产品总价值=活跃用户规模╳单个用户价值–异常用户损失

本文分享三点：

1. 用户增长的三件事；
2. 用户增长的指标体系；
3. 用户增长的策略工具。

假如有两个产品：产品一在春节期间没有做大规模推广，用户有小幅下滑，到三四月又恢复到稳定的增长状态。而产品二平时都是稳定的增长状态，却在春节期间突发10倍扩张。

看到这两组数据，你的第一反应是什么？

假如你已经确定产品没有做大规模的传播事件促发增长，首先建议你关注这些用户是不是真实用户。通过账户体系计算用户增长的规模、再看这些用户之间是否有账户关联并且有统一的逐利行为，如果是这样，你获得的很可能不是真实用户，而是羊毛党等。只有真实的持续使用产品的用户才能产生价值，而那些苛求极致利益的用户，往往带来的是企业的损失。

当我们有了丰厚的护城河能够获取真实数据，我们还需要关心两件事，活跃用户规模的扩大和单个用户价值的增长。以严选为例，月GMV其实是这个月发生支付行为用户贡献的。所以要保证每月新增用户数+流失用户挽回数，大于流失用户数，才能保证活跃盘子持续扩张。

用户增长是依靠严密的管理体系来识别用户在平台内的存活和留存。进一步，单个用户价值增长需要分层管理，来满足用户对产品的不同需求。

以严选为例：我们会卖很多四件套，同时也有文创商品满足学生群体需求。居家类用户的购买金额会高出文创类产品用户，但用户是变化的，我们只有识别当下阶段的用户需求并满足，才能保证逐个击破满足各个层次的用户需求。

我们认为用户增长的本质是提升产品总价值，首先要确保活跃用户扩张，单个用户价值提升，再减去异常用户带来的损失。

如何用数据推动增长？

从数据角度，通过构建用户生命周期管理的指标体系，就是在不同阶段实现大规模用户管理，尤其对C端产品而言，你所面对的用户群体是非常庞大的，需要提高单个运营人员管理用户的半径，才能更高效地管理各类用户。

指标体系的核心就是把大规模数据管理变成可监控可拆解，把指标变的可被驱动可被影响。指标体系的构建，一是拉新二是促活。

所以我们会通过终端的方式拆分表现，比如：小程序、媒体渠道，以及对这个用户利益点的输送方式，用户本身的属性。

用户进入产品后会产生大量的数据，我们可以获取用户跟平台的很多交互行为。在电商层面，指标构建会围绕着R、F、M这三个指标，评估的是单个用户价值，包括R末次支付距今时长、F周期内支付次数、M周期内支付金额（反应的是用户的购买能力）。

除了RFM，还有一个非常重要的指标A，用户与产品的互动。在目前的电商环境下，它不仅承载用户需求，更多是创造用户需求，让用户来了以后就产生更多的需求，并且锁定对你的选择。比如：淘宝上非常火的网红，还有今日头条、抖音做的带货模式，都是通过不断互动加深感情，最终让用户选择并认知平台。

严选有专门的实物频道承载用户内容，通过良性互动产生需求。所以围绕单个用户价值提升，我们会构建R、F、M、A。结合这一体系就构造出了不同的客群，比如：R特别高、F并不高、R、F都高的，这样就可以对用户做结构划分、做活跃用户规模的结构管理，找出用户规模结构中的潜力人群，并找到痛点比如流失等，这样就可以做分群管理。

但如果只关注产品内的数据，我们所获取到的认知完全来自于产品自己的行为表现，通过各种拆解发现所有的指标都下滑了，一样都查不出原因，我们需要外部的宏观指标构建达成综合评估。

比如：评估品牌的辐射范围或者增长空间，这是严选平台的品牌知名度；如果我们比较关心用户是否有传播能力和转化意愿，我们会关注用户对产品的满意度和搜索商品的频率，了解我们在用户心里是什么样的地位，这样辅助数据层面的指标评估用户意向，得出更贴近用户实际的结果。

围绕增长，数据分析同学会设计数据策略产品，让业务的同学做增长变的不那么费力，这也是数据化管理的理念。

在拉新阶段，会涉及到获客渠道管理。当用户进入平台产生大量交互行为，产生大量数据时，就要构建用户的标签体系，并配套CRM闭环服务精细化运营。严选的精细化管理一端是人，一端是货，所以要做到人与货的精细匹配，就需要有选品系统协同。

我们有四个象限的指标体系，包括渠道获客能力、流水贡献能力、拉新的规模体量及渠道用户质量判断，来综合衡量渠道表现。

通过对思维指标的应用，在实践中会用算法模型搭建渠道评分体系，描述渠道特点。当新渠道资源来了，通过快速测试定位这个渠道在我们平台属于哪个类型，划分一个标杆线，更好定位它的特征，同时实现渠道KA管理。

比如：对于质量高的渠道，进行更深层次的用户合作，将注册入口嵌入到产品中。还可以在渠道投放流失召回的素材，在严选流失的用户也可能再访问这个渠道，所以在拉新和流失召回两个环节都有价值。

通过渠道评分体系，实现对渠道的控制也就是提效、控本，这样就可以让业务方做到花钱有理。

当平台有大量产品合作的数据后，就可以构建属于自己产品特点的标签体系。在标签体系的设计上首先通过基础数据的搜集，然后会有一个基础的清洗工作。

这里特别要注意的是，大体量的标签管理成本是非常高的，我们建议加入数据清理层，保证大量数据导入之后明确业务逻辑及基础整合。上层各类ETL人员在处理数据时就会形成统一的指标体系，所产生的标签体系也会更有价值。

标签体系有两类：统计标签和预测标签。

这在各大平台都大同小异。我们正在尝试的方向是识别购买意向，比如：访问很久却没有下单的用户应该如何转化，这在电商环节是非常典型的场景。我们在平台上找到有购买意向的用户，通过其交互行为展现其意图，有了这些标签就可以寻找与其匹配的商品和利益点，做临门一脚的定向触达，这时往往有比较好的转化效果。

归纳起来，数据分析师在这部分的工作是画像侧写、定量描述、目标锁定：

1. 是从分析师的视角定期盘点用户总体情况，让业务方了解用户是谁；
2. 是定量刻画出不同群体用户规模，帮助业务同学更好的分群管理；
3. 是锁定目标客群，通过标签的灵活运用达成业务目标。

当锁定了目标客群之后，就完成了一个闭环的用户运营实践。

更进一步，我们会设计MVP运营模式，实现闭环的数据服务。包括锁定用户，结合用户特征找到匹配的运营策略，比如：选取什么样的利益点如何输送。然后监测运营策略，构建一套长期可用的指标体系，使其具备复用性，因为闭环不是一次完成的，需要反复的经验积累，验证最优的效果，通过不断测试最终形成用户运营的策略体系。

为了达成这套策略体系，就必须让前面的闭环快速运转起来。所以，我们构建了CRM系统，未来让MVP的试验能够落到产品上，让运营更好的配置，包括沟通方式、服务方式以及标签和用户管理能力。这样MVP模型就会实现用户+方式+玩法+文案+商品等在灵活场景中的迭代，最终是为了形成一套策略化系统化方案。

回到严选本身，所有围绕着用户的增长都离不开产品。所以回归产品，我们更多是做人货匹配。结合商品、用户需求以及推广场景，比如：拉新会选择经典商品，来实现用户综合价值的增长。在实践中也发现，一款优质的产品远比你做很多的玩法措施来的更有效力。

作者：友盟全域数据，微信公众号，友盟数据服务 （ID：umengcom）

本文由 @友盟全域数据 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Pexels，基于 CC0 协议