数据和AI赋能用户增长

1、数据和AI赋能用户增长- 用户增长的观念实践outline什么是用户增长activationacquisition&referral总结-这是最好的时代，也是最坏的时代1. 用户增长和“增长黑客”用户增长是以产品为核心，以数据为依据，通过免费和付费的各 类手段对用户进行全生命周期的管理维护和提升。用户增长的发展热度可口可乐取消设立 24 年的 CMO 职位Forrester预测2018年至少8年全球100强企业设 立首席增长官一些信息facebook的用户增长团队架构互联网后半场的困局互联网产品发展日趋精细成熟用户注意力高度分散，切换成本极低卖点变标配： “别人收费我免费”，“别人免费我补贴”

2、“用户增长是以产品为核心，以数据为依据，通过免费和付费的各 类手段对用户进行全生命周期的管理维护和提升。”典型的用户增长funnel典型的用户增长funnel (2)来源： growingIO，数据驱动增长大会一个小case：提升PUSH调起的效果发现问题 - 分析数据 - 产生假设 - 设计实验 - 衡量结果，不断循环用户PUSH漏斗：当前所有用户100%场景和策略触发 了服务端发送 PUSH 50%调用通道发 送 30%PUSH展现在手机 上 20%点击2%* 具体数据均为虚构，右侧截图来源于网络一个小case：提升PUSH调起的效果发现问题 - 分析数据 - 产生假设 - 设计实验 -

3、衡量结果，不断循环PUSH内容：标题，文 案，图标PUSH的发送人群、时 间、频次发送通道覆盖和选择服务端和客户端去重承接页面的跳转链路承接页面的内容和体验用户的后续体验一个小case：提升PUSH调起的效果发现问题 - 分析数据 - 产生假设 - 设计实验 - 衡量结果，不断循环PUSH内容：标题，文案， 图标PUSH的发送人群、时间、 频次发送通道覆盖和选择服务端和客户端去重承接页面的内容和体验用户的后续体验承接页面的跳转链路精选内容池，双标题赛马，文案自动编写圈定意向人群、测试点击的时间曲线、测试频次上限提升通道覆盖率，动态决定发送策略 相似PUSH去重，优先级队列排序跳转链路工程分析、

4、弱网优化* 以上具体数据均为虚构动态落地页、页面相关推荐后续功能体验和内容体验的个性化决策用户增长的核心动作数据驱动快速实验abtest framework机器+人工决策小团队迭代用户增长的核心改变 1. 数据驱动1.2 powerful & flexible OLAP/OLDP tools*powerful data visualizinge.g.任意天留存第X天用户在第Y天的各类行为（登陆，播放，评论，购买）e.g.自定义漏斗分析用户增长的核心改变 1. 数据驱动1.3 data driven is especially critical for growth!复杂长链路， 多分叉，易漂

5、移场景灵活，抓 住机遇指标多样复杂， 难以看清本质和非研发岗位 紧密配合和赋 能打通多个部门 和外部合作方用户增长的核心改变 2. 快速实验AB testing frameworkScrum developmentautomated deployment/fast gray releaseReal-time monitoring用户增长的核心改变 3. 机器+人工决策提升效果和效率back to “PUSH优化”能否多组文案同时在线测试择优？能否根据针对每个用户显示个性化的PUSH内容？能否针对每个用户，在不同场景下显示个性化的PUSH内容？降低风险智能预警 自动降级用户增长的核心改变 4.

6、小团队迭代“大中台，小前台”传统： functional team产品，研发，运营，销售，市场增长team：feature team20人以内，多角色混合产品*1+数据分析师*1+后端*3+算法*3+前端*2+运营*2+市场*1 结果导向 + 内部配合 + 快速迭代第一部分结束： 用户增长的核心观念数据和算法如何驱 动核心功能体验？数据和算法如何帮 助获取用户和促进 传播？outline什么是用户增长activationacquisition&referral总结-这是最好的时代，也是最坏的时代Activation：智能决策，第一眼吸引用户Activation首先是一个场景和产品问题，其次才是

7、一个推荐问题广义的推荐应该叫做智能决策，决定用户在什么时机看到了什么： 内容，样式，功能，“90%的互联网产品，第7日留存率低于30%，换言之，70%的用户 在 第 一 周 流 失 了 ” “ 获取一个新用户的综合成本是留住一个老用户的8倍以上”推荐系统：冷启动，最难又最重要的场景深入研究场景和用户收集一切用户特征和场景信息缩短反馈周期多样性和精准性的平衡推荐架构：根据用户意图给出精准结果context analysis userprofilingcontent understandingInformation retrieval & recallctr prediction&ranking

8、conversion/utility predictiongraph modelMulti-layerindexing forlarge dataoutline什么是用户增长activationacquisition&referral总结-这是最好的时代，也是最坏的时代Acquisition互联网广告市场日趋标准和复 杂化，投放成本居高不下互联网广告之外：ASO&SEO、异业合作、事件营销、 短信邮件营销、线下营销等等Acquisition互联网广告市场日趋 标准和复杂化，投放 成本居高不下效果跟 踪LTV、ROI预测反作弊 识别品牌市 场分析智能投 放系统Referral2000年左右，PayPal设计的“推荐用户注册成 功，双方各得10美元”的推荐机制，成功贡献 了当时每日新增7%10%的用户Dropbox用户推荐一个好友免费得500MB空 间的推荐机制，使它在15个月内，用户量由10万增长到400万，成本了最著名的推荐增长案例Referral 意义免费