用户增长怎么做？UG涉及哪些技术领域

用户增长绝大部分都是数据和技术驱动类型的工作，技术在其中起着非常重要的作用。本文将先从用户增长整个链路中涉及到的技术做一个整体介绍，以便于从业务视角对增长技术有一个全局的Overview。另外，除了在上层业务中直接看到的技术之外，在底层还有很多基础技术做支撑，因此最后还会从纯技术视角来看增长所覆盖的技术领域。

用户增长怎么做？UG涉及哪些技术领域

图1 用户增长全链路示意图

用户增长本质是对用户全生命周期进行精细化、科学化运营，图1描述了整个增长链路的闭环，主要包括以下关键环节：

新用户获取：针对整个流量市场，通过多种用户方式让潜在用户转化为产品的新用户；
新用户承接：针对不同渠道的新增用户，通过个性化承接和运营，让更多的新用户转化为活跃用户；
活跃用户运营：针对活跃用户，通过对不同类型的用户进行精细化运营，不断提升用户活跃度和留存率；
流失用户召回：针对即将或已经流失的用户，需要用各种手段进行流失召回，以期重新成为产品的活跃用户；
分享推荐：针对产品的活跃用户，尤其是高活用户，设计相应的分享推荐机制，通过有趣的玩法和福利刺激进一步获取新用户。

以上各个环节都需要技术不断提升效率，减小漏斗，每个环节所需要用到的技术也各不相同。

1. 新用户获取阶段：

渠道投放是这个阶段最主要的动作，具体包含2种方式：人工直投和程序化投放。对于APP类型的产品还可以从厂商预装和应用商店渠道获取新用户，这两个渠道主要依靠商务能力，在这里不做赘述。

1. 人工直投也即传统的代理商在广告平台直接操作投放的方式，针对不同的投放渠道（媒体），需要设计师制作专门的素材，不断调整定向条件（SEM场景需要持续扩展关键词），持续优化出价。然而在信息流类型流量逐渐成为营销主要场景之后，相比之前的SEM营销有了很大变化：信息流广告发展成为更大的渠道类型，OCPX投放方式成为主流。在这个场景中，涉及到技术点主要包括：如何快速采集投放之后的激活数据，通过Marketing API实时回传广告平台，进行OCPX的投放；如何通过RTA进一步筛选流量；如何通过技术手段大规模自动生成投放素材；以及针对不同素材挖掘对应的人群定向条件，优化投放效果。

2. 整个广告市场，除了直投的流量之外，还有庞大的ADX市场，腾讯广点通、头条穿山甲、百度、搜狐、爱奇艺、百寻等流量平台都有对外开放的ADX服务，因此可以构建DSP系统去对接各个ADX平台，通过程序化买量获取用户。这个环节主要涉及到DSP各个模块的技术：1）大规模/多渠道流量接入；2）用户定向；3）智能出价（CTR/CVR模型/出价模型）；4）预算控制（速率控制）；5）动态创意；6）反作弊；7）大规模的离线模型训练和在线预估架构；8）高并发&低延时的在线工程架构。

3. 新用户获取阶段很重要的一个问题是：这个渠道来的新用户能贡献多大的商业价值，获取一个新用户应该付出多少成本？（如果用户获取成本CAC小于用户商业价值，从获取用户到商业化再到获取用户的整个闭环就可以源源不断的跑下去）。用户价值常用LTV（Life Time Value）来衡量，LTV也即用户整个生命周期能为产品贡献的商业价值。用户LTV是一个统计意义上的值，经常描述的是一批用户（例如某个渠道的用户、某个广告带来用户）的平均商业价值。因此，这个阶段主要涉及到技术点包括：用户LTV的建模和预估能力，包括针对小渠道用户建模（样本较小，建模难度较大），基于更短时间窗的数据建模（时间窗更短，渠道测试成本更小，但是建模难度更大）。

