信任。我们根据用户喜欢的人设形象，打造了一个暖心小姐姐的人设形象与用户成为朋友，来运营用户信任关系，让他们知道在我这里可以获得更好的产品或服务。

参与感：用户与品牌共建内容。 打造情侣专栏内容，建立有效的奖励机制，激励用户分享情侣故事并投稿公众号专栏或分享到微淘。社群活动共建，打造“亲密故事计划，情人节晚安短信计划，首席品牌体验官”系列品牌 IP 活动，让用户参与其中，感受品牌温度。

价值感：打造会员成长体系。 设计相应的会员权益：折扣优惠，专属商品，生日礼物，分销特权，赋能活动等；在会员社群内，打造系列会员专属活动，赋能用户共同成长，定期邀请会员加入学习计划，品牌与用户一起共创美好生活。

3.7.5案例 4 从成交转化，如何搭建私域流量运营模型？

3.7.5.1.用培养超级用户的思维搭建私域流量成交转化模型

在做任何营销活动或策略之前，先收集到用户的反馈和需求，然后再做成交转化，这样才能事半功倍。比如收集：他们是否愿意加微信？是否愿意在微信购买？他们更希望购买哪些产品？能接受哪个区间的价格？希望可以提供哪些价值服务？

产品和价格策略上，因为我们的产品具有礼品属性，属性上已经降低了复购率。因此我们根据用户反馈和需求，在私域流量内主打的产品主要是日常和情侣系列，价格上的策略更亲民优惠。

营销策略方法上，我们不断尝试不同的成交转化方式，比如公众号软文营销、一对一私聊推荐、朋友圈发剧本、快闪群发售，甚至还做了团长分销裂变的模式。其中一对一推荐、朋友圈发剧本、快闪群发售的转化数据表现是最高的。尤其朋友圈发剧本+快闪群发售的模式，我们平均每场活动，可以做到 50%+ 的支付转化。

朋友圈发剧本，意为通过持续在朋友圈形成浪潮式的一波接一波的传播，就像点数据剧本一样环环相扣，持续吸引流量。一般而言，朋友圈剧本包括 6 个部分：打造产品稀缺性、提升产品价值感、吸引客户关注度、拉近客户信任度、烘托热购强氛围、刺激快速购买欲。

通过不断地尝试、复盘总结、升级迭代，最终形成一个以精细化运营 & 培养超级用户为导向的成交转化模型。

3.7.5.2.“一对一私聊”式的成交转化模型

加粉交流： 首次交流，很多用户是来领取福利的，不要一上来就推销，更不要给他发福利。重点强调特权和后续复购的福利，让用户知道在你这里以后有利益可图，以此提高留存和后续转化。

绑定关系： 锁住用户，强调用户的特权，提升复购。用户添加微信后，第一时间邀请免费加入会员并登记资料标签分层：姓名、电话、订单号、金额等，并明确会员特权，包括折扣优惠、专属商品、生日礼物、分销特权等，最后告诉用户收到货后还有福利领取，让其找你领取。

回访关怀： 当用户回来领取奖品的时候，交流的过程中强化 VIP 特权，及时让他了解到后续可能会消费的产品，邀请用户参加第一次的 VIP 活动，培养消费习惯。

复购升级： 强化内衣是 3 个月要更换一次的，推荐订阅季度/年度套餐。同时，当每周的 VIP 活动上线，主动出击邀请用户参加；不断强化会员特权，推动成为超级用户分享赚钱。

3.7.5.3.浪潮式的快闪群发售转化成交模型

打造朋友圈活动剧本，进行宣发造势。 发第一条朋友圈时，快速引起用户关注尤其重要。我们常用提问的方式发朋友圈，充分调动用户的好奇心和期待感，并引导点赞评论投票，收集用户反馈。并及时给这些用户打标签，活动上线后第一时间邀请这些用户进群，在群里主推评论最多的商品。

比如“有奖提问来啦来啦，上一期做的活动有 xxx 人参加，xxx 获得了免单，xxx 人以 xxx 价格购买了 xx 产品。这一次我们准备在 3.7 女神节，为宝宝们送下面几个福利，大家想要哪几些福利？”追评：欢迎留言投票，宝宝们快来参加投票啊！评论最多的有 xx 礼品！

精准邀约用户进快闪群，精准锁定意向顾客。 发布公告和红包，安排水军刷屏，让用户明确活动时间和奖品。前面我们通过朋友圈预热造势，对活动有兴趣（点赞/评论/私聊）的用户已经进行标签分层了。因此我们活动上线时，第一时间邀请这些用户进群，并有规律地发布朋友圈，邀请当天对活动有兴趣的用户进群。

