前言：最近一直在研究互联网产品的AARRR模型和Growth Hacking，有了一些思考，所以和大家分享一下，希望能够抛砖引玉，欢迎持有不同见解的朋友讨论、拍砖。

那么为什么要精细化分析？什么是Growth Hacking,并且我们如何去做Growth Hacking呢？接下来我将从“人群差异化”、“从流量经济到AARRR用户模型”、“硅谷公司的Growth Hacking”、“寻找自己的Growth Hacking策略”等几个方面去解释。

人群差异化

有过App（网站）开发和运营经验的朋友，一定对百度统计，友盟，Google Analytics等统计工具毫不陌生，它们可以提供一些基础数据统计服务，比如总用户数，每日活跃用户数，或者页面访问数等等。只是这些分析只能是一些通用的细分维度下（如渠道，版本等）的统计数字，所以这些统计工具无法从更详细的维度（例如用户的人口属性，用户的行为事件等）去细分用户群体。

我们看看下面几组来自Talkingdata的年度报告图片：

首先，从用户年龄群来看，90后，80后，70后及以下的人群分布已经越来越均衡，由此可以预见到的是上网人群的年龄也会从过去相对集中的二三十岁的年轻人到全年龄层的分散。

其次，城市的覆盖，也意味着上网人群从过去集中在一二线城市的情况，变成了到三四线城市的全面分布。

第三，上网环境的优化，WiFi和4G的增加以及2G的减少，意味着，应用内容会越来越丰富，显示的内容将不再受到网速的约束。

第四，北上广深的应用偏好差异，意味着城市文化与节奏的差异已渐渐影响到不同城市人群的喜好。

2000年互联网起步，2005年的web2.0以及2009年的移动互联网的几波浪潮期间，互联网人群还比较集中在80后，一二线城市，没有太大的差异。但是现在，随着互联网人群从年龄，城市等多方面的渗透分布，差异化越来越明显。所以，如果几年前互联网还可以认为流量影响的人群比较一致，不用作细分分析的话，那么现在对于App或者网站而言，人群差异一定会存在不同的使用影响，例如母婴类应用，全职妈妈或者白领妈妈，一二线城市的妈妈或者三四线城市的妈妈，抑或外婆奶奶这种“伪妈妈”，她们对于应用使用也会有不同的差异。

从流量经济到AARRR用户模型

其实现今为止，大多数公司只关注三件事：流量、用户、收入。

他们关注的是通过大批流量的入口，招来大批用户，然后再带来大量收入，或者换言之，这是一种“流量经济”。但现在，如上面所述人群差异化越来越明显，导致以前的这种方式，会越来越低效，出现了越来越多的无用投放，以致于最后出现这样一种现象：通过流量交换，或者一些渠道与CP其实已经影响了很多用户，但最终留存下来的用户却很少。

之前36kr有篇文章《流量时代何时走向终结》写过这样一句话：“‘流量经济’的重点在于‘洗’，要找到一种与之相对的模式，那一定是‘粉丝经济’，其重点在于‘养’”。

所以抛开流量增长带来的收入，我们更应该关心的是流量带来的是什么样的用户，怎么来的用户，以及不同用户怎样产生收入，产生什么收入。

比如说，现在我们很多App常常会换量，找两个CP换量，一个带来5000量，而另一个带来3000量。很多人单从流量数字来看会觉得5000的好，但是没有考虑5000和3000用户背后的留存率，如果5000的量的留存是10%，3000的留存是40%，实际上是后者带来的有效用户是前者的两倍；然后还不止这么简单，如果前者（5000量里的10%的留存）带来的ARPU值是后者（3000量里的40%的留存）的5倍，意味着前者带来的价值又会是后者的两倍多，所以这些都必须通过对人群的深度分析才能得出结论，了解你的高留存用户，然后去“养”这些用户，那么才有可能产生持续稳定的高价值。

所以当“流量经济”已经大打折扣时，就没有别的办法吗？不，其实国外已经提出了一种新的分析思路就是AARRR用户模型。

所谓AARRR用户模型其实就是获取“（Acquisition）”、“激活（Activation）”、“留存（Retention）”、“传播（Referral）”、“收入（Revenue）”，整个步骤如图所示。

