增長黑客：客戶深度運營的13個關(guān)鍵數(shù)據(jù)模型

有人問我一個很“實在”的問題，分析和優(yōu)化用戶運營，有哪些模型。

我把一些常用的模型一一簡單介紹之后，忽然發(fā)現(xiàn)，這已經(jīng)可以寫一本書了。不過，寫一本書的時間可能不夠，但寫一篇文章還是完全可行的。

因此，正好把這些年來做過的和所想的模型與方法，跟大家簡要介紹。當(dāng)然，文字表述終究有限，絕知此事要躬行，還是建議大家從真正的實踐中驗證模型，甚至找到自己的模型。

另外，在下面的這些模型中，我難免不帶著“批判的”眼光去看待這些模型，因為沒有完美的模型，任何模型均有適用范圍和缺陷，真正可用的模型，永遠來自于你自己的業(yè)務(wù)。

這13個模型分別是：

第一類：運營思維模型

1. AARRR
2. AIPLA
3. MOT

第二類：客戶認知模型

1. RFM
2. 自定義聚類
3. 用戶活躍度模型
4. 用戶偏好識別模型

第三類：運營增長模型

1. 留存曲線
2. Cohort模型
3. 增長曲線
4. K因子
5. 流失預(yù)警模型
6. 誘餌、觸點與規(guī)則模型

第一類：運營思維模型

運營思維模型是那些“非常正確”但并不能讓你立即采取行動的模型。不少人對這些模型存在“意見”，正是因為他們很正確卻又“無法落地”。另有聰明的朋友可能會覺得，這些模型都是“馬后炮”，這不就是我日常策略的總結(jié)嘛。話雖如此，這些模型仍然是對成功策略的簡單精辟的總結(jié)。

1.AARRR模型

AARRR模型的適用范圍往往在數(shù)字化產(chǎn)品和服務(wù)端，但對傳統(tǒng)業(yè)務(wù)也有啟發(fā)。但我過去幾乎都是忽略這個模型不講，因為這個模型最大的問題在于，它給出了一個“正確的廢話”，卻不能告訴叫你究竟應(yīng)該怎么做。

AARRR的含義是：引流-激活-留存-變現(xiàn)-推薦。后面三個的順序有爭議，不同的人有不同的解釋?？傮w來看，這個模型的實質(zhì)仍然是：引流-互動-轉(zhuǎn)化-留存-推薦，是對客戶正常的忠誠周期中一步步轉(zhuǎn)化進行描述的模型。

很多人認為這個模型是“新瓶裝舊酒”，但事實上，這個模型強調(diào)了過去比較少強調(diào)的客戶經(jīng)營策略，例如，它強調(diào)“激活”，也強調(diào)“推薦”，這是在數(shù)字世界中更容易實現(xiàn)的用戶策略，而在傳統(tǒng)世界中則相對較難。

但事實上，近年來很多成功的數(shù)字經(jīng)濟下的客戶增長，是否本質(zhì)符合AARRR模型，也存在爭議。例如，相當(dāng)多的聲音質(zhì)疑“小藍杯”和“小黃車”之類的增長模式并不符合真正的AARRR模型，只會對運營者有更大的誤導(dǎo)。對于“小藍杯”，最大的爭議在于它的增長并非來源于“自推薦”，而是來自于“利誘推薦”，即以虧損作為代價進行補貼，換取用戶數(shù)量后在資本市場實現(xiàn)變現(xiàn)的操作模型。“滴滴”某種程度上也是這樣的模式——這造成了滴滴直到今天仍然嚴重虧損?！靶↑S車”的問題則在于它的用戶增量雖然確實來自于運營，但這運營的核心在于提供更具有競爭力的產(chǎn)品（更好騎的車輛+更廣闊的覆蓋），而通過推薦（Refer）所帶來的用戶增長則非常有限。

Facebook和Linkedin常常被作為AARRR的典型例子傳播，但容易被忽視的一點是，F(xiàn)acebook和Linkedin都是具有強烈的“網(wǎng)絡(luò)效應(yīng)”的產(chǎn)品，因此推薦（Refer）就不再僅僅是一種運營策略，而是由其產(chǎn)品的先天基因所決定的。這是大多數(shù)今天的數(shù)字產(chǎn)品想要擁有，卻無法根本擁有的特性。那些天生擁有這樣特性的產(chǎn)品，今天早已被開發(fā)殆盡。例如七八年前的微信，或是更早的淘寶。