开放产品链接，限时限量发售，瞬间引爆活动。 通过私聊、票圈、追评点赞等方式，确保上线把产品链接和活动信息，通知到每一个已经报名参加活动的用户。同时告知用户，限量 100 套，抢完即止，不再补货！开售后，在群里安排水军有计划地发布订单截图，并发布对活动和产品的好评推荐，吸引顾客下单。

3.7.6小结与预告

传播是对已经产生商业价值的用户，进一步获取其社交关系链以便进行二次传播。

通过裂变、私域流量等形式来运营用户的社交关系，以便完成后续的获客、活跃和留存；同时，借助传播，通过用户将产品的品牌、调性、口碑等特征也一并向更宽范围传播，扩大产品的品牌价值和影响力。基于这样的用户社交关系，我们能建立两大类运营体系：私域流量和社交裂变。

今天，私域流量的四步曲“定位-引流-运营-转化”就完整地带大家拆解了一遍。私域流量的运营具备非常强的个性化，需要你结合自身产品和运营，制定属于自己的千万级私域流量运营体系。

那么关于“社交裂变”你有什么见解和认识呢？很多同学会把“裂变”和“增长”混淆，以为做了裂变就是用户增长，那么它们之间到底有什么区别呢？

3.8传播：指定百万级裂变传播策略

很多小伙伴会觉得用户裂变增长就是做拉新活动、做品牌传播曝光，但其实这些都只是裂变增长中的一个小环节而已。裂变增长的核心其实是聚焦长周期的拉新 + 提升用户 LTV（用户终身价值），这才符合产品的商业逻辑。

对于裂变增长的定义，可以这样理解：以终为始，利用一切资源让更多用户更高频地使用核心产品功能。

• 更多：新用户的数量更多，即我们常说的用户拉新。
• 更高频：提升用户的访问频次/访问时长，即我们常说的日活/月活。
• 核心产品功能：这也是产品对用户的价值所在，如果单纯获取大量的用户，但没有体验到核心产品功能，这样对产品也是没有意义的。

3.8.1裂变增长的 4 种类型

一般分为漏斗型增长、功能型增长、策略型增长、整合型增长，下面我们分别介绍一下。

3.8.1.1.漏斗型裂变增长

漏斗型裂变增长，就是我们常说的流程优化，例如注册-登录-下单转化，将每个流程的转化率提高，同时降低用户流失以达到增长的目的。

3.8.1.2.功能型裂变增长

基于产品增加的功能型活动，如邀请有礼、助力免费拿等。这些活动基本都是每个产品的标配，所以用户对同类活动的敏感度也会下降。现在很多产品都需要组合矩阵的功能型增长，而不只是依靠单一功能就能带来增长。我们熟悉的“产品运营”岗，其主要工作就是功能型裂变增长。

3.8.1.3.策略型裂变增长

针对不同类型的用户分群和用户状态，制定不同的增长策略。策略型主要通过各种运营活动来发挥作用的，例如我们熟知的红包策略就是典型的策略型裂变增长。在红包策略的运营中，包括了诸如后台实时调整红包的金额、中奖概率、红包有效期等来达到裂变增长的效果。

3.8.1.4.整合型裂变增长

指不单纯是线上互联网的产品，通过线上和线下的业务融合，提升用户的整合体验，获得增长。

在产品运营中，功能型和策略型的裂变增长比较常用，产品运营、用户运营、内容运营、活动运营等都是属于这两种类型。

3.8.2裂变增长模型的 3 个元素和 1 个目标

其实很多裂变模型的表层看起来是一样的，但通过每个细节的效率优化，最终的效果也会有很大差异。基于过去做裂变的项目经验，整个裂变的玩法设计可以概括为 3 个元素和 1 个目标，其中 3 个元素指的是诱饵、包装、载体，1个目标指的是业务目标。

3.8.2.1诱饵

在现有资源的前提条件下，需要根据用户调研筛选符合目标群体的奖励，也相当于玩法设计中的钩子。核心关键：获客成本控制、目标人群吸引力。

3.8.2.2包装

需要结合用户场景，品牌势能等，相当于玩法设计的外壳。核心关键：节日氛围、产品调性。

3.8.2.3载体

根据不同产品对应的活动流程，玩法形式而决定的，也是我们经常说的玩法，比如拼团、砍价、抽奖、小程序/H5 等等，相当于玩法的内核。核心关键：流程顺畅度、玩法耐受度。

