傳統(tǒng)企業(yè)的本質(zhì)增長增長存在兩種思維：一種是流量思維，另一種是超級用戶思維。現(xiàn)在市面上有很多關(guān)于增長的書籍，它們有的把增長框架分為不同階段。實際上增長的本質(zhì)，在于理清如何挖掘流量價值、如何提升線上線下轉(zhuǎn)化、如何沉淀數(shù)據(jù)。

在用數(shù)據(jù)驅(qū)動增長的解決方案中，我們將其概括洞察場景化、核心增長指標(biāo)確定、優(yōu)化轉(zhuǎn)化、A/B測試迭代尋找突破口階段。上篇將洞察場景化，核心增長指標(biāo)確定，做好了后期增長迭代的基礎(chǔ)。

一、優(yōu)化轉(zhuǎn)化率：分析引擎體系建設(shè)，提升轉(zhuǎn)化率

以前我們認(rèn)為，分析引擎體系可以在實踐中不斷迭代。但是在具體實踐中得到的結(jié)果改變了我們原有的認(rèn)知。建設(shè)分析引擎應(yīng)該先規(guī)劃好再去做。因為一旦規(guī)劃和引入策略框架后，我們的業(yè)務(wù)也會隨之調(diào)整。建設(shè)分析引擎時一定要先基于模型、分析引擎的概念進(jìn)行宏觀設(shè)計，再進(jìn)一步指導(dǎo)微觀業(yè)務(wù)。

1）建立分析用戶引擎推薦模型

W網(wǎng)絡(luò)的分析引擎下圖所示，我們建立了用戶模型、營收模型、行為模型和產(chǎn)品模型等模型，這些體系為我們后期的分析提供了非常大的幫助。而且當(dāng)我們有了模型，未來的增長實驗要沉淀什么、要分幾個步驟，都將有據(jù)可循。

整體來看，W網(wǎng)絡(luò)的分析引擎經(jīng)歷了六個階段的發(fā)展：

1. 以數(shù)據(jù)展示趨勢、同環(huán)比為主的純報表分析；
2. 以用戶流量的漏斗分析為主的精細(xì)化分析；
3. 從用戶的生命周期尋找增長點的數(shù)據(jù)模型分析；
4. 在數(shù)據(jù)模型基礎(chǔ)上進(jìn)行人群分層的增長策略分析；
5. 增加時間維度形成更多維度的多因子增長策略分析；
6. 把時間波動趨勢和用戶流量波動相結(jié)合的趨勢分析與預(yù)測。

數(shù)據(jù)分析其實就是解魔方的過程：一開始是一階魔方，就像一個骰子；然后是二階魔方，魔方的一面有四個方塊；然后是三階魔方，一面升至九個方塊。我們不停地增加維度去拆解它。基于人的主觀判斷，一般人就玩到三階魔方，厲害的人可以玩到四階魔方。再往上更高階的魔方就更難了，所以說未來一定是基于模型的方式來驅(qū)動整個分析引擎體系的建設(shè)，因為它的整個決策都是非常可觀的。

2) 優(yōu)化增長驅(qū)動的用戶推薦算法引擎

如何對推薦的效果、推薦的參數(shù)等調(diào)整，就基于整個增長框架的不斷調(diào)優(yōu)，最終形成增長閉環(huán)，才能更好的提升轉(zhuǎn)化率。

舉一個交叉推薦模型的例子

我們從用戶的行為特征，包括用戶特征、影片特征、上下文特征等出發(fā)，抽象出模型進(jìn)行推薦。過去我們在做交叉推薦模型的時候，往往在模型處理與策略調(diào)優(yōu)這一環(huán)節(jié)停下。但是現(xiàn)在我們繼續(xù)往下走，借助模型實現(xiàn)自動化策略的下發(fā)與沉淀。