那么，我們要從AARRR模型中學(xué)到什么？它是否并不能真正有效指導(dǎo)我們？并非如此，這個模型是一個類似于“check list”的思想，告訴了我們應(yīng)該將運營工作分為五個需要深入思考的部分，以及這五個部分之間可以通過運營構(gòu)建起相互的關(guān)聯(lián)。當(dāng)然，在這個模型中肯定并未告訴你應(yīng)該怎么做到，因此，需要更具有操作性的模型才能實現(xiàn)AARRR的思想所倡導(dǎo)的結(jié)果。在本文后面，我們會介紹具體的幾類更具操作性的模型。

2.AIPLA模型

如果數(shù)字世界中強調(diào)AARRR，那么傳統(tǒng)世界的用戶運營模型則是AIPLA，即Awareness – Interest – Purchase – Loyalty – Advocation（認知-興趣-購買-忠誠-擁護）。僅從字面上看，你就會發(fā)現(xiàn)這個模型簡直跟AARRR模型沒有什么本質(zhì)差異。AIPLA描述了傳統(tǒng)世界中客戶的轉(zhuǎn)化過程，即從對產(chǎn)品有所認知，一直到成為“死忠粉”的全過程，并強調(diào)在此過程中各個階段應(yīng)用不同的運營策略。

的確，AIPLA模型被廣泛提及，例如，阿里的品牌數(shù)據(jù)銀行的主邏輯，就是AIPL（沒有A），騰訊數(shù)據(jù)智庫（TDC）也是如此，只是換了同義詞表述而已，本質(zhì)沒有變化。

盡管看起來幾乎一樣，但AIPLA與AARRR還是有所不同，在于AIPLA強調(diào)客戶從一端（Awareness）到另一端（Advocate）的有序的線性過程，而AARRR中的RRR則完全可能是無序的。例如，你的用戶完全可以不購買你的數(shù)字產(chǎn)品，但仍然可以非常忠誠地使用你的產(chǎn)品或跟人推薦你的產(chǎn)品，這在傳統(tǒng)世界中這幾乎是不可能的。因此，傳統(tǒng)世界中的AIPLA模型更強調(diào)首尾銜接的過程化的運營，而數(shù)字世界中的AARRR則更多單點的激活策略。

也正是因為上面的現(xiàn)象，導(dǎo)致傳統(tǒng)世界的客戶深度運營相對于數(shù)字世界而言總體更困難。這也是為什么傳統(tǒng)領(lǐng)域紛紛需要“數(shù)字化轉(zhuǎn)型”的一個重要的原因，大家需要把線下的運營線上化，從而更能夠深入運營客戶。

AIPLA模型應(yīng)該怎么落地？這個模型同樣屬于“思維方式”模型，落地則需要其他工具的幫助。我們后文介紹。

3.MOT模型

消費者旅程的核心思想——無論它的表現(xiàn)形式是AARRR，還是AIPLA——都將消費者的購物行為描述為從認知到興趣，再從興趣轉(zhuǎn)化為購買，以及從購買轉(zhuǎn)化為忠誠的一連串先后發(fā)生的過程。這一過程被稱為消費者旅程。

消費者時刻（Moment of Truth，簡稱MOT）是消費者旅程中的一些關(guān)鍵“里程碑”似的節(jié)點。例如，搜索某個產(chǎn)品，又或者把這個產(chǎn)品的信息分享給其他人。這個概念最初來源于寶潔。

你可以發(fā)揮想象——一個客戶在其消費旅程的全過程中，就像或明或暗若隱若現(xiàn)的一條彎彎曲曲的道路，而MOT就像這個道路中間燃燒的火把，指引著這條路的方向。

我們無法直接控制消費者旅程，但能透過MOT來對消費者旅程施加影響。甚至很多時候，我們也無需參透消費者旅程到底是什么，我們只是在設(shè)計MOT，對這個消費者施加影響，從而讓他快速切變到下一個更接近于轉(zhuǎn)化的MOT或者甚至是轉(zhuǎn)化本身。

MOT中又有一類是非常重要的，即ZMOT（Zero Moment of Truth，原初MOT），意思是在某種情況的刺激下，一個人最初的一個心理上的活動，讓他意識到他需要購買某個東西或者服務(wù)。對于Google而言，這個心理上的活動體現(xiàn)為在搜索引擎上進行搜索。對于阿里而言，這個心理活動起始于一個人開始了一個一段時間內(nèi)從未有過的某類商品的搜索。