上面 3 个元素最终都是为了达成我们的业务目标，其中分为主目标和次目标。

举个例子，比如金融行业的拉新玩法。

诱饵侧：很多都是以现金红包，话费等形式（与钱相关），同时比较有普适性。

包装侧：结合用户日常使用产品的场景，加入像摇钱树，印钞机等游戏化的玩法。

载体侧：一般是站内以 App 的 H5 形式，站外以小程序/H5 的形式传播，大多为邀请有礼的玩法。

最终的主目标：开户、入金、促活等。

在负责设计一个裂变模型或策划裂变活动时，我们可以基于业务目标，再回顾一下诱饵、包装、载体是否都考虑到位。如果有一个环节是有问题的，那么活动效果就会大打折扣。

之所以称其为“模型”，就是因为它非常标准，符合多数裂变增长活动的基本逻辑，覆盖、包含多数裂变增长活动的要素。那么裂变增长活动都是如何进行的呢？接下来，我将向你介绍裂变增长的 6 类打法，同时也是六大类活动案例，让你看看模型中的 3 元素 + 1 目标 是如何在活动中实现的。

3.8.3裂变增长的 6 类打法

基于目前主流产品的裂变打法，为你提炼了 6 类裂变增长打法及其活动案例。

3.8.3.1.降低分享门槛，让用户分享行为更易发生

一般会应用在邀请类的玩法中，常见形式有以下 3 种。

利他性：引导给好友发福利，而不是消耗自己的人脉资源，让好友为自己助力。

额外奖励引导：首次分享就可以获得更多奖励，让用户迈出第一步。

损失厌恶引导：离提现还差一点点了，再分享一下就可以了。

3.8.3.2.对不同文案、页面设计、流程进行 A/B 测试，迭代出最优

一般常见的可配置内容，会有分享话术/海报、分享按钮文案、关键页面流程。如果涉及奖励的话，不同用户会看到不同版本的奖励，并测试其对应的分享率、裂变率、完成率。


【相关经验】 即使无法做到多个版本同时 A/B 测试，至少可提前在开发时设置好可配置的内容，上线时随时调整修改。

这里提到了 A/B 测试，那我就对最近的热点“大数据杀熟”稍展开一点。

【大数据杀熟】

大数据杀熟，其实以提升产品营收为目的，通过对用户画像及其数据分析，来找出消费能力、指标贡献，以及对价格不敏感的用户群体，然后再设计具体的“杀熟”策略，例如价格上浮一定比例等。但并不能确定这部分客群是否会对“杀熟”策略能做出应有的响应，故仍然通过 A/B 测试来验证多种“杀熟”策略，找出响应率最高的策略组合，然后再逐步扩流量。

3.8.3.3.实时反馈用户行为，引导用户继续更多操作

这个细节的优化可能会给活动带来翻倍的效率提升，一般会有以下 3 种形式。

实时奖励：分销活动中常用的实时到账，促进用户再次分享传播，赚取更多佣金。

进度通知：通过公众号/App/小程序等反馈实时进度，提醒用户再次传播。

操作提示：用户完成分享行为时，再展示小提示引导去通知好友，可促进邀请；或引导用户下一步的操作。

【相关经验】 如果是发放现金红包奖励，可通过微信直接打钱至用户的零钱，让用户获得奖励的实时反馈（如最近 618 京东叠蛋糕活动，邀请第 1 个队友就有微信实时到账奖励）；反之，利用好微信退款也可通过微信支付召回用户，如拼多多的 1 分钱抽奖、生鲜平台缺少克数退款提醒等。

3.8.3.4.用户完成特定动作后，立刻进行下一步引导，提高活动转化率

不同路径再次引导：用户转发分享完，再次引导用户分享朋友圈，成功率会更高。

赠送奖励再次激活：用户未获得奖励时，再提供小奖励，促进用户再次参与活动。

挽留弹窗：用户返回按钮时，触发弹窗，引导用户留下，一般会有利益点刺激用户。

【相关经验】 通过加入挽留弹窗可提升 20%~50% 的转化率；技术开发可在用户点击某个按钮，或回到活动页面时触发即可。

今年小程序的“服务通知推送”需要用户勾选“同意”才可发送，因此通过动图提示，可引导用户双勾选方便后续推送消息。

3.8.3.5.采用多变、不同的奖励方式，提升诱饵吸引力，促进用户传播

我们会看到很多红包活动的形式差不多，但它们的获客成本、传播效果却差别很大。因为其细节差异决定了最后效果的好坏，因此我提炼了以下几种类型的奖励方式与你分享。

随机奖励：给出区间值或随机金额，引导用户完成任务领取。如上面左图上的红包文案为0.5~5 元，实际上完成任务时都是发放 0.5~0.6 元的。因为 5 元的最高上限会让用户觉得自己可能会领到大红包，于是分享动力就更足了。以此达到用最高的确定值吸引用户传播，用最低限度的奖励金控制获客成本的目的。

