永利网站网址 23

永利网站网址读书笔记,你应该还会搭建病毒式增长模型

原标题:只玩裂变还不够,你应该还会搭建病毒式增长模型

C端增长必读书籍,强烈推荐。

“裂变”玩法可谓是互联网产品界的当红炸子鸡,很多产品都正在或者希望靠裂变来实现用户增长,那该如何分析和预测这种病毒式增长对用户数的影响?我们应该学会搭建病毒式增长模型。

下一篇将为大家整理国内外黑客增长的经典案例,案例来源《增长黑客》

永利网站网址 1

五种数据分析框架

近期,“裂变”玩法可谓是互联网产品界的当红炸子鸡,随着前几天网易云音乐的《你的荣格心理原型》再次刷屏,很多产品都正在或者希望靠裂变来实现用户增长。

创业的5个阶段

但是,该如何分析和预测这种病毒式增长对用户数的影响?就需要我们建立一个增长模型,下面就用5000字带大家一步步搭建增长模型。

6种商业模式在不同阶段的跟踪指标

本文翻译自Rahul Vohra的系列文章《How to Model Viral
Growth》,这一系列是我见过分析病毒式增长模型最透彻的,因此推荐给你,希望可以对你有启发。

精益数据分析周期

一、什么是病毒式产品?

五种数据分析框架

AARRR模型

戴夫麦克卢尔的海盗指标。获取用户(acquisition)、提高活跃(activation)、提高留存率(retention)、获取营收(revenue)、自传播(referral)

获取用户:用户是怎么接触到我们的?

提高活跃:访问客户是否会发生关键行为?

提高留存率:使用过一次的用户,在一定时间内是否还会再一次使用?

获取营收:是否能从用户行为中挣钱

自传播:用户是否会帮助你推广产品

个人总结:AARRR分析模型的前提是产品已经达到的PMF阶段。这5个指标是创业增长阶段的过程中关注的要素,反应了用户生命周期的重要节点。


长漏斗模型

跟踪用户第一次接触到产品的—发生最后的关键行为。侧重于帮助不同渠道用户转化。


埃里克驱动创业增长的三大引擎

黏着式增长

发生在创业的粘性阶段,这个阶段最重要的是留存率,同时要关注用户的流失率和使用频率。这个阶段可以通过唤醒用户,包括邮件提醒、消息提醒等达到留存用户的目标。

病毒式增长

在确保产品已经经过了粘性阶段后,就可以进入病毒式增长阶段,这个阶段最重要的事情是获取用户。关键指标:病毒式传播系数(=
发送邀请次数/总用户数 *
接受邀请用户数/传播次数),同时要关注流失率。可以通过原生、人工和口碑三种方式达到病毒式增长的目标。

付费式增长

发生在营收阶段,这个阶段最重要的事情是营收。关键指标:客户终生价值(CLV)、客户获取成本(CAC),同时需要关注客户营收平衡时间,营收平衡时间可以做出储备资金的预算。


肖恩·埃利斯创业增长金字塔

产品与市场契合

如何确定产品与市场契合了?肖恩的问卷。问卷的关键问题是:如果不能使用这个产品或服务了,你的感受是什么?

厘清思路

找到一个可防御的,高壁垒的竞争优势,并进一步巩固。

个人总结:找到自己的优势,找到营收槽。效率高成本低?独一无二?丰富?

