顧青的增長問答：忘記AARRR和重視用戶研究

許多人一談到增長，就會不由自主地想到許多概念，比如類似AARRR和Facebook的魔法數字。

當然，這些模式都是由于一些成功企業(yè)的產品負責人，或者增長團隊在實踐過程中驗證過的打法，一定是有過成功效果的。

不過，如果大家把這些方式捧為金科玉律，那一定就陷入了思考誤區(qū)。

為什么要忘記AARRR？

首先這些增長公式也是基于特定產品、特定時期渠道的紅利產生的。

比如AARRR中，把推廣獲客作為第一個步驟,而把轉推薦放在最后一個環(huán)節(jié)。

其中第一個A，是指Acquisition。

但是在不同業(yè)務的落地過程中，并不一定按照這個流程走。

把推廣獲客作為最重要的一步，前提是流量成本足夠低。

如果我們可以把流量，比如自然流量的占比控制在60%以上，且量很大，那么你的CAC（用戶獲取成本）的確不用太擔心，則可以有足夠的空間去用“還不成熟”的產品特點去測試。

但是目前的內卷，早就不可能有太多低價流量的機會，所以再用AARRR就有問題了。

我們需要更深入思考產品的價值，把重點放在用戶的留存、用戶的需求挖掘上。

比如有些團隊開始使用RARRA的思考方式，把2個R放在首位：

• 1）Retention — 用戶留存
• 2）Referral – 用戶自傳播

這2件事情的核心都是基于用戶角度來重新考慮整個公司運轉的決策出發(fā)點。

所以增長其實沒有固定的公式，必須結合實際業(yè)務的用戶研究成果和數據分析結論，作出假設，并通過產品迭代來驗證。

這就是需要長期做好用戶研究工作。

為什么要重視用戶研究？

如果我們需要基于用戶角度思考決策出發(fā)點，第一件事就是先放下我們自以為是的經驗。

我寫過一篇文章談“上帝視角”。

事實上，用戶研究是一件需要長期不斷進行的工作，其中包括定量和定性2個方面。

為什么許多具有一定規(guī)模的互聯網企業(yè)和傳統(tǒng)企業(yè)，都開始設立首席經濟學家這樣的崗位？

因為這些企業(yè)已經形成了一個具有網絡效應的經濟體，比如滴滴、淘寶、Linkedin和Youtube。

這些都是具備雙邊網絡效應的業(yè)務，可以這樣想一想：

• 打車 – 司機
• 訂餐 – 餐廳
• 訂酒店 – 酒店門店
• 小說 – 作者
• 視頻直播 – UP主

不少從業(yè)者都會套用“微笑曲線”來看待這類業(yè)務，特別是在設計此類業(yè)務的增長策略時。

我覺得黃一能后來補充的一個點挺有價值：

“這東西不是萬能的，必須是業(yè)務類型，盈利模式類似的才能考慮使用。提到的股票軟件和戶外游，這種都有太多的前提，和工具類產品有極大不同。我提個更極端的例子——醫(yī)院，這個業(yè)務的核心用戶絕對不是靠這個曲線來判斷的。只要是用戶強需求，決策前置，客觀限制較多的都不太適合用使用頻率來判斷所謂的核心用戶。”

大家可以看到，這是一個典型的面臨非常復雜未知的商業(yè)挑戰(zhàn)，很容易根據“其他人”的過去的經驗做出決定的思考陷阱，但往往如果一路做下去，可能的確會讓企業(yè)在較長的時間內找不到出路。

所以我們必須放下自己的“路徑依賴經驗”，投入時間來處理用戶研究這件事。

舉個例子：

之前在知識星球里，有一位負責某新興視頻獨角獸產品的學員問我們：

“想請教一下顧老師，現在手頭上有一些基礎的內容產銷和互動數據，想問下如何搭建創(chuàng)作者評分模型，以判斷內容效率和創(chuàng)作者潛力呢，可以從哪幾個維度去分析呢？（數據維度有:投稿，播放，投幣，點贊，轉發(fā)，收藏，評論等）”

我的回答是：

這件事首先需要對指標的重要性進行主觀判斷。這些指標本身沒問題，如果這是圖文類的產品，閱讀完成率是一個需要納入評估的指標（代表用戶的價值認可），如果是視頻產品，觀看完成率也需要納入評估。

