評論：文章提出的用戶運營增長公式有一定的普適參考性，對運營目標進行過程的數據化拆解有助於運營人發現增長機會、驗證運營效果，值得推薦

用戶增長是一件個性化非常強的事情，淘寶在增長中執行的諸多策略或許拿到其他場景就完全沒有效果。但另一方面，這些策略背後的思考路徑和執行過程中總結的經驗，是有參考意義的，有機會給讀者在日常增長工作中帶來一些提示。所以，本文不會出現太多實現細節，更多關注在策略制定背景和設計邏輯上。

本文從我們對用戶分層的定義開始，重點分享淘寶過去一段時間在“拉新”和“召回”兩個方面的思考和經驗。

用戶增長公式

我們站在平台視角，根據活躍情況對用戶進行區分。第一個層面是 MAU 和非 MAU，更細節的又各自有所區分。

非 MAU 用戶：即過去30天沒有在平台出現過的用戶，是用戶增長流量引入的目標用戶。

+ 潛在用戶：非平台註冊會員，從未有訪問過我們的產品的人。

+ 流失用戶：此前已經成為平台會員，有過產品訪問記錄，但過去30天沒有訪問的用戶。

MAU 用戶：如上圖中着色部分，分為三層。

+ 新增用戶：顧名思義，是我們平台的純新用戶。就是從【潛在用戶】轉化而來的，平台用戶純增量。

+ 召回用戶：指回訪的流失用戶。是從【流失用戶】轉化而來的。

+ 活躍用戶：過去30天有產品訪問行為，且當月又有訪問的用戶。

實際上，按照用戶活躍情況仍然能繼續細分。例如，對流失用戶還可以細分為：月度流失、季度流失和年度流失等。

拆分了MAU的用戶成分，再看MAU的數學描述，由三個部分求和而來：

+ MNU：只得是本月MAU增量，就是上圖中橫線以下的部分，包括新增用戶和召回用戶。

+ 上月新增用戶留存：只上月的MNU本月有留存下來，轉化為活躍的用戶。上圖中的r指的是留存率。

+ 上月活躍用戶未流失：上月的活躍用戶，本月仍有回訪，未流失的用戶。上圖中的 λ指的是流失率。

通過對用戶成分的拆分和用公式描述MAU，我們基本能夠找到MAU增長的抓手是什麼。而本文則會重點從MNU入手，介紹淘寶在MNU引入上的一些策略。

流量引入體系

淘寶用戶增長的流量引入體系由三縱兩橫構成。

三縱：即業務流程維度拆分的引流的三個階段。

+ 用戶觸達：分為二方和三方兩種用戶觸達方式，是最外側直接接觸目標用戶的系統。

+ 連接體系：目標用戶被觸達後，通過轉化，將成為MAU用戶，連接體系負責高效穩定引入用戶。

+ 用戶承接：用戶通過連接體系進入平台，用戶承接將有效幫助用戶落地，為接下來的用戶成長打下基礎。

兩橫：即業務應用之下的基礎設施和平台建設。

+ 用戶總線：主要負責域內域外用戶信息互通和信息流轉。

+ 用戶平台：分別針對【人】和針對【行為】，是以數據為核心的兩個基礎設施系統。

本文後續內容個，將針對上述的五個部分分別介紹技術策略。對筆者認為更具有參考意義的部分，會用較大篇幅，其他的則一筆帶過。

策略1 —— 智能投放

三方流量引入的主要手段仍然是廣告投放，但有別於常規廣告投放，用戶增長廣告投放目標的目標是：高質量MAU增量。

上圖為常規廣告投放流程。廣告主會以不同的採買方式夠得渠道方的流量，通常是PD/PDB/RTB 等類型，而不同的流量類型在質量上也會有所區別。最終，廣告主將以 CPM 或 CPC 等結算規則進行結算。

1.用戶訪問渠道後，渠道將會向廣告主發起競標請求；

2.廣告主通過對流量的識別分析，給出反饋，決定是否投放；

3.如果選擇投放，渠道側將會按廣告主的要求給用戶進行素材曝光。

至此，最傳統的廣告投放流程就結束了。而上文提到用戶增長的廣告投放目標是高質量MAU ，其中【高質量】是一個很重要的限定。所以，近年來渠道方提供了更先進的結算規則 oCPX ，即【可優化的 CPX 】。通過這種方式可以在成本一定的情況下，很大程度上提升廣告主獲取到流量的質量。即增加了上圖中虛線一下的路程。