规模增长

决定你该把什么东西卖给谁,并验证


阿什莫瑞亚精益创业画布框架

问题

调查对象中有该需求的人数,知道具有该需求的人数

解决方案

调查对象中试用了最小可行化产品的人数、用户参与度、流失率、最长被使用/不被使用的功能,愿意付费的使用人数

独特卖点

用户反馈得分、第三方反馈得分、情感分析、客户如何描述你的产品、调研、问卷、搜索;以及竞品分析

客户群体分类

找到客户群体难以程度,从源头导入

渠道

每个渠道可导入的销售线索及客户量、病毒式传播系数和周期、利润率等

门槛优势

对独特卖点的理解、专利、品牌价值、进入壁垒、新人口数量、独家关系

营收分析

CLV、ARPU,转化率、购物车大小

成本分析

固定成本、获取用户成本、边际成本

永利网站网址 2

精益数据分析框架

我们做出一款产品,需要靠各种渠道获取新用户。但也许,最迷人的渠道是现有用户本身。

创业的五个阶段

病毒式产品的大部分增长来自其已有用户吸引新用户,用户可以通过简单的推荐(“来看看这个产品,它很酷/有用/有趣!”),或直接通过使用该产品(“我想在PayPal上给你汇款!”)来吸引另一个用户。

移情阶段

移情阶段需要找到真正值得解决的问题和可以解决问题的方案。这个阶段需要通过访谈潜在客户的方式不断验证自己的问题和解决方案。并且需要关注以下四个方面:

(1)判断这个问题是否足够“痛”

永利网站网址 3

问题方向

(2)用户是否尝试解决这个问题

用户如果已经为了这个问题努力尝试过或者正在尝试解决,说明这个问题很有可能是值得解决的问题;如果用户对认为是个问题,但是他们从来没有试图去解决过,那么要注意,很有可能是个伪需求,他们没有足够的动力

(3)是否有足够多的人有这个问题

这个决定了市场的大小

(4)怎么才能让用户意识到这个问题

永利网站网址 4

用户对解决方案的渴望程度

病毒式传播最有名的例子之一是YouTube。

粘性阶段

粘性阶段就是从MVP—PMF,最终目标是用户的留存。粘性阶段在优化留存的同时,利用同期群分析衡量每一次产品带来的影响。

每一次产品迭代从哪里来?

(1)用户反馈

正确处理用户反馈,理解用户“想要”什么

(2)解决方案画布

当前状态、首要问题、解决方案、指标/证据+目标

7个问题衡量需求的优先级

(1)效果:这个功能有什么帮助

(2)效果:如何衡量效果

(3)成本:开发需要多久

(4)风险:是否会让产品变得复杂

(5)风险:会带来多大风险

(6)效果:功能有多创新(是转化率的提升还是企业由亏转赢)

(7)用户说想要什么

在其获得巨大流量之前,你很可能会在新闻网站或个人博客上找到嵌入的YouTube视频。当你看完视频,你会被邀请通过电子邮件把视频发给你的好友,并且你还会获得将视频嵌入你网站的代码。如果你不想分享,YouTube会向你推荐你可能喜欢的其他视频。

病毒性阶段

本阶段的重点是用户的自然增长。

指标是什么?

病毒性传播系数 = 发邀请次数/现有用户数 * 接受邀请用户数/发邀请次数

传播周期 = 发送邀请时间 – 接受邀请时间

目标:病毒式传播系数>1

如何提升病毒性传播系数?