2. 新用户承接阶段：

当用户在渠道看到我们产品的推广内容，经过点击/下载/安装，在激活进入这个APP的时候，如果能在APP端内提供一个与刚才在推广渠道看到非常相关的内容，给用户提供一种一脉相承的体验，无疑会极大的提升用于对这个APP的好感度，也可以更快让用户体验到产品的Aha Moment。（例如用户在渠道侧看到了我们的APP新用户可以领红包的推广内容，打开APP激活之后，最好能在第一时间就给用户呈现刚才看到的领红包内容信息，并且让用户可以领到红包）。因此这个环节需要解决的一个核心问题是如何实现APP端外的场景信息和APP端内的承接方案进行数据打通，常见的有4种技术方案：DeepLink、动态打包、剪贴板、后台传递。这几种方案各有优劣，很多时候都会结合起来一起应用。

对于APP类型的产品，在新用户承接环节中很重要的一个能力是需要客户端支持个性化的承接框架，所谓的客户端个性化承接框架，也即不同用户打开看到的APP首页是不一样的（布局不一样、内容不一样……）。涉及到的技术点主要包括：客户端灵活的适配框架，再结合服务端的配置系统，以使端具备灵活快速的实验能力。

还有一些公司会把新用户前N天（7天，14天）的精细化运营也划分到了新用户承接的阶段，也是可以的，不过这里涉及到的技术和活跃用户的运营有很大的相似性，将在第三步介绍，这里不再赘述。

3. 活跃用户运营阶段：

当用户已经使用过我们的产品之后，仍需持续对其进行精细化运营，以提升用户的长期留存率。虽然用户留存的核心在于产品本身的产品力，然而通过用户增长，是有机会让用户更直接、更高频的体验到产品的Aha Moment，通过不断的正向运营和引导，仍然可以进一步提升用户留存率。在这个阶段主要涉及用户精细化运营和高性能消息推送系统相关技术。

绝大部分APP都有很多资源运营位，例如开屏、红点、弹窗、banner等，用于运营内容的提醒，可以通过精细化运营能力提升这些资源位的运营效率，从而提升用户留存。其中涉及到的技术点主要包括：1）用户分群能力，通过用户画像（年龄、性别、地域……）、用户行为（例如昨天活跃过的用户、过去一周使用某功能小于3次的用户）多维度对用户进行分群，以针对不同的用户群做不同的运营动作；2）大规模实验能力，需要对下发内容的文案/配图等进行AB-Testing，以筛选出最好的运营内容，提升运营效率；3）智能运营决策能力，对于某些大型APP，其用户规模较大、运营任务较多，运营内容也很丰富，如何实现对不同的用户下发最合适的运营内容，传统的人工制定运营策略将会变得非常困难。因此需要通过机器学习对用户&运营任务&运营内容三者关系进行建模，做出智能运营决策，提升运营效率。

消息推送有APP push、微信消息、短信、邮件等多种形式，所涉及的技术点大都类似。以APP push为例，一个高效的消息推送系统需要客户端、后台、机器学习多种能力支持。1）在推送的内容上，需要支持多种类型的运营内容，包括运营型推送（例如热点）、产品机制型推送（例如关注的某个KOL更新了）；内容型推送（个性化内容推荐）。2）在推送时机上，需要支持丰富的频控策略，例如需要通过机器学习模型预测出对于某个用户一天推送几条、在什么时间推送是效果最优的。3）当消息在服务端推送之后，不一定能100%到达客户端展现，因此提升客户端消息达到率是很重要的一个漏斗优化环节。包括应用厂商消息通道（国内大部分手机厂商对于APP在一天的消息规模是有限制的）和APP自有消息通道，通过双通道提升到达率；通过系统保活、账号保活、联盟保活等方式以提升进程活跃度。

4. 流失用户召回阶段：

当用户从成熟期进入到衰退期之后，会有较高的流失风险，因此需要对用户进行流失风险预警，结合不同的运营手段，让其重新转化为活跃用户。同样，对于已经流失的用户，仍然需要对其进行流失召回，让其重新成为我们产品的用户。

对于有流失风险的用户，需要能及时预测出用户的流失风险，这个环节主要涉及的技术点是流失风险预测模型，通过机器学习预测这个用户的流失概率。不同的产品对预测的实时性要求不同，例如某些类型的APP，用户一旦离开，就很难再触达用户（用户可能已经卸载了这个app），这种场景需要实时的用户流失预测模型（时效性高，技术难度较高，准确率较低），在用户即将离开但是还未离开的时候，给出风险预警。还有一些产品，拥有用户的长期联系方式或者可以依靠另一个大平台（例如instgram之于facebook），即使用户离开之后，仍然有机会再触达用户，因此非实时的用户流失预测模型有可能是很更好的选择（时效性较低、技术难度较低，准确率较高）。