阶梯奖励：邀请到的人数不同，得到的奖励也就不同。这对发挥头部 KOL 拉新的效果比较好，通过额外的刺激可将整体活动传播量提升 2~3 倍，但对于每个拉新的获客成本均摊下来是差不多的，一般邀请类的活动都会采用这种阶梯式的奖励。

惊喜奖励：用户完成特定动作时触发，激励用户完成更多任务。一般会作为活动中的隐藏支线，促使部分用户下单或分享传播，甚至能完成更多业务目标。

必得与随机奖励：低门槛积分可参加抽奖，高门槛积分则可直接兑换固定奖励。

【经验分享】 对目前常见的抽奖类活动，很多用户都已免疫了。因为感觉随机抽基本都抽不中自己，所以对用户吸引力并不大。对于抽奖类玩法，或者说是“随机”型的活动，建议可以加入“必得”的活动奖励，给用户确定感，更有利用户完成活动任务。 如支付宝转转卡，其实设置了两档的奖励：第一档，可通过较少的转转卡就可以抽奖去中大奖；第二档，可通过较多的固定数量的转转卡，直接领一个红包。

另外对于红包/数值奖励类活动，在文案包装上，建议都可用区间值或最高金额值。如展示的文案为可得 0.5~10 元，可得最高 88 元等，具体奖励给用户的金额是可以根据活动传播情况和获客成本情况随时调控，从而控制整体活动的效果。

好的裂变活动都是需要具备可迭代和调控的配置，通过不断测试、调整，才有可能增加成功概率。

3.8.3.6.通过动效设计与用户更多交流，push 用户行为

刚刚我们讲解的多是策略方面，除了大方向外，小细节也是 push 用户动作的关键。智能端的人机交互方式，极大地拉近了我们与用户间的距离，给予我们更多与用户交流、传达运营信息的机会。这便是 UI 设计诞生的基础，更是互联网传播，相比传统媒介传播方式最大的先进之处。

那么我们应该如何利用好这样的特性，来改进我们的运营设计呢？我来介绍以下四个动效设计。

从众引导：别人都已经拿到了，你还不赶紧参加？

获得感体验：金额动态增加，进度条伸长，离拿到奖励不远了。

加强引导：增加跳动元素，如图上的小手指，不断指向按钮，强引导用户去点击按钮。适用于单一路径的引导，比按钮缩放的动效更好。另外稍复杂的路径，则可通过动图的形式去教育用户如何操作，比纯文字的展示方式好很多。

音效反馈：如拼多多的金猪储蓄罐活动，每次收取金币时会听到金币掉进储蓄罐的声音，让用户有上瘾的游戏体验。在日常的活动比较少见，多在创意类 H5 中。

【相关经验】 合理运用动效设计，可在各环节提升 20%~30% 的转化率，一般必备的动效设计会有按钮缩放、从众跑马灯。

小结与预告
以上就是裂变增长玩法中 6 类设计细节的总结。随着各类规则的改变，做增长的小伙伴，都是需要保持对新玩法的敏锐触觉，未来也会挖掘和探索出更多新的技巧。

4.撰写数据分析报告

运用金字塔原理
数据分析报告，顾名思义是将产品运营过程中发生的各种故事合理地组织起来，合理的呈现出来。作为报告，自然是讲产品运营中发生的故事。根据故事发生的时间又可以分为总结型、决策型、规划型。
数据分析报告是根据数据分析原理和方法，运用数据来反映、研究和分析事物的现状、问题、原因、本质和规律，并得出结论，提出解决办法的一种分析应用文体。

但很多人在写数据分析报告时，往往更关注如何将报告做得更美观，如何做出漂亮的可视化图表、很炫的呈现效果等。但别人看你的数据分析报告时，往往更关注这个报告对他是否有价值？价值是什么？值得花多少时间去看这个报告？报告的结论是否有正确的数据支持？以及基于结论形成的方案又是否符合逻辑。

无论哪种报告，都必要求结构和逻辑的严谨，数据分析报告也不例外。但由于数据分析本身的强逻辑性，其报告的逻辑性要求更高。逻辑松散的数据分析报告结构模糊、内容零散，价值也就大打折扣了。

所以为了提升报告的逻辑性，我们用“金字塔原理”这个好工具。

4.1宇宙第一定律：金字塔原理

我承认这个标题有点夸大，但却又非常合适。因为在几乎所有的场景下都可以使用，无论是 1 页纸的产品版本规划，还是十几页的客群分析，或是几百页的产品运营战略规划，都非常适用。