1. 當渠道觸達了用戶（例如，用戶發生了素材點擊），渠道方會通知廣告主；

2. 廣告主接到通知後，啟動對該用戶的跟蹤。一旦該用戶訪問廣告主的產品並完成既定行為，廣告主將反饋渠道方；

3. 渠道方把廣告主的這次反饋作為素材推薦模型的正反饋，對模型進行優化。

在這個流程中，我們認為有兩個核心，這兩個核心也是【智能投放】的重點：

1.對人的認識。識別出用戶增長的目標用戶，做出準確判斷，精準觸達用戶。

2.對素材的認識。在認識人的基礎上，疊加對素材的理解，做出高效的素材個性化推薦，提升觸達效率。

流量篩選（離在線人群服務）

在日常廣告渠道對接中，我們發現不同渠道的技術能力和技術策略有非常大的差異。有些渠道技術能力非常強，能夠對用戶做出精準的識別，能非常好的幫助廣告主進行精準觸達；而更多的渠道不具備這樣的技術能力，或者其關注重點不在於此，廣告主必須提供流量篩選能力。

在這樣的背景下，我們整合了大量數據源，建立起用戶增長目標用戶檔案。一方面協助不具備流量刪選能力的渠道進行精準的用戶觸達，另一方面為素材推薦提供數據支持。

工程上，提供離線和在線兩種服務。通過工程手段把流量篩選規範化，每一個接入的渠道都會通過流量篩選服務進行精準用戶觸達。流量篩選作為渠道對接的一個必選流程，大大提升流量質量，降低了廣告投放的渠道成本。

海量素材（素材個性化服務）

除了人的問題，素材的問題更加棘手。常規的廣告投放中，素材推薦往往發生在渠道方的系統上，很少有渠道會允許廣告主自主進行素材推薦。這就要求渠道方要對廣告主平台上的素材進行深刻理解，才有可能做出高效的推薦。但事實情況並不樂觀，即使是技術能力最好的一些渠道系統，也只能允許廣告主上傳幾張素材圖片而已。素材曝光就是從這幾張素材圖片中選擇，可以想見效率之低。根據我們的經驗，這些素材的曝光點擊率一般都在2% 以下。

提升素材的曝光效率，一個基本條件就是素材數量。事實上淘寶有強大的素材能力，我們有海量的商品、權益和品牌信息；並且我們的設計師有豐富的經驗，知道什麼樣的模板效率更高；更有先進的NLP算法支持我們做出高效的文案，這些元素通過工程能力的組合可以產出海量素材。

此外，基於對素材背後不同元素的深刻理解，淘寶的個性化推薦也非常強大，能夠給出非常高效的素材推薦。

所以，在素材問題上，一方面對允許廣告主自主推薦的渠道，我們接入自己的個性化推薦算法。基於背後的用戶檔案和海量素材，最高可以做到10%以上的曝光點擊率。另一方面，對於不允許廣告主自主推薦的渠道，我們正在尋求一種更先進的合作方式，即我們通過海量素材服務，賦能渠道推薦系統，實現高效用戶觸達。這也需要我們和渠道的共同努力。

舉個例子

上圖展示的就是我們在“抖音”平台上嘗試的智能投放案例。圖中三張素材圖片都是通過工程能力，結合貨品和設計師的模板合成而來的。而圖示用戶所看到的“女士冬裝”也是基於算法對用戶和素材的認知，進行的個性化推薦。

策略2 —— 矩陣優勢

二方流量引入指的是利用自己平台上的多個產品，互相攻擊流量增量，形成流量矩陣。二方矩陣有非常明顯的優勢，假設平台上有 A 和 B 兩個產品，產品A的活躍用戶，可能是產品B的潛在用戶。在這樣的背景下產品 B 可以把服務輸出到 A 上，與 A 的產品形成深度合作。在產品 A 觸達用戶，轉化用戶，再通過設計把用戶轉化到 B 上。

用戶天生具備對 A 產品的新任，所以B的觸達和轉化效率就會更高，在不脫離產品 A 的前提下，完成用戶對 B 服務的轉化，將大大提升後續用戶成為 B 產品用戶後的沉默成本。通過這種方式形成流量矩陣，矩陣中的流量質量較廣告投放方式的流量高出很多。