用户获取（Acquisition）其实就是通过各种方法吸引用户到自己的平台来，例如常见的搜索引擎优化，二维码扫码，应用市场，内容提供方，社会化分享，软文等等。

用户激活（Activation）就是让用户注册成为你的用户。

用户留存（Retention）就是让用户持续使用你的应用。

传播（Referral）就是让用户愿意替你传播你的应用，例如通过社会化分享或口碑宣传等方式。

收入（Revenue）就是获取用户收入了。

整个过程就是先获取用户，然后部分用户会成为激活用户，而激活的用户里面会有一部分成为留存用户，留存的用户里会有一部分用户帮助向外传播，又会吸引一部分用户，最后留存用户里面会有一部分用户产生收入。

所以再对比刚刚的那个流量模型，显然我们可以通过AARRR的整个过程更加细致的去了解用户的整个生命周期。

硅谷公司的Growth Hacking

Growth Hacking其实是一种用户增长的方式，通常来说即通过一些策略去帮助公司形成快速的增长，但它又不等同于BD和Marketing。

Growth Hackers 并不是BD和Marketing的替代，Growth Hackers并不意味着优于BD和Marketing，BD和Marketing专注于从多方面去发展和推广，而Growth Hackers通常是专注于某一点。

Growth Hackers 利用对产品的理解以及对产品推广运营的分析，去提出策略，帮助公司快速增长，这个过程一般都是要基于技术和分析去探索的。

创业公司更需要Growth Hackers。

所以Growth Hacking最重要的是通过策略去增长，那么有哪些经典的策略呢？

上面几家公司现在都是明星企业，但在初期Growth Hacking都帮助他们实现了快速增长。

可能看到这里很多人还是不太明白这些精妙的策略是怎么想出来的，很多国内的相似企业都会copy他们的策略，但是对于如何去找策略却是毫无思路，之前有一本书叫做《精益创业（Lean Startup）》，这里我要介绍的是《精益数据分析（Lean Analytics）》，里面提到了一个观点就是OMTM(One Metric that Matters)也就是找到影响最大的一个指标。

前面已经说过Growth Hacking会更专注于分析聚焦在某个点的问题，回想刚刚的AARRR模型，其实这就是一个漏斗。

从用户获取到激活到留存，留存到传播和收入就是一个自上而下的漏斗，越往下越窄。理想的境况下，我们都希望这是一个圆柱体，但显然这是比较困难的，而我们要做的就是精细化分析用户获取到收入的整个过程。

对于没有过数据分析运营的公司来讲，这个过程中一定存在很多优化点，纵观整个过程，我们首要的就是找到步骤间转化率最低或者最容易提升的一个点，然后结合这个点去想策略。

我们再回到刚刚的那几家公司的策略：

最典型的是Linkedin，Linkedin发现用户获取是一个低效的点，同时他们发现很多人在搜索引擎搜索自己的名字时没有太多相关信息，所以他们提供了一个功能，就是创建个人资料页，然后帮助做SEO优化，这样，再搜索自己名字的时候，前几个结果就会有用户的专页，这个feature当时就吸引了不少的新用户，并且注册成为他们的用户。

Quora和Twitter都发现了用户获取到用户激活的比例比较低。他们用了不同的策略，Quora增加了注册的途径，比如阅读到一半弹出了注册框；而Twitter则是发现来到注册页面，在注册过程中流失的人很多，因此他们选择的是优化注册流程来提高注册量。

Dropbox 发现从用户的激活到用户留存有提升空间。在发现这个问题后，他们分析发现一部分人注册后并没有下载客户端，而往往他们就是留存最低的那部分人，显然如果能将这里面的一部分人唤醒，那么这个转化率一定能提高，所以他们就给注册了账号但没有下载客户端的用户发送了下载客户端的邮件。