(1)说服更多的人去邀请更多的人

–延长客户的生命周期,让他们有更多的时间邀请更多的人

–给客户更多邀请的理由,让更多的参与邀请

(2)提升接受率

–给用户更多的理由接受邀请,让更多的接受邀请

(3)缩短邀请生命周期,加快增长进程

病毒式传播模式

原生病毒性:将传播嵌入在产品的功能中,如分享问题、分享回答、分享旅行计划等。

人工病毒性:以物质激励用户将产品分享给好友,如百万英雄邀请注册获得一次复活机会、饿了么分享抢红包、新用户红包折扣等

口碑病毒性:安利呀。可以通过监控社交平台,窥探到口碑传播的情况,最好能找到推荐人,找到他分享产品的原因,并试图将其转化为病毒式增长策略中可复制可持续的一环。

黑客式营销–先行指标

先行指标是指出现在用户生命周期前期或转化漏斗的上游,与商业指标某部分有明显联系的指标,先行指标可以预测未来。

比如:Facebook发现10天内增加7名好友,就可以认为是“高参与度”用户。商业模式:参与社交;先行指标:10天内增加7名好友的用户比例。

比如:dropbox发现用户上传一份文件后,成为“高参与度”用户的几率会大大提升。

很大程度上,你会观看并分享其中的某个给你的好友。然后,你的好友会观看视频,也会与他们的好友再分享。通过这个“病毒循环”,YouTube快速获取了用户。

营收阶段

本阶段的重点是商业模式的探索,首要关注指标:客户终生价值、平均每位客户的营收、客户获取成本。

如何找到营收槽

找到自己的产品营收的方向

(1)提升效率,降低成本

如果脱不开单笔的交易实际成本,则高效可以为商业模式带来举足轻重的作用。参考饿了么调度系统的做法,人工向AI的转化

(2)更多的人

如果病毒性系数数值很高,“更多的人”尤为重要。比如冲顶大会

(3)更频繁的购买

如果客户的忠诚度非常高,那“更频繁的购买”则最为关键,比如B站

(4)更多的商品

如果是大金额的一次性交易,则“更多的金钱”更为重要,比如链家

(5)更高的单价

如果是订阅模式,则追加销售介绍客户使用具有更多功能的高容量套餐是增加营收的最佳方式,如中国移动

那我们该如何预测病毒式产品的表现呢?

规模化阶段

规划化阶段的重点是自身发展切换到市场扩张。投资不同的分销渠道,获取更多的客户。本阶段最关注的就是不同渠道、地域、营销活动带来的用户的转化差异。

比如:获得一百万用户需要多长时间?我们的产品可以触达到一千万用户么?

6种商业模式在不同阶段的跟踪指标

永利网站网址 5

永利网站网址 6

永利网站网址 7

要回答这些问题,我们需要建立一个病毒式模型。

精益数据分析周期

永利网站网址 8

精益数据分析周期

二、最简可能性模型

分析方法

市场细分

用户分群的一种的方式,一群拥有共同特征的用户之间的差异。比如:某一个城市的参与度明显要高于其他城市,那我们可以展开调查找到原因,再将成功复制给其他人

同期群分析

纵向研究。比较的相似群体随时间的变化。产品在迭代的过程中是在不断变化的,这就导致第一周进来的用户和第四周进来的用户会有不同的体验。而每个用户都会有一个生命周期,同期群分析可以分析产品迭代带来的实际变化。

永利网站网址,A/Btest和多变量测试

横向研究。同一时间段对不同群体提供不同的体验。

A/Btest依赖庞大的用户基数,如果没有庞大的流量,则需要测试很多不同因素,此时就可以使用多变量测试。

假设我们有5000个初始用户,这些初始用户将带来多少新用户?

常见的情形是这样的:有些用户喜欢我们的产品,有些用户不喜欢;有些用户会邀请很多好友,有些不会邀请;有些用户可能在一天之后邀请好友,而有些用户则可能需要一周…

我们排除所有这些不确定性,假设平均而言,五分之一的用户会在第一个月成功带来新用户,那我们的病毒系数是1/5
= 0.2。我们最初的5000个用户会在第1个月吸引5000 * 0.2 =
1000个新用户,这1000个新用户会在第2个月再吸引1000 * 0.2 = 200个新用户,
接着第3个月会再吸引另外200 * 0.2 = 40个新用户,依此类推。

根据上面的计算,如下图所示:我们的用户会一直增长,直到我们拥有6250名用户。

永利网站网址 9

图2-1

如果我们的病毒系数是0.4,会发生什么?

永利网站网址 10

图2-2

同样,我们以不断下降的速度获取用户。但这一次,我们的增长会一直持续到约8300名用户。

如果我们的病毒系数是1.2,会发生什么?