说个大白话，金字塔原理就是帮助我们“想明白，说清楚”。我们熟知的头脑风暴和思维导图都是从金字塔原理中诞生的。

金字塔原理，顾名思义它的结构也就是上尖下宽的金字塔状，如下图所示，主要包括三个部分：中心思想、分论点、论据。

• 中心思想：指数据分析报告的主旨，一般围绕发现了什么问题、解决了什么问题，以及希望推进的方向等。
• 分论点：指由中心思想拆解出来的多个子内容，围绕中心思想进行细化阐述。
• 论据：指用来支撑分论点的数据或事实。

你会发现，金字塔原理的结构与指标体系的组成很类似。可以把北极星指标比作中心思想，伴随指标比作分论点，其他指标比作论据，你能发现两者的内在逻辑完全一样。而这种逻辑一致并不是偶然，我们思考、分析、解决问题时都需要这样的逻辑框架，帮助我们导向目标、结果。

基于上面这张金字塔原理的结构图，我们再深入一点探讨金字塔原理的三个核心要点，如下图所示：

• 结论先行。在整个金字塔的架构中，顶层的“中心思想”即代表了整个金字塔的最核心结论。这个结论，一般而言需要以最高优先级呈现出来，即所谓结论先行，同时用一句话或 20～30 字的一段话来表述即可，切忌冗长。
• 以上统下。每一层的内容均是对下一层的提炼、概括和总结；每一层的内容均是对上一层的拆解、细化和支撑。
• 归纳分组。所有的论据都遵循归纳分组原则，它是将一组具有共同点的事实、思想和观点归类分组，并概括其共同点或者结论的方式。比如要做一次客群分析，几个同类事实分别是：年龄分布、性别分布、活跃程度分布等。

为了能够高效地完成归纳分组，金字塔原理还提供了一个著名的工具：MECE 原则，即完全穷尽，相互独立，即无重复，无遗漏。同一分论点下的所有论据必须充分，不同分论点下的论据不能有重复、交叉的情况，如下图所示：

• 当我们自上往下看时，就会一直问“为什么”：为什么中心思想是这样？因为有分论点1、分论点 2 等；那么又为什么会有分论点 1 呢？因为有论据 1、论据 2 等；
• 当我们自下往上看时，就会一直问“所以呢”：因为有论据 1 和论据 2，所以才有分论点 1；因为有分论点 1、分论点 2，所以有这个中心思想。

这就是金字塔原理具备扎实逻辑的基础。

MECE 法则是提高数据分析报告质量的重要法则，这一点非常有价值。论点不重复，你就不用做无用功，提高思考效率；论点没遗漏，你的思维就严谨，滴水不漏，这样的数据分析报告才最有质量。

4.2将金字塔原理应用到数据分析报告

上文讨论了金字塔原理的核心理论和概念，下面我们来看看把金字塔原理应用到一份完整的数据分析报告上会变成什么样子。下图就是将金字塔原理应用在数据分析报告上的具体形态，从顶至下分别是起始页、主题、现状/方案/效果，其中“起始页”就是“中心思想”，“主题”就是“分论点”，“现状/方案/效果”就是“论据”。

4.2.1.题目：简洁明确

标题页需要写明数据分析报告的题目，最多两行完成，要求“直接、简洁、明确”并突出数据分析报告的制作团队。

4.2.2.起始页：结论先行

起始页非常重要，等同于金字塔原理的“中心思想”，必须满足“结论先行”的要求，所以按照先后顺序建议由以下几个部分组成：

报告的背景和目的。数据分析报告的背景和目的主要是为了让听众了解此项分析的主要原因、分析的意义，以及其他相关信息，以及让听众了解开展此次分析能带来何种效果，可以解决什么问题。

报告的主旨、或核心结论、解决方案、建议方向等，尽可能精炼，一句或一段话即可。

报告分析的产品或运营的业务周期，如“分析周期：2020 年 1 月～2020 年 6 月”。原因在于不同周期下的产品运营特征差异明显，需要非常清晰地描述出来。像“春节期间”就是模糊描述，应明确为“腊月二十五至正月初十”，因为春节前、春节中、春节后的数据表现一定不同。

报告中所使用数据的来源和量级，以及其他可能细化的说明。例如数据来自 XX 报表、XX 系统等，采集了分析周期内成功登录 App 的 5123.33 万用户，及其 76 个标准用户画像维度。

最后才是目录。目录并非必需，对于篇幅不长的数据分析报告，并不需要目录；对于内容厚重的报告，则需要列出目录，以帮助听众了解内容分布、内容篇幅。但目录也不要太过详细，一般列出一级目录即可。

4.2.3.正文：讲清楚思路、方案

正文部分其实包括每个论点和每个论据，也就是上图中的主题、现状、方案和效果这几部分。如果站在主题往下看，你会发现又是一个小金字塔。报告的正文包含所有数据分析事实和观点，并通过数据图表和相关的文字结合分析。