另外一個MOT是UMOT（Ultimate Moment of Truth），即最終的MOT，人們在整個購物歷程中的最后一個關(guān)鍵時刻，往往就是把自己的商品體驗分享出去的時刻。ZMOT和UMOT的思想來自于谷歌。

第二類：客戶認知模型

與第一類模型不同，第二類模型是可以讓我們實際操作的模型，并且基于這些操作，我們可以更深入的了解客戶的情況，從而為我們的運營策略提供依據(jù)。

1.RFM

RFM模型的核心用途是對所有的客戶進行價值衡量，然后對這些客戶進行分類。因此，本質(zhì)上這個模型是一個非常簡單的分類模型。

你可以想象你是一個農(nóng)場主，蘋果豐收了，你想把蘋果分為不同的類別定價售賣。于是你制定了分類方式：蘋果的“膚色”、蘋果的大小，以及蘋果的口味。紅色的大蘋果且脆甜的屬于一類，綠色的大蘋果且粉甜的也屬于一類，這樣大概可以分出8類蘋果。然后按照各種類別的蘋果進行標(biāo)價。

RFM就是這樣的道理，三個字母就代表了三個分類標(biāo)準：R和F和M。R即發(fā)生購買的日期的臨近度，R的值越大，表示交易是越靠近現(xiàn)在發(fā)生的，否則則是更久以前發(fā)生的。F是購買頻次，F(xiàn)越大，說明交易的次數(shù)越多。M則是交易金額，M越大，金額越高。

RFM三個標(biāo)準，往往用數(shù)據(jù)代筆的程度表示，比如R用1、2、3表示，3表示最近購買，1表示很久以前購買，2則表示在中間階段。如果用最簡單的0和1表示，則同樣可以把自己的客戶分為8類，如下表所示：

當(dāng)然，你也可以把每個標(biāo)準都設(shè)定5個檔次，那么就會有5的3次方供125個類別的客戶，如下圖所示：

對于不同類型的客戶，立即可以有不同的運營策略。比如，對于重要挽留客戶，需要做的事情，就是AARRR模型中的第二個A，即激活。至于如何激活，則需要用到另外的模型，也就是我們后面要介紹的“誘餌、觸點、規(guī)則”模型。

RFM主要是用在零售行業(yè)中，它并不是對所有行業(yè)都有用，原因很簡單，因為RFM的R和F對很多行業(yè)而言并不存在。比如，學(xué)歷教育，F(xiàn)可能永遠都只有1次。

但對于存在高頻用戶互動的行業(yè)，RFM的思想?yún)s很有用，即使這個行業(yè)并不追求立即的轉(zhuǎn)化，也就是不太在乎短期內(nèi)的M，RFM仍然可以使用。例如，對于信息流媒體，它并不需要用戶在信息流上買東西，同樣可以用RFM衡量用戶的價值，無非是把M換成另外一個度量，比如閱讀新聞的時間即可。

RFM價值很大，一方面是它幾乎是最容易操作的模型（用excel做一個條件即可），另一方面是它具有很強的適應(yīng)性。但它的弱點也很明顯，對于客戶的分類不夠精細，它提供了一個衡量客戶“重要度”的線索，但除此之外，缺乏更深入的用于幫助運營的信息。

2.自定義的聚類

自定義的聚類與RFM的思想本質(zhì)上是一致的，區(qū)別在于，自定義的聚類是自己選擇標(biāo)準去給現(xiàn)有的客戶做分類。

自定義的客戶聚類的目的是為了彌補RFM的短板，畢竟不是所有的業(yè)態(tài)都是零售業(yè)，而且也并不是所有的業(yè)態(tài)都適合于用簡單的層次劃分來區(qū)隔客戶。

自定義的聚類可以自己選擇任意合理的標(biāo)準（也就是變量）來聚類客戶，并且可以不止三個標(biāo)準，你甚至可以擴展到十個以上的標(biāo)準。不過，這個方法顯然不能簡單利用excel就能做到，而是需要利用數(shù)據(jù)建模（聚類本身就是一個數(shù)據(jù)處理的模型）才能完成，例如使用SPSS或SAS工具。