無疑“小程序”技術是跨產品服務輸出，深度整合的最佳選擇。“小程序”技術與此前大熱的 RN 或 Weex 這類界面方案在某些程度上相似，但我認為其本質不同。類 RN 技術是一種在完整性和性能穩定性上經過了優化的界面方案，是對H5方案的優化；而小程序則不同，是在開發效率和靈活性上大大提升的 App 開發方案。“小程序”不同於界面方案，具有完整的 App 生命周期和 App 級的技術能力，這些都是服務輸出和深度整合的必要前提。

當然，二方矩陣的約束條件較多，也不是所有人都聚被建立流量矩陣的條件，所以本文不展開詳述。

策略3 —— 拉承一體

引流與成長之間的空白

用戶觸達後的引入是整個流量引入過程中最重要的一個環節，也是優化空間最大，抓手最多的環節。

上圖是我們梳理出用戶從觸達，到引流，最後成長的漏斗。不難發現，引入流程的終點是產品激活，也就是用戶完成下載安裝，並啟動了 App。用戶成長的起點是登錄，也就是獲取到用戶信息的時候，而這兩個流程之間還有一個巨大的空白——登錄率。流量引入把用戶輸送到一個場景後，用戶並沒有馬上進入成長流程，而是在註冊登錄這一步損失掉了大部分。

關於登錄率的問題，經過分析發現並沒有太多抓手可以進行優化。用戶引入後是冷啟動狀態，似乎只能通過通用的權益或玩法刺激用戶進行註冊登錄。為了改變這個局面，我們把用戶流量引入的技術流程進行重新設計。

收口流量

首先是規範化流量入口，通過制定 App 啟動鏈接標準，封裝 JS 和 Native 兩個鏈接 SDK ，基本做到全量手淘 App 啟動流量標準化，做到了數據埋點，跳轉行為和用戶心智的統一，為接下來進一步的制訂運營抓手提供了技術基礎。

用戶總線

用戶登錄率缺少抓手的最大問題在於，用戶從域外引入域內後還原為一個冷啟動狀態，用戶在域外的行為記錄無法在域內關聯，進而執行有延續的承接策略。未解決這一問題，我們開發了“用戶信息總線服務”。

在用戶數據視角，總線分為兩個部分：

+ 數據供給：當用戶出現在站挖渠道，我們觸達到用戶後，就要向用戶總線寫入一條記錄，記錄用戶在觸達流程中的行為，包括但不限於：訪問的商品，權益等。以設備為Key建立用戶訪問檔案。

+ 數據消費：用戶發生激活行為時，承接應用通過用戶總線獲取用戶在啟動App之前的記錄，進行連續性承接。充分發揮用戶域外行為數據的作用，進行有針對性的引導。

通過用戶信息總線，把用戶引入和承接連接起來，彌補之前流量引入和用戶成長之間的登錄率空白。

舉兩個例子

上圖中的例子是我們在域外以權益方式觸達用戶，並刺激用戶激活手機淘寶。當用戶在域外訪問了活動頁，看到這個“15元手機淘寶專享”權益的時候，活動頁已經把用戶的信息寫入了用戶總線。隨後，不管是直接點擊鏈接喚起手淘，還是從商店下載安裝點擊ICON啟動手淘，手機淘寶的首頁都會從總線中得到信息，從而在固定區塊還原出這個權益，讓用戶有一個延續性體驗。

第二個例子是在域外向用戶投放了一個活動，這個活動展示了一個“5元話費”權益。不論用戶通過何種方式激活手機淘寶後，手機淘寶內置的分流器都會通過用戶總線中記錄的信息，把場景還原到這個“5元話費”的活動上，而不是停留在首頁。

策略4 —— 長周期運營

用戶運營

長周期運營，是我們對“用戶長生命周期運營”的簡稱，也是對“用戶運營”的一種解讀。我們理解的用戶生命周期運營是：

從用戶長生命周期視角， 以數據為基礎， 結合算法能力， 驅動用戶成長的運營方式

非常重要的一點，用戶運營的區別在於運營目標的改變，而非運營對象的改變。在這種運營方式下，我們的關注點從行為漏斗，變成了用戶生命周期的躍遷。本質上是希望用戶在我們設計的成長體系中不斷向上發展。過去關注重點是用戶行為漏鬥上的效率，而現在這個目標成為了手段。

全鏈路觸達

用戶運營的一個具體案例就是——全鏈路觸達。我們在用戶動線的每一個節點上設置觸點，這些觸點的目標不是驅動用戶走向漏斗的下一個節點，而是由用戶生命周期干預系統統一控制，驅動用戶在生命周期之間躍遷。