还有一个很有名概念就是“AHA!MOMENT”，可以理解为惊讶时刻，其实也是通过对内部数据的分析，找到一个影响用户留存的关键点，比如Facebook是10天内7个新用户，Twitter是用户关注到达30人，而策略就是刺激用户达到这两个目标了。

所以可以看出，每一种策略都在针对着AARRR模型过程中的某一步。而我们要优化应用和App，首先要做的就是找到整个步骤中存在问题的那一步。

寻找自己的Growth Hacking策略

合理使用工具是重要的一步。

不考虑推送、客户管理等企业工具，单从分析来讲现有的工具主要分两类：通用统计类和精细化分析类。第一类就是开头所讲的友盟这一类工具，他们是最基础的统计服务；Talkingdata、Dataeye则是在统计基础上做了一些垂直化，把一些统计数据包装成行业指标，更利于开发者去阅读理解；而另外一类工具就是Mixpanel和诸葛io(zhugeio.com)，他们为开发者提供的并不是统计服务，而是类似于BI（商业智能）的分析工具。

统计类工具特点是每天计算一次关键指标，用户看到的都是预先计算好的数据，因为分析的维度是固定的。比如对人群在通用维度（版本，渠道等）进行分析。

分析类工具则是非常灵活动态，大多都是实时分析，而且分析人群可以定制化细分（比如和内部数据库相关的人物属性，或者在应用内产生了什么行为等）。

两类工具各有各的特点，对于查看概况，统计类工具无疑是适用的；而对应到要找到Growth Hacking策略之类，则需要深入分析应用以及用户使用过程，那么还是需要分析类工具。

学会使用一些方法

漏斗

漏斗是常用的分析方法，在应用的使用过程中，会有一些层次关系，例如在视频应用中，用户看视频之前可能有很多入口，比如从搜索、推荐、分类，用户都能完成看视频操作，那么哪一个转化率是最高的呢？或者用户有很多种，一线城市、二线城市，那么一线、二线哪个完成看视频的转化率最高呢？再说电商应用，典型场景就是从加入购物车，到下订单，到完成支付，这也是一个漏斗；或者用来支付的方式，是微信支付还是支付宝支付，谁的支付率更高，同样也是一个漏斗，所以用精细化分析工具分析漏斗是非常重要的。

自定义留存

我们之前常常以为的留存，都是用户有没有持续去使用应用其实每个应用的核心价值其实是不一样的。比如知乎日报就是有没有持续去阅读；优美图是有没有持续去看图片；淘宝是有没有持续下订单，甚至对于淘宝而言，持续看商品，持续下订单，持续完成支付的用户价值也是不同的。所以当涉及到精细化分析时，留存也会因为应用内触发行为的差异而不一样，因此自定义留存也能够帮我们去衡量一些用户的持续价值。

找到你自己的问题

回忆一下刚刚的AARRR模型，每一个应用都可以把自己的一些用户行为找到对应的过程中，所以首要的就是你要找到跟这几个过程相关的事件，比如用户获取可能就是用户不同来源，用户激活可能是用户的注册，用户留存就是刚刚说的应用自己的一些核心事件（比如阅读，看视频），用户传播就是分享行为，用户收入就是付费过程了。利用分析工具先检测好这几个点，然后统计中间的转化率，找到提升空间比较大的点，然后再细致的去跟踪中间的过程，比如如果发现分享比例比较低，那么就可以看看是分享的刺激不够，还是分享过程需要优化，比如微信认证或者微博认证流程中出现问题。

最后想说的是，很多小的公司误以为数据分析和自己无关，但从长远来看，了解和熟知自己的客户群体以及产品使用的数据，对于发展和增长的策略来讲很有必要，Growth Hacking离每一家企业都没有那么远。分析数据不用一次把所有的业务都设置成自定义事件。通过分析或者统计工具埋点，数据太多了反而会影响自己去分析，把埋点分析也变成产品迭代的一部分，每次只需要分析一个模块的问题就可以，比如注册过程，分享过程，留存过程等等，核心是每次迭代产品，找到OMTM，分析和优化这个关键指标。

工欲善其事，必先利其器，产品就是你的利器。