自定義聚類的優(yōu)點在于靈活，但也有缺點。聚類模型的算法，如果不加約束，往往會聚類出遠超出你的想象的數(shù)量的客戶群，如果你真的用十個以上的標(biāo)準，可能會聚類出上千個客戶群，這樣你就無法對這些群體進行解讀。

最佳實踐方式是，選擇3-4個與客戶的行為或運營的成敗最相關(guān)的標(biāo)準即可，然后約束生成聚類的群體的數(shù)量，最好10個以內(nèi)，是容易被處理和理解的。

3.用戶活躍度模型

與自定義的聚類一樣，用戶活躍度模型也是一個完完全全的自定義的模型。這個模型有另外一個名字，即engagement index。

Engagement index的價值在于衡量不同客戶（用戶）的活躍度，這個模型與前面的聚類或者RFM的最大區(qū)別在于，它完全不care用戶最終是否發(fā)生了購買行為，而僅僅只看用戶使用你的產(chǎn)品或者與你互動的強度。

建立用戶活躍度模型并不困難，因此它也是一個極有使用價值的模型。具體方法分為幾步：

• 對所有的消費者觸點平臺加監(jiān)測代碼，對所有消費者交互的位置進行埋點，以確保消費者的行為能夠全部被記錄；
• 對不同的消費者交互根據(jù)其價值構(gòu)建權(quán)重；
• 對每個消費者的總互動行為根據(jù)權(quán)重計算分值。

權(quán)重的設(shè)置有一定的技巧，一種方法非常主觀，但實際上卻很有作用，即，直接根據(jù)對于消費者行為價值的經(jīng)驗性判斷，來給不同類型的消費者互動打分。另外一種，則是根據(jù)各行為與最終轉(zhuǎn)化之間的比例關(guān)系進行權(quán)重設(shè)置。

比如，一個最理想最極端的例子（但這樣的例子有助于大家理解），如果你認為最終的一個轉(zhuǎn)化價值1000分的話，那么轉(zhuǎn)化之前的用戶的行為可以按照與轉(zhuǎn)化發(fā)生的比例“打分”。例如，每發(fā)生1次轉(zhuǎn)化，就需要看商品介紹頁面100次，那么查看商品介紹頁的行為每發(fā)生一次，就值10分。

用戶活躍度模型的缺點在于，必須利用用戶行為分析工具進行埋點，并且有些工具不支持自動化的用戶活躍度打分，此時你就必須導(dǎo)出數(shù)據(jù)自行計算。nEqual的及策（Jice）工具支持這一功能，這也是為什么我認為這個工具具有亮點的原因。

幾乎所有的高頻次客戶（用戶）互動的業(yè)態(tài)，都可以使用用戶活躍度模型。用戶活躍度不僅用來衡量用戶的價值，也用來衡量流量的質(zhì)量，所以是非常重要的模型。在我的大課堂中有大量的內(nèi)容和案例介紹它及它的應(yīng)用。

4.用戶偏好識別模型

用戶偏好識別模型是一個歷史悠久且極有價值的模型。這個模型實現(xiàn)較為復(fù)雜，需要利用算法實現(xiàn)。

實現(xiàn)對用戶的偏好進行分析和識別的算法與用戶活躍度模型實際上有關(guān)聯(lián)，即都是利用用戶具體的行為進行判斷，區(qū)別在于后者只是判斷活躍度，而前者還要判斷人們因為什么（偏好）而活躍。

用戶偏好識別模型取決于算法，可以很簡單，也可以非常復(fù)雜（但可能具有更高的精度）。例如，僅僅只是用一個維度，即“點擊”行為即可以作為用戶興趣的特征，然后建立商品（或內(nèi)容）與行為之間的二元矩陣，即可以求解用戶偏好，但這種方式非常粗糙。

如果考慮除了點擊之外的更多的行為，例如收藏、點贊、評論、購買等，那么就需要對用戶的不同行為加權(quán)，此外，如同RFM模型一樣，再將行為發(fā)生的次數(shù)和新近度也考慮在內(nèi)，那么整個算法就會變得更加復(fù)雜，卻更加準確。

當(dāng)然，有沒有不需要算法的用戶偏好識別模型？也有，問卷調(diào)查就是。只不過，范圍太小，效率也太低下了。

用戶偏好識別模型的意義非常巨大，即，通過用戶的行為判斷用戶的興趣，從而給予實際的運營工作以巨大的支持。用戶偏好識別模型也是推薦引擎的基礎(chǔ)之一。當(dāng)然，它也是DMP和CDP這樣的消費者數(shù)據(jù)平臺給消費者打標(biāo)簽的基礎(chǔ)。在我的大課堂中，會詳細介紹。