所以目標就需要先定義，到底是以鼓勵大量作者創(chuàng)作為核心目標，還是以鼓勵某一類作者（需要有畫像數據）為主來創(chuàng)造收入。

如果你回憶一下中國直播行業(yè)的發(fā)展歷史，可能就比較清楚我在說什么了，特別是早期直播利潤非常高的時期。

黃一能老師的回答：

要有量化指標的前提是有個定性判斷，怎么算好作者，怎么算差作者。確定好定性標準（可以是主觀的）后將用戶分類，量化計算已有的數據維度對于區(qū)分樣本的能力，以此確定每個維度的權重。

以上方法大家基本都會，但做出來效果好壞關鍵在于樣本的確定和實際例外的識別，對例外要做獨立分析方法，這部分比較依賴業(yè)務理解或者是全面數據探查，異常識別分析的能力（當然用經驗規(guī)則可能更快而已，但會漏）。

比如就我個人認知：大部分作者實際沒有持續(xù)創(chuàng)作的能力，畢竟創(chuàng)意和毅力都不是普遍擁有的，所以很容易出現一個用戶，只發(fā)過2個視頻，但其中一個的數據特別好，保不齊一個人有個很棒的創(chuàng)意發(fā)揮良好，但實際他并不能持續(xù)給出新點子。

這樣的個例應該不少，如何針對這種情況單獨設計模型，并能和其他模型并行使用才是考驗能力的（簡單做法加上時間維度做個衰減就能搞定了）。

該學員的回復：

“感謝回復！感覺思路上有被打開，確實因為內容的主觀性很強，也很受創(chuàng)作者創(chuàng)作狀態(tài)影響，造成個例數據的情況比較多，設計模型的話要考慮到的方面也很多，再加上不同細分方向和垂類的區(qū)別，感覺是個長期工程”。

從我們給出的回答來看，重點就是：

好好去做定性研究

基于定性，全面洞察尋找區(qū)分用戶的數據特征/維度

這里有一個重要的概念：用戶畫像。

一個交叉點：用戶畫像

自然的，我們就衍生出一個在企業(yè)增長領域非常重要的工作：理解用戶畫像。

用戶畫像和用戶研究我之前做過多次線下培訓，5月份的線上培訓中我們也會深入講解。

用戶畫像其實有兩個大的分類。

第一類是User Profile，通過對于用戶的大量數據統(tǒng)計所提煉得出的。

在大量C端業(yè)務中，Profile用來幫助企業(yè)預判客戶的行為，聚焦在：

提升客戶/用戶的滿意度

防止客戶/用戶流失

提升公司整體業(yè)務的ROI

在這個領域，我們會使用機器學習的技術，確定某類特定的用戶行為，可以是一種分類，比如不滿意的或者滿意，接受或者拒絕促銷，取消或沒有取消服務等。

我們通常會列一個有可能對上述行為產生影響的預測因素的列表。雖然沒有一個特別的規(guī)定，但是其實可以發(fā)現一個模型到另一個模型，其預測因素的差別是非常大的。從幾十到幾百只能大概的預估一下，但重要的是每一個預測因素必須獨立于另一個。典型的預測因素必須是過去幾年大多數用戶所共有的，比如年齡。

預判的分類結果，用于運營中的精細化運營，或者用于上述提問團隊中關于設計作者的創(chuàng)作能力模型上。

另一個屬于定性研究范疇。

也就是是Alan Cooper曾在《About Face：交互設計精髓》一書中提及的研究用戶的系統(tǒng)化偏重定性類的方法，被稱為Persona，有時候也被稱為用戶角色。

這個概念和User Profile，雖然目標都是為了了解用戶本身，但是他們研究的目標和方法卻是天差地別的。

定性研究有一套獨特的方法。

不管是做什么產品都需要知道是在為誰在做，比如：開店，我們身邊的客戶喜好，購買承受力，購買東西的動機等等都是必須了解的因素。

一個出色的銷售是可以讀懂用戶的，通過與用戶交談，表情就可以知道用戶如何思考。當然通過與用戶長時間的接觸還了解用戶習慣，家庭背景等，那么他推薦東西就會更為精準，同時通過溝通讓用戶享受了在購物過程中的滿足感。

這其中包含很多因素，最終卻都脫不開人的欲望或是情感，而人恰恰是我們一切研究的基礎。

這直接影響企業(yè)在管理產品創(chuàng)新工作中的探索方向，因為是為人類在做設計。