永利网站网址 11

图2-3

这一次,我们以不断增长的速度获得用户。

事实上,通过一些简单的数学,我们可以得到以下结论:

  • 假设初始用户数为
    x,病毒系数v小于1,我们就会以递减的速度获取用户,直到我们拥有x
    /(1-v)名用户。
  • 假设病毒系数大于1,我们会以显著增长的速度获取用户。

看到这里,你可能会说,这还不简单,我们只要让病毒系数大于1就行了。但是,其实并没有这么快……

  • 首先,我们的模型存在很多问题,比如:随着我们获取越来越多的用户,我们最终会面临没有新用户可以获取。
  • 其次,真正的病毒式增长非常罕见,很少有产品能在一段时间内,使病毒系数超过1。

通过和其他创业者,投资者和增长黑客讨论,我发现了这个结论:对于互联网产品,0.15至0.25的可持续病毒系数是不错的,0.4是优秀的,大约0.7是卓越的。

然而,我们刚刚已经证明了,当我们的病毒系数小于1时,我们会以不断下降的速度获取用户,直到不再增长。这并不是我们想要的结果,所以这其中缺少了什么呢?

我们忽略了可以获取用户的其他渠道:新闻、应用商店、直接流量、集客营销、付费广告、搜索引擎优化、明星代言、街头广告等等。

下面,我们就把这些因素考虑到模型中来。

三、混合模型

混合模型包括了非病毒式传播渠道。

一些非病毒式传播渠道,比如:新闻,将使我们的用户数一下飙升。但另一些渠道,比如:应用商店,对用户增长的贡献会相对持续且平稳。

我们的模型需要尽可能的包含不同类型并尽可能的简单,因此,我们将考虑以下3种非病毒式传播渠道:

  1. 新闻:优秀的新闻发布会很可能会吸引70,000名新用户。
  2. App
    store搜索流量:
    应用商店每月可提供40,000次下载。但并非所有下载用户都会运行、注册我们的App并有不错的首次用户体验。让我们假设60%的下载用户有很好的首次体验。
  3. 直接流量:由于我们的老用户会进行口碑传播,潜在用户会直接找到我们的产品,这可能每月带来10,000次下载。让我们再次假设60%的下载者都有很棒的体验。

最后,我们假设应用商店搜索流量和直接流量都会保持不变。

让我们将病毒系数设置为0,看看如果我们的产品根本没有病毒式传播,用户增长会如何。

永利网站网址 12

图3-1

在今年年底,我们会有约450,000名用户,现在让我们加入病毒式传播。

永利网站网址 13

图3-2

在不错的情况下,病毒系数为0.2,在年底我们会有约550,000个用户。在病毒系数为0.4的情况下,年底我们会有约70万用户。如果我们的产品非常卓越,病毒系数为0.7,那么在年底我们会有约120万用户。

放大系数

上图说明了我所认为的病毒式增长:不在于病毒系数v,而是放大系数 a = 1
/(1-v)。想要计算用户总数,我们要做的就是用非病毒式传播渠道获得的用户数*放大系数。

永利网站网址 14

图3-3

该图显示了病毒系数的惊人潜力,即使它小于1:随着病毒系数的增加,放大系数呈双曲增长。也就是说,只要具备一个很好的病毒系数,我们可以不断加速放大非病毒式传播渠道的引流效果。

模型存在的问题

在模型中增加非病毒式传播渠道很有用,但我们的模型仍然存在重大问题。比如:我们假设获取的用户会永远留存下来。

但现实是残酷的:用户会随时停用、删除或遗忘某产品。因此,我们需要进一步优化模型。

四、混合模型(包括用户流失)

假设我们的病毒系数是0.2,并且我们有以下非病毒式传播通道:

  • 发布新闻,吸引了70,000名初始用户
  • 应用商店搜索流量,每月吸引24,000个新用户
  • 直接流量,每月带来10,000个新用户

在模型中,让我们假设每月有15%的用户流失,数据如下:

永利网站网址 15

图4-1

在我们发布的新闻提供初始用户高峰之后,我们的增长似乎放缓了。事实上,即使我们的非病毒式传播渠道不断带来新用户,我们的病毒式传播渠道不断发挥他们的放大效应,从图中看,我们的增长也可能会完全停止。

究竟发生了什么?