对于已经流失的用户再去做召回所涉及的技术方案和新用户获取阶段类似，主要也是应用投放能力，只是在用户定向和投放素材上会有所不一样（例如产品做了某项重大升级，提供了之前没有的某项功能服务）。

5. 分享推荐阶段：

通过分享和社交裂变拉新已经是很多产品常用的一种增长方式，今日头条在产品发展早期通过“分享拉新”这种方式每天贡献了几十万的新增用户，拼多多通过“邀请好友砍价”的玩法更是获得了海量的用户。

在分享裂变场景对技术的要求是能够快速高效的响应分享的多种玩法，并能够尽可能提升分享到拉新各个环节的转化漏斗。这里主要涉及较多前端相关的技术，除了分享玩法的产品功能搭建之外，还需要落地页快速生成能力，结合实验平台对已有分享页面进行智能优化的能力；另外很重要的一点是需要多种技术方案来适配微信生态严格的监管体系。

为了获得更好的分享裂变效果，很多分享玩法都会和福利结合在一起（当然用户福利作为一种基础能力，也会被应用到拉新、促活的多个环节中），例如趣头条的金币拉新体系就是典型例子，其背后需要有一套完整福利技术解决方案。福利系统构建环节中主要涉及到的技术包括：灵活支持多种福利任务的配置系统、用户积分体系、防黑产/防刷能力、个性化的福利发放模型等技术。

用户增长怎么做？UG涉及哪些技术领域

图2 用户增长业务视角技术图

图2展示了从业务视角各个环节涉及的技术点，但忽略了一些底层基础技术；以技术视角横向拆分，用户增长主要包括以下几个技术领域：

1. 增长底层基础能力：大数据和大规模实验平台相关技术。数据驱动是用户增长的核心关键点，产品目标制定、产品问题洞察、优化方向发现……等等都离不开基于数据的科学决策，其背后需要依赖整套大数据技术做支撑。具体包括：1）数据采集上报（埋点上报和无埋点上报）；2）大数据传输/存储/查询，尤其是数据仓库相关技术；3）大数据计算，包括离线计算和实时计算；4）多维度数据分析（路径分析、事件分析、留存分析……）。几乎所有的科学增长方式都是建立在实验之上的，大规模实验平台是用户增长的基础能力，一个期望获得快速增长的产品，其终端、前端、后台、算法各个模块都需要具备AB-Testing能力。AB-Testing实验平台是一个很有深度的技术方向，最基础能力包括：1）灵活的分层分桶策略；2）各实验分层正交性验证（多个hash算法，正交表等方式）；3）在实验流量有限的基础上，如何尽可能的增加实验并行规模；4）在候选实验规模较多的情况下，如何提升实验效率？

2. 增长产品工程能力：客户端+前端+后台相关技术。在整个用户增长闭环中，会有很多增长相关的产品和系统开发，例如投放系统，用户运营平台，用户分析平台、分享裂变相关产品、用户福利系统……等。这些增长产品和系统的开发，主要涉及常用的客户端+前端+后台的产品研发技术栈。

3. 增长效率加持能力：机器学习和数据挖掘相关技术。机器学习和数据挖掘相关的技术几乎贯穿整个增长链路，很多效率优化的场景都可以应用算法模型来进一步提升效果。例如通过素材生成和精选模型优化投放效果；通过智能出价模型降低DSP用户获取成本；通过福利发放模型提升福利利用效率，降低福利发放成本；通过运营决策模型，提升用户留存效率……等等。

用户增长是一个庞大的系统工程，其中涉及客户端、前端、后台、机器学习、大数据等多个领域技术。本文只是对其中常用的技术做了一个简要的罗列介绍，远不能覆盖所有的技术点。另外，文本旨在对用户增长技术做一个整体的介绍，以使大家有一个整体的overview印象，因此对所有的技术点点到为止，并没有做深入介绍，后续文章将对前文所述的技术点逐一做深入阐述，例如如何搭建科学的实验系统，如何做LTV预估模型等等，敬请期待……