在正文中通常注意以下要点：

正文中的数据分析过程和结论务必要清晰和明确，尽量少地“陈述事实”，而要重墨在讲清楚“思路和方案”。

每个主题，或每个主题下更细小的子主题，也同样遵守“结论优先，且唯一”的原则。也就是在正文的分析过程中，也应当首先抛出结论，然后再阐述分析过程；同时不要发散，每个子主题就讲一件事。如果用 PPT 呈现的话，那么一般最多 2~3 页，不超过 5 页，讲明白一个很聚焦的结论或问题。

一图胜千言，字不如表，表不如图。尽量用图表或表格来呈现数据，因为图表或表格具备“自明性”，即仅看图表无须额外解释，就能获取图表所表达的内容。

4.2.4.结束页：总结、回顾核心内容

结束页也千万不要写“谢谢”之类的废话，建议将起始页中的报告主旨、核心结论、解决方案、建议方向完完整整地复制一份到结束页。因为经过几个小时的汇报，前面的细节内容已经遗忘的七七八八了，此时如果在结束页放一个孤零零的“谢谢”，毫无意义。

简而言之，就是应当将报告的核心内容再次呈现出来，一是再次为大家强化对报告内容的认知；二是给大家在汇报最后讨论一个参考，不然大家对着“谢谢”二字能讨论什么呢？

下面我们以一个非常规范、标准的数据分析报告作为案例，看看它是如何应用金字塔原理的。

4.3数据分析报告案例

这个是 QuestMobile 在 2020 年 7 月发布的互联网研究报告，通过大量数据来分析 2020 年上半年的互联网大环境，是非常典型的数据分析报告。我们按照起始页、正文、结束页这一顺序来逐一分析。

4.3.1.起始页

它的起始页有两页 PPT，分别是“本报告研究说明”和“报告核心观点”。

• 研究说明

如下图所示，研究说明包括分析的周期、数据来源及用到的分析方法。因为是半年度分析报告，所以时间周期非常重要，必须 highlight 出来。数据来源也为报告的权威性做了背书。

• 核心观点

如下图所示，由两个部分组成。首先是顶部的报告内容总结，虽然只有两行字，但要把将近 100 页报告浓缩和提炼，非常考验作者功力；其次是报告的 10 个子主题，也叫分论点，基本上我们无须看正文，就能知道这篇报告想要传达给我们哪些内容。

4.3.2.正文部分

然后就进入正文了，这么庞大的报告并没有采用目录，而是用一个非常巧妙的形式解决了这个问题。正文部分由 4 个分论点或子主题组成，我们详细拆解第 2 个部分来看看正文部分的借鉴之处。

首先，每个子模块也都遵循金字塔原则，下图是第 2 个部分的内容架构，很明显“2020 年上半年互联网经济核心洞察”作为这个部分中心思想，细化为 5 个子论点，这就是典型的金字塔架构。

其次，第 2 个部分依然遵循了“结论先行”的金字塔原理要求，只不过把结论直接打散到 5 个分论点或子主题中，因为这 5 个分论点的题目均是“描述性内容”，非常直白说出了每个子主题的核心要点；而每个子主题又接着从不同的角度来论述并支撑自身这一子主题。

所以，接下来我们以 2.2 为例，与你分享关于正文页设计和呈现的四项要点，如下图所示。

1）大标题不一定得精准描述，笼统概述即可

2.2 的小节封面，仅仅写了“生态流量的结构性变化”，这并不是描述性的表述，因为没有说结构性怎么变的，但不代表 2.2 没有结论。事实上，由于这份报告内容太过庞杂，2.2 的结论被拆分到接下来的 7 页 PPT 当中。如果我们发现在产品运营中的数据分析报告的论点或结论比较复杂，便可以尝试借鉴这样的方式。

2）小标题需要精准描述，并逻辑能够串联

结论被打散到 7 页 PPT 中，就对单页 PPT 的设计有了更高要求，在每页的标题上就必须呈现“描述性”的子结论。

要点 1：每页 PPT 的标题，用“描述性”文字说明当页的主要内容。下图所示的 2.2 的第 1 页，标题就是“随着京东、美团……流量格局”，而非“2.2.1 流量格局”之类的笼统概述。从笼统概述到精准描述这个转变并不容易，它需要你非常深入的主动思考，从而提炼出核心观点。

要点 2：每页 PPT 的标题都改为描述性的内容后，还需保证每页的标题能够顺畅连接。下图所示的就是 2.2 的 7 页 PPT 的标题，你会发现这 7 个标题的内容不仅连接顺畅，而且具备严格的逻辑：