为了使效果更明显,让我们将病毒系数设置为0,将月流失率设置为40%。

永利网站网址 16

图4-2

永利网站网址 17

表4-2

在我们发布新闻后,我们的用户增长速度迅速稳定在每月34,000名用户。但是,在流失那一列,由于我们每月损失一定比例的用户,随着用户池的扩大和缩小,我们的流失数也会扩大和缩小。
事实上,我们的用户池将倾向于一个固定的规模,因为最终用户流失将等于用户增长。

承载能力

用户的增长和流失率直接决定了最终用户数量,在此模型中称之为承载能力。承载能力的定义是:当流失用户的速度等于获取用户速度时的用户数量,公式如下

U•l = g

U是承载能力;l是每月的用户流失率(或者在一个月内失去任何特定用户的概率);g是每月的非病毒式增长率。

因此,可知承载能力的计算公式为:

U = g/l,其中l≠0

为了使最终用户数量增加一倍,我们有两种选择:

  1. 将非病毒式增长率提高一倍(比如:在非病毒式传播渠道中投入更多资金)。
  2. 将流失率降低一半(比如:通过改善首次用户体验,或者将营销渠道集中在更精准的用户群)。

往往我们会两者兼具。

在我们刚刚的例子中,g是每月34,000用户,l是每月40%。该公式预测出我们的最终用户数U为34,000/0.4
= 85,000,正如图4-2所示。

具有病毒因素的承载能力

接下来,我们该如何修改承载能力公式以解释病毒式传播?

前文说过,当我们的病毒系数小于1时,我们可以把它解释为放大系数 a = 1
/(1-v)。由于放大系数适用于我们的非病毒式增长率g
,我们可以直接把a放进公式里:

U = a•g / l = g /(l•(1-v)) 其中l≠0且v <1

让我们回到第一个例子,我们的增速正在放缓。在这里,g是每月34,000个用户,l是每月15%,v是0.2。该公式预测我们的最终用户数U
为34,000 /(0.15•(1-0.2))=
283,000。这个结论正好和图4-1的发展方向吻合。

五、留存曲线

假设我们的产品非常棒——人们在生活中离不开它,会在开始使用后的数月甚至数年都保留。对于这样一个好的产品,我们的之前的用户流失模型就太苛刻了,随着用户持续使用我们的产品,我们会更好地留住他们,因为会发生以下几种自我强化效应:

  1. 用户在我们的产品中留下的数据增多,转换到竞争对手会更加困难(例如:Dropbox和Evernote);
  2. 用户在我们的产品上投入的时间增多,会养成使用习惯(例如:Uber);
  3. 基于上述两种情况,用户与我们的产品建立了情感联系。

现实中,我们的用户会展现出留存曲线,留存曲线体现了用户在给定时间点仍在使用我们产品的可能性。

留存曲线取决于产品的类型和质量,以及我们对营销渠道的定位。比如:浏览器插件,通过调查,我了解到不错的浏览器插件的留存曲线长这样:

永利网站网址 18

图5-1

一周后,可以留住80%的用户。一个月后,可以留住65%的用户。两个月后,可以留住55%的用户。长期看,会留住约40%的用户,并且每月的下降速度非常缓慢。

六、病毒式传播曲线

在我们把留存曲线加入模型之前,让我们先考虑留存曲线对病毒式传播的影响。

到目前为止,我们假设我们的用户只会在第一个月邀请身边的好友。但是,如果40%的用户会长期使用我们的产品,并且持续邀请身边的好友,那么我们的用户数将实现病毒式增长。

换句话说,我们的用户也将展示出病毒式传播曲线,病毒式传播曲线体现了普通用户的病毒系数随时间如何变化。

为什么用户的病毒系数会随着时间而改变?