第三類：運營增長模型

運營增長模型對于運營工作具有直接的指導(dǎo)意義，也是我個人認為每一個運營人都應(yīng)該熟練掌握的模型。

1.留存曲線

留存曲線是最簡單的用戶運營增長模型。即，它將留存率（或者留存數(shù)）按照線性的時間進行排列。

一個最簡單的excel就能表示留存曲線的情況。比如，下圖：

留存曲線一般是由留存率組合而成，這樣不同基數(shù)的群體也可以相互比較。留存率的反面（用1減去留存率）是流失率（churn rate）。

流失率 = 1 – 留存率

留存曲線的斜率是另一個值得關(guān)注的指標(biāo)，而且是一個很有意思的指標(biāo)。顯然，斜率越高，用戶或者客戶的留存情況越不理想。對于不同的生意類型，留存曲線的斜率極限是多少呢？

游戲、社交等高頻app很關(guān)注次日留存率、十日留存率和月度留存率，一般而言，次日留存率應(yīng)該在30%以上，或者說低于30%就很危險。它們的十日留存率的極限是不能低于15%，月留存率的極限不能低于10%。

快消品的電商則更多看月度留存率，其留存曲線的斜率與品類有很大的關(guān)系。如果是什么商品都賣的賣場類電商平臺，次月留存率（指當(dāng)月發(fā)生購買，次月也發(fā)生購買的人占當(dāng)月總購買人群的比例）保持在10%已經(jīng)相當(dāng)不錯。

總體看，業(yè)態(tài)和商品，以及營銷策略只要有一點區(qū)別，留存率就會很不相同，因此，很難有一個行業(yè)標(biāo)準值，比如符合某一個數(shù)值就能“生”，達不到某一個數(shù)值就會“死”。但你仍然可以從留存曲線中看到自己生意是否成功，因為，你很容易在你的當(dāng)前留存曲線情況下計算未來這群人的收入，并且計算出真正的ROI，例如下面這個例子。

假設(shè)你為了獲取當(dāng)月新增的用戶，付出了500元的成本，而這些新增用戶當(dāng)月已經(jīng)給你帶來了1000美元的收入。假設(shè)每個月這些用戶的購買傾向都沒有發(fā)生明顯變化，那么未來若干個月，這些用戶中留存的人肯定還會繼續(xù)購買，并且購買的金額隨著流失的比例而同等下降。

如下圖：

500元的投入，換得未來7430元以上的收益，感覺是相當(dāng)不錯的運營成績。

2.Cohort模型

我在多處都強調(diào)過Cohort模型的價值。Cohort模型最重要的作用就是分析不同客戶群體的留存情況，從而幫助分析更好的留存是如何產(chǎn)生的，并指導(dǎo)運營提升留存。

Cohort本質(zhì)上就是不同類人群的留存曲線的堆棧。

Cohort模型的優(yōu)點在于，你可以只用excel就完成全部的建模，而且加上excel的“條件格式”的“色帶”功能，簡直好用極了。如下圖所示：

Cohort分析還沒有一個所有人都統(tǒng)一使用的翻譯。有的說是同期群分析，有的說是同類群分析，有的說是隊列分析，有的說是世代分析，有的還說是隊列時間序列分析。

無論哪種叫法，cohort分析在有數(shù)據(jù)運營領(lǐng)域都變得十分重要。原因在于，隨著流量經(jīng)濟的退卻，精耕細作的互聯(lián)網(wǎng)運營特別需要仔細洞察留存情況。Cohort分析最大的價值也正在于此。Cohort分析通過對性質(zhì)完全一樣的可對比群體的留存情況的比較，來發(fā)現(xiàn)哪些因素影響短、中、長期的留存。

Cohort分析受到歡迎的另一個原因是它用起來十分簡單，但卻十分直觀。相較于比較繁瑣的流失（churn）分析，RFM或者用戶聚類等，cohort只用簡單的一個excel表，甚至連四則運算都不用，就直接描述了用戶在一段時間周期（甚至是整個LTV）的留存（或流失）變化情況。甚至，cohort還能幫你做預(yù)測。