首先定義出用戶在平台上的生命周期節點。整合用戶行為數據，利用算法能力計算出用戶在生命周期中所處的位置，並預測用戶躍遷到下一狀態的概率。當識別出用戶處在躍遷邊界時，干預系統將通過全鏈路的觸點向用戶強調響應的貨品、品牌、權益等信息，驅動用戶快速躍遷。例如：當我們預測到一個用戶長時間沒有核心行為發生，即將流失的時候，就會通過上述方式，使用定向貨品去刺激他，產生購買行為。我們用“臨門一腳”形容這種驅動用戶躍遷的運營方式。

策略5 —— 平台提效

提效問題是工程團隊最擅長解決的問題之一，我們擅長以技術的方式替代人工，把過去需要兩周完成的工作提效到15分鐘完成。然而，在接觸用戶增長的不長時間裡，我發現這種以提效為目的的系統建設只是對生產工具的改進，只能帶來量變。處在一個數據驅動和人工智能快速發展的背景下，技術團隊需要承擔更多，需要改變我們的生產力水平，引入更先進的方法論，給業務帶來質變。

提升生產力，要改變的是整個工作的方式方法和流程，這就要求技術團隊不僅僅能在單點上做好工具，提升效率；還要進一步把各個單點串聯起來，形成工作流，把更先進的用戶增長理論實體化，流程化，變成日常工作的默認選項。

例如，我們認為“上卷和下鑽”是數據分析中更加先進的方式，所以我們通過技術手段把這兩項操作工具化。用戶可以使用工具，快速對數據進行上卷或下鑽，高效完成分析工作，拿到分析結論。

另外，我們認為A/B實驗是快速驗證方案效果的最佳手段，所以開發了實驗平台，系統化解決了數據可信度，流量分桶等等基礎問題。所有業務都可以在平台支持下快速實驗，拿到結果。

然而，工具做完了，效率提升很大，但有一個問題始終不能解決：如果我沒有意識進行數據深入分析，也就不會使用“上卷和下鑽”的工具，如果我沒有意識要驗證決策，也就不會在產品發布流程中設計實驗。所以，工具和單點優化提升了本來就要做這件事的人的效率，但並沒有把這個先進的理論推廣，甚至普及。

要解決這個問題，就需要我們通過技術手段改造整個產品的發布流程。流程上形成“數據採集-基本分析-深度分析-驗證決策”的閉環，把“上卷/下鑽”分析和“A/B實驗”作為默認選項植入流程，使整個流程進入一個更先進的階段。

用戶增長團隊的能力升級 —— 數據為王

除了技術策略，最後想分享的是我所理解的用戶增長團隊的能力提升，尤其是像我所在團隊這種從常規的工程技術團隊轉型而來的用戶增長技術團隊該如何提升能力。

一般說來，傳統的工程技術團隊最重要的技能是“編碼技能”，最重要的理論是“工程和架構理論”。最初我們在這兩方面都比較差，而前期更多的是編碼技能的提升，隨着編碼技能提升能接觸到更多核心系統，承擔更重要職責，所以逐漸在軟件工程和架構設計的理論上有所提升。而在能力發展後期，理論和經驗的提升將成為能力提升最重要因素。

而用戶增長團隊則有所區別，在我的理解中，用戶增長技術團隊最重要的是“數據技能”和“用戶增長”自有的一套理論，在這兩方面的帶動下，結合上工程技術能力，才能真正做好增長，真正體現出一個“用戶增長技術團隊”的差異性價值。而且，在用戶增長能力提升前期，更快積累的是理論，用戶增長理論發展時間相對較短，複雜性也遠不如軟件工程和架構設計。所以，前期了理論積累相對快速，而數據技能是需要每個人實打實的從0開始學習。能力發展後期，支撐能力提升的更是數據能力，因為在用戶增長領域，需要我們能在數據中找到增長的機會和問題，在數據中驗證決策，在數據中完成增長。

數據技能非常重要，我在團隊中始終對剛剛開始接觸數據的成員有兩個建議：解釋趨勢和關注分布。

+ 關注趨勢：選定一個需要關注的核心指標，建立其在時間維度的圖表，關注趨勢變化。通過各種手段試圖解釋趨勢發生變化的原因，在解釋原因的過程中就可以抽象出具有參考意義的方法論或是經驗。

+ 關注分布：關注核心指標在各個維度上的分布情況，找到分布不均勻的維度，不均勻本身就是機會或問題所在。通過進一步的分析，找到解決不均勻的方案，提出假設，大膽實驗。