除了很大程度上取决于产品,也要考虑以下场景:

  • 起初,用户会犹豫是否邀请好友使用,因为他们仍在测试我们的产品;
  • 一旦用户爱上我们的产品,他们会快速邀请一群好友来使用;
  • 很快,用户会邀请完身边可以邀请的好友;
  • 偶而,用户会邀请他们刚认识的新朋友。

在这个场景下,用户的病毒系数会有短暂的初始延迟,然后会快速增加,接着快速减少到稳定但较低的速度。

我们可以对这个曲线的每部分都进行建模,但可以聚焦到最主要的趋势:病毒系数随时间而变小,因为用户会邀请完可以邀请的好友。

让我们用几何衰变来建模:每个月,病毒系数是上个月的一半。
例如:病毒系数在第一个月可能是 0.2,第二个月是 0.1,第三个月是
0.05,依此类推:

永利网站网址 19

图6-1

如果我们把用户生命周期中所有的病毒系数相加,就会得到终生病毒系数v’,为
0.2 + 0.1 + 0.05 + … = 0.4。

我们之前的直觉继续适用:

  • 对于互联网产品,可持续的终生病毒系数v’在0.15至0.25是不错的,0.4是优秀的,0.7是卓越的。
  • 我们的放大系数 a 现在为1 /(1-v’)。

七、组合模型

截止到目前,我们升级了模型:结合了非病毒式传播渠道,保留曲线和病毒式传播曲线。公式比以前更复杂,下面我们就把它们变得直观些。

除了用户增长图,我们还做了下面的图表,用于比较各个增长渠道,以及其对用户流失的影响。

永利网站网址 20

图7-1

想知道这些因素如何相互作用的最好方法是做数字游戏并观察图表的变化。在观察增长渠道与流失的对比时,我们可以尝试以下方法:

(1)提高留存曲线

将第1个月留存设置为90%,第2个月留存设置为80%,第6个月留存设置为60%。

永利网站网址 21

图7-2

我们看到不仅流失减少了,病毒式增长也增加了。因为当用户停留时长增加时,他们会邀请更多的好友。

(2)提高病毒式传播曲线

将第1个月的病毒系数设为0.35,因此终生病毒系数会为约0.7。

永利网站网址 22

图7-3

这对病毒式增长渠道产生了巨大影响,该渠道从每月约20,000名用户增加到每月约40,000名用户。但对用户总数影响不大,因为从长远看,我们仍会流失40%的用户。

(3)再加入一个新闻发布

将第6个月的“发布新闻”设置为100,000。

永利网站网址 23

图7-4

我们可以清楚的看到图里的峰值,相应地,它导致了流失峰值。不久之后,可以看到病毒式增长迅速飙升然后缓慢下降,因为没有更多新用户了,并且我们的新用户也没有更多好友可以邀请。

八、局限性

我们永远不要满足任何模型,因为它们都有局限性,我们的模型可以改进的以下方面:

  • 我们假设非病毒式传播渠道保持不变,事实并非如此:平台增长,新竞争对手和口碑传播都会带来很大影响。
  • 我们考虑了数量有限的渠道,事实上,我们会有更多非病毒式传播渠道和病毒式传播渠道。
  • 我们假设6个月后停止流失用户。不幸的是,不管是自然流失还是用户转向竞争对手,我们一直会流失用户。幸运的是,当我们获得了数据后很容易建模:要做的就是将留存曲线延长到6个月之后。
  • 我们保守地假设用户在6个月后停止病毒式增长。同样,当我们获得数据时,很容易建模:所需要的只是延长我们的病毒式传播曲线。
  • 我们假设留存曲线和病毒式传播曲线不会随时间而改变。事实并非如此:随着我们不断测试和迭代产品,我们的留存曲线和病毒式传播曲线也会得到改善。

最后,我们再回顾一下文中的模型是如何一步步优化的:开始为最简可能性模型,后来引入了非病毒式传播渠道,迭代为混合模型,接着进一步引入了用户流失,升级为混合模型,最后引入留存曲线和病毒式传播曲线,成为组合模型。

当然,正如文章最后所说,每个模型都有其局限性,我希望本文可以为你捋清建模思路,从而对你的用户增长有所帮助和启发。

本文由 @原子大大 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 Pixabay,基于 CC0 协议返回搜狐,查看更多

责任编辑:

发表评论

电子邮件地址不会被公开。 必填项已用*标注

标签:, , , , ,
网站地图xml地图