除了用Excel的純粹數(shù)字化的表示，cohort一樣可以用圖形化的方式來表達。例如，下圖中展現(xiàn)了每個月在隨后若干月的留存用戶數(shù)量（面積圖），以及每個月的總用戶數(shù)量（紅色的粗線）。這個圖比較直觀的反映了，在2018年3月份的新用戶，留存情況要顯著優(yōu)于其他月份。

Cohort模型非常重要，因此在我的大課堂會做詳細的介紹，以及具體的應(yīng)用案例。

3.增長曲線

增長曲線有J和S型兩種。以及影響增長曲線構(gòu)型的外部因素K。

增長曲線模型來自于生物界研究，即研究一個物種的擴張能力究竟有多強。如果沒有外部環(huán)境的壓力（食物競爭、天敵、生存環(huán)境不變且不會因為數(shù)量增加而惡化等），那么顯然物種會成幾何級數(shù)量增長，就跟細菌分裂一樣。這會產(chǎn)生一個J型曲線。否則，則是S型曲線。

今天我們能夠看到的增長，基本上都是S型曲線。而，為了讓S型曲線能夠向J型方向移動（這是所有運營人的夢想），必須改變外部的環(huán)境K。簡單講，運營工作的核心，就是改變K。

實戰(zhàn)中增長曲線應(yīng)該如何使用？坦率講，增長曲線并不是一個非常能落地的模型，或者說，它屬于一個“相對比較理論化”的模型。這個模型更像是一個衡量好壞的指標(biāo)，CEO可能會非常喜歡，尤其是看到用戶的增長曲線走出一個類似“J型”的時候。但這個曲線能夠多大程度指導(dǎo)深度運營？確實非常有限。

下面這個曲線，是某微信公眾號用戶增長的曲線，看起來進入2019年之后，增長情況好于過往。

4.K因子

K因子是一個很容易理解的模型，或者說它是一個很簡單的指標(biāo)，用來衡量“裂變”和“病毒傳播”（這兩個名詞本質(zhì)上沒有區(qū)別），即一個發(fā)起推薦的用戶可以帶來多少新用戶。

K因子以1為分界線，如果大于1，那么傳播會越來越擴張，像細胞分裂一般。例如，癌細胞，因為癌細胞短時間內(nèi)只會分裂不會死亡，因此它的K因子值是2。K是2的情況已經(jīng)非常嚇人。但如果你的產(chǎn)品，一個人能傳給百個人，并且能按照這個比例一直傳下去，那么K可能等于100。

最需要把K因子作為KPI考核的生意是“傳銷”，因為它一旦K大于1，就能聚斂巨大的財富。不過它是違法的。

我們大部分看到的內(nèi)容傳播，或者裂變玩法的K值都會很快小于1。唯有用金錢刺激并無限層級返傭的傳播活動才容易讓K大于1，但這等同于傳銷。

計算K因子值很簡單，例如下圖

A發(fā)起了一次推薦，結(jié)果帶來了B和另外一個用戶。然后B也發(fā)生了一次推薦，又帶來了三個用戶。不過橙色標(biāo)記的用戶都沒有發(fā)生推薦行為，也就沒有產(chǎn)生新的用戶。

這個簡單的傳播過程，K因子值是2次推薦，產(chǎn)生了5個新用戶（因為B也是新用戶），K因子=2.5。

下圖則是另外一種情況，有ABCD四個原生用戶，他們都發(fā)起了推薦，可是只有A人緣好，帶來了兩個新用戶，但這兩個新用戶都沒有發(fā)起推薦。C人緣也湊合，帶來了一個新用戶。C帶來的新用戶E也發(fā)起了推薦，可惜并沒有產(chǎn)生更多用戶。因此，K因子值是5次推薦，只產(chǎn)生了3個新用戶，K因子=0.6。

djust統(tǒng)計了大量的app的K因子，他們最終發(fā)現(xiàn)K因子的確在app中存在，但并不適用于當(dāng)前市場上的大多數(shù)app。

Adjst在30%的樣本中發(fā)現(xiàn)了K因子。在這些樣本中，數(shù)據(jù)團隊得出K因子的中值為0.45。這意味著（按照樣本中值的應(yīng)用運行情況）每100個付費安裝將帶來45個額外的自然安裝。而這僅僅是中值，樣本中有些應(yīng)用收獲了數(shù)百，甚至是數(shù)千次額外安裝，但也有很多app完全沒有任何用戶推薦產(chǎn)生的安裝。