① 是总述小程序是生态流量发生结构化变化的重要体现，既点明了 2.2 的“生态流量的结构性变化”，还为接下来的 6 页做了概括和铺垫；

②③④ 均是从小程序的角度出发，阐述发生了如何的变化；

⑤⑥ 从小程序的不同场景和分类来阐述变化的程度；

⑦ 从支付宝以及外部流量的角度阐述小程序变化的原因。

你会发现以上就是个从局部到具体、从程度描述到原因详解的一个逻辑过程，彼此之间无重复、无遗漏，符合刚刚所讲的 MECE 原则。

3）图表需将重点内容标明，并注明口径、数据来源

标题之外，图表也是重要组成部分之一。如下图所示，所有的论点都需要用图表来呈现，但是仅做一个折线图或柱状图是不够的，我们还需要进一步加工和提炼。

要点 1：必须在图表中标注出重点的内容。如左边的柱状图为了凸显微信小程序月活的增长幅度，做了三件事：一是淡化 2019 的历史数据，二是凸显 2020 的最新数据，三是标注了 +11.6% 的增长率；右图的“医疗服务”，增长 841%，也进行了明确标出。

要点 2：重要指标的口径必须明确说明，如最下面的月活跃净增用户规模。

要点 3：别忘记数据来源。

4）视觉排版采用栅格化设计，保障规范性

这个很有趣，为了保证文字、图表等元素的规范和统一，我们会引入“栅格化设计”。它能将页面垂直、并均匀地切分为多个区域。在 PowerPoint 或 KeyNote 中，用辅助线便能在母版中创建

我们在排版时，会将文本框、图表等的边缘与栅格对其，以保证视觉的统一，同样也能大幅降低我们调整文字、图表大小、位置的工作量。如下图所示，下图是一个 35 个单元的栅格化系统。其中正文左右各留空 1 个栅格，两个图表各自的宽度分别为 15 个栅格，且左右各留空 2 个栅格。

关于图标、视觉，除了以上要点，还有许多小技巧可以与你分享。

4.4彩蛋中的彩蛋：“三”种额外的小技巧

在报告制作过程中，我们经常纠结图形、字体、字号、色号的选择，并占用我们大量精力。为了避免这种情况，我这里向你分享“三”个小技巧，让你尽可能免受排版、颜色之类的烦扰。

4.4.1.报告最多 3 种颜色

数据分析报告最忌讳五颜六色，除了会让人眼花缭乱外，也会淹没重点的内容。绝大多数情况下，整份数据分析报告 3 种颜色就足够了，无论是十几页还是几百页的报告。

当然，这 3 种颜色的设置和作用也有严格要求。如下图所示，分为主要色、次要色和警示色：

主要色，为整个数据分析报告中主要呈现的色调，一般用在标题、高亮的内容等；

次要色，与主要色必须是同一色系，且为亮度较高或饱和度较低的颜色，一般用于正文、说明文字之类；

警示色，是主要色的反差色，一般用于需要特别提起注意或特别重点说明的文字。

在我的大部分报告中，一般用深蓝色作为主要色、浅蓝色作为次要色、红色作为警示色，特别适用于表格、架构图、图表中。

4.4.2.报告最多 3 种字体

字体也是非常令人头痛的地方，报告中往往有很多种字体，既加重阅读困难，也加重报告的制作成本。一般而言，整份数据分析报告的字体也不超过 3 种，如下图所示。

字体这里稍微有点要求，分为英文字体（包括数字）、中文字体、编程代码：

英文和数字，建议用 Arial，一般不用印刷字体中的衬线字体，如 Times News Roman；

中文字体，一般用黑体或苹方，严禁用宋体，严禁使用任何所有手写体，如仿宋、楷体等；

程序代码，一般用 Consolas 或 Courier，因为其是等宽字体，便于编码过程中的缩放对齐。

特别提醒，如果报告要商业化使用，例如数据分析报告需要付费购买，或者报告中的某些内容要在公共环境传播，请严禁使用微软雅黑。因为微软雅黑是商业字体，非免费字体，在商业化应用是要付费的，不然有侵权风险。除非你们公司购买了正版 Windows 操作系统，并且购买了微软雅黑的字体授权。

4.4.3.报告最多 3 种图表

图表也是大家非常头痛的地方，为了给一组数据做图，估计大家花费非常多的精力时间在选择图表上。事实上，绝大部分情况下，数据分析报告有 3 种图表就足够了，如下图所示。

基本上所有的数据都可以用折线图、柱状图来呈现，极个别特殊情况下再用饼状图、气泡图、散点图呈现。每个图表都有其适用的场景，下表总结了图表的 5 种适用场景。有兴趣的同学可以数数有几种图表。

4.5小结

讲了这么多，只有一个目的：数据分析报告是形式，其中的内容才是核心，形式是服务于核心的，千万不要为了形式而本末倒置。

这个彩蛋主要与你分享了金字塔原理，它将我们原本零散的思路串联，按照中心思想、分论点、论据的顺序，搭建成一个层次清晰、观点明确的立体思路架构。在金字塔原理中，我们还习得了 MECE 原则，保障我们的思路阐述过程无重复、无遗漏。

我介绍了许多大大小小的要点，有很多苦口婆心想要再次重复的。为避免啰唆，并按照刚讲的“图片至上”的原则，我将想强调的要点做成了词云，可供你回顾参考：

5.数据分析思维

只有倒闭的企业，没有倒闭的行业。数据分析好比英语和开车，是技能、工具。既然是技能和工具，它就不存在所谓前景，只关乎只有熟练与否、应用灵活与否。
越是基础的学科，生命力越强，适用面越广。就比如统计学，它是所有数据相关工作的理论基础。虽然几乎每个同学都学过统计学，可是为什么遇到实际问题时就无从下手呢？理论与实际，始终存在一个 gap，这就需要我们在工作和生活中进行深度的思考，去完成实践了。

数据分析思维在工作和在生活的应用

工作方法论

我们在职场常讲的竞争力，到底是啥？就是自己的工作方法论。所以这里给大家分享三个打造个人工作方法论的方法：

方法 1 不要落入无穷细节中，用数据记录工作

我经常给我的下属讲：虽然数据工作又多又杂，但是我希望你每个周五下午能有 2 个小时放空自己。从细枝末节中跳出来看，站在更高的角度，用上帝视角评估自己的工作，时刻用大局、整体、系统性的角度来安排和规划工作。

像我自己，平时不仅写周报，还写小时报。什么叫小时报呢？就是我以 1 小时为间隔，记录每天我工作上做了什么事。这个一点也不花时间，开完会回来花 30 秒记录下刚才开了什么会就行。这样实践几天，你回看时就会发现自己的时间水分是多大、时间的分配多不合理，你在接下来的工作中自然就会不自觉地进行调整。

这个方法，我已坚持了 6 年。

方法 2 多看，大量看行业动态和资讯

大量阅读，大量看，才有可能形成自己的知识结构和体系，才有可能提炼出自己的方法论。

还是回到我自己，我每天到办公室的前 1 个小时不做任何事，而是浏览前日互联网和数据分析的资讯和动态，早年我用 Google Reader 订阅，这几年用 Tuicool 订阅，基本上每天要看 100~200 篇资讯。

但并不是每篇文章我都仔细看完，“看”这个动作就分为“20% 的精读”和“80% 的概览”。精读的是数据分析、数据运营的内容，概览的互联网的杂事。看多了，就有了对比，自然仅看标题、出处、作者就相对准确地判断出这篇文章的质量优劣；并且看多了，也就量变发生了质变，能对某个行业、某个产品、某些热点，有了自己的认知和判断。

这个方法，我已坚持了 12 年。

方法 3 取百家之长，站在巨人肩膀上

这个专栏内的所有内容几乎都不是我发明或创造的。模块一的指标体系是全世界讲了十几年的东西，模块二的分析方法全部来自几百年前的统计学，模块三的 3A3R 是从 2A3R 海盗模型中演变的。

可为什么讲出来却没有搬运感或转述感呢？也就是，你能明显感受到我自己的思维、观点、态度。原因是，我在这几年的工作中慢慢找出每个内容中“我认为最有价值”的部分，并且“我创建了联系它们的方法”。

例如，指标体系是全世界都讲的，但“伴随指标”这个概念却是我自己提炼出的。因为在实际工作中，理论上北极星指标的唯一性是没法满足实际要求的，接地气的常常是基于北极星指标拆解下来的 KPI 或 KR。

为了能与北极星指标挂上钩，让它们间的联系更紧密一些，我就借鉴了天文学中“伴星”这个概念，由而设计了“伴随指标”。由于伴随指标的诞生来自实际工作，又经过提炼，所以无论在理论层面还是实际的工作层面，这个概念表现和运行得都非常好。

又例如，3A3R 模型其实来自 2A3R 模型，这个也是全世界都在讲的。但我在学习 2A3R 的过程中发现了两个问题：一是全世界都在讲理论，甚少有实际案例；二是似乎没法适应现代互联网的产品运营。

于是我就增加了用户洞察，又把钢琴理论中的五度循环圈搬了过来，创造了 3A3R 的五度循环圈，一下子让 3A3R 模型的适用性极大提升。

培养兴趣，跨领域学习应用

功夫在诗外