K因子本身在實踐中更多幫助我們衡量傳播，尤其是裂變傳播的效果。而關(guān)于營銷傳播以及裂變傳播的數(shù)據(jù)化策略與方法，在我的大課堂中將會詳細為大家介紹。

5.流失預(yù)警模型

嚴格來講，流失預(yù)警模型不能算是一個模型，而更像是一個數(shù)據(jù)挖掘方法。流失預(yù)警常用決策樹來進行數(shù)據(jù)挖掘，基于歷史上的流失人群，根據(jù)附著在他們身上的各種變量計算他們的特征，然后將這些特征放在不同時間段的其他流失數(shù)據(jù)中進行驗證，從而得到一個預(yù)測模型。

流失預(yù)警大量應(yīng)用于游戲、零售、訂閱服務(wù)、SaaS類型的軟件產(chǎn)品等行業(yè)。由于涉及到數(shù)據(jù)挖掘，太過于技術(shù)和操作性，具體的內(nèi)容本文就不再多介紹了。我在大課堂上同樣將會對它進行介紹和解釋。

6.誘餌、觸點與規(guī)則模型

這個模型并不是直接的數(shù)據(jù)化模型，但卻是用戶深度運營的極為重要的方法模型，同時需要全程利用數(shù)據(jù)才能落地，因此也將它放入數(shù)據(jù)模型之列。該模型最早由紛析咨詢（Fenxi Data）提出并使用。

這個模型強調(diào)在所有細節(jié)的運營工作都由“誘餌、觸點和規(guī)則”三個要素構(gòu)成。運營策略的核心，就是在這三個元素上進行設(shè)計。

例如，2017年某KOL代言寶馬Mini的活動，就是誘餌、觸點和規(guī)則的統(tǒng)一。誘餌，當(dāng)然是限量版特殊顏色的Mini，以及更便宜的價格；觸點，是這個網(wǎng)紅，以及微信公眾號平臺；規(guī)則，則是先到先得。所以在短時間內(nèi)銷售了100臺。

但這個案例只是一個簡單的例子，今天的運營遠比網(wǎng)紅帶貨要復(fù)雜。例如，下面展示了一個2B業(yè)務(wù)的“全客戶生命周期”的“誘餌、觸點和規(guī)則”的策略，因為保密的關(guān)系，我們無法展示所有內(nèi)容，但大家已經(jīng)可以意會。

為什么這個模型會將“觸點”也作為一個重要的元素，原因在于，唯有觸點能夠作為追蹤用戶的數(shù)據(jù)載體，從而為我們建立用戶偏好識別模型。而這些標(biāo)簽，又進一步幫助我們選擇“誘餌”以及建立更合理的“規(guī)則”。

這個模型十分具有操作性，限于篇幅關(guān)系，不再贅述。

上面所列舉的一共13個模型，歡迎大家參考。

文：宋星@網(wǎng)站分析在中國(chinawebanalytics)

宋星，系國內(nèi)領(lǐng)先的互聯(lián)網(wǎng)數(shù)據(jù)咨詢機構(gòu)“紛析咨詢”創(chuàng)始人。
宋星是數(shù)據(jù)化互聯(lián)網(wǎng)營銷與運營最資深的從業(yè)者和行業(yè)意見領(lǐng)袖，陽獅媒體集團特聘顧問，百度集團顧問與鉆石講師，騰訊星河計劃顧問，Google mLab顧問，北京航空航天大學(xué)特聘教授，前陽獅媒體集團數(shù)據(jù)、技術(shù)與創(chuàng)新事業(yè)部總經(jīng)理，前Adobe Omniture Business Unit亞太區(qū)首席商業(yè)咨詢顧問。

首席增長官CGO薦讀市場營銷：

• 《 增長黑客、品效合一、私域流量，營銷熱詞背后的邏輯 》
• 《 三張表格告訴你增長黑客CGO怎么做運營數(shù)據(jù)分析〉〉 》
• 《 產(chǎn)品增長：如何確定產(chǎn)品的運營玩法 》

更多精彩，關(guān)注：增長黑客（GrowthHK.cn）

增長黑客（Growth Hacker）是依靠技術(shù)和數(shù)據(jù)來達成各種營銷目標(biāo)的新型團隊角色。從單線思維者時常忽略的角度和高度，梳理整合產(chǎn)品發(fā)展的因素，實現(xiàn)低成本甚至零成本帶來的有效增長…