在智能化推薦的過程中還有很多單獨的分析模型可以拆解出來，賦能獨立的業(yè)務(wù)。我們拆出四個模型：付費潛力預(yù)測模型、產(chǎn)品包預(yù)測模型、折扣敏感預(yù)測模型和營收預(yù)測模型，分別回答重點關(guān)注哪些人群、適合什么樣的策略、使用什么價格、預(yù)期收益如何這四個問題。拆解出來后就可以實現(xiàn)產(chǎn)品投放的全自動化運營。通過實際測試，我們發(fā)現(xiàn)機(jī)器的推薦效果會比人推薦好很多。

3）關(guān)注用戶全生命周期，利用交叉推薦模型，提升轉(zhuǎn)化率

數(shù)據(jù)和模型等計算和推薦的切實執(zhí)行，讓我們的增長實驗讓流量再生。只有建設(shè)與數(shù)字化增長范式相匹配的組織架構(gòu)，才能保障增長順利落地，并持續(xù)為業(yè)務(wù)賦能。

當(dāng)組織體系足夠敏捷時，便形成了企業(yè)級敏捷。團(tuán)隊間的彈性、適應(yīng)性會變得更強(qiáng)，小步快跑的增長實驗也擁有了更多的空間。彈性組織為企業(yè)未來的發(fā)展方向提供可能，這也是增長的價值。

二、A/B測試快速迭代發(fā)現(xiàn)產(chǎn)品迭代突破口

W網(wǎng)絡(luò)公司的會員產(chǎn)品的核心指標(biāo)是購買會員轉(zhuǎn)化率，會員運營團(tuán)隊遇到的問題是付費頁面的轉(zhuǎn)化率較低，多次調(diào)整落地頁素材后，仍然找不到優(yōu)化的方向。了解該影視會員產(chǎn)品的用戶流轉(zhuǎn)地圖后，決定進(jìn)行A/B測試為快速迭代做準(zhǔn)備。

1） A/B測試策略“腦暴”

在A/B測試中，我們將用戶平均分為四組：

實驗用戶組：將A組作為對照組，對B組方案強(qiáng)調(diào)“折扣”要素、對C組方案強(qiáng)調(diào)“會員權(quán)益”要素、對D組方案強(qiáng)調(diào)“活動緊迫性”要素，對每組人群下發(fā)不同的付費頁面，對比四組人群的付費轉(zhuǎn)化率差異，找到影響轉(zhuǎn)化的關(guān)鍵要素。

測試方案：我們發(fā)現(xiàn)，對照組的方案信息堆砌，所有權(quán)益、折扣信息分散在頁面各處，沒有集中火力觸達(dá)用戶。而三個測試方案分別聚焦折扣信息、權(quán)益信息和緊迫性信息。

2）數(shù)據(jù)對比實驗四組人群的付費轉(zhuǎn)化率

從數(shù)據(jù)展示中，得到影響付費轉(zhuǎn)化率的文案要素——緊迫性，也就是說強(qiáng)調(diào)活動優(yōu)惠的時效性，營造緊迫氛圍，會更有利于刺激用戶轉(zhuǎn)化。

在此基礎(chǔ)上，我們還從本次A/B測試中得到了一些用戶洞察，例如：

• 新功能更新會導(dǎo)致新用戶付費轉(zhuǎn)化率下降。
• 活動對新用戶的付費驅(qū)動力下滑。
• 低價并不是萬能，高價帶來的付費用戶的占比更高，且一年后解約率更低。

通過這些洞察，W網(wǎng)絡(luò)公司開展了多項A/B測試，這也是付費轉(zhuǎn)化率提升了超過90%的秘訣

三、總結(jié)

洞察場景化、核心增長指標(biāo)確定、優(yōu)化轉(zhuǎn)化、A/B測試迭代尋找突破口階段這四個階段構(gòu)成了一個循環(huán)，企業(yè)增長需要不斷地在這些階段之間循環(huán)，以持續(xù)優(yōu)化產(chǎn)品并推動增長。

每個階段都依賴于前一個階段的輸出，并且每個階段的成果又為下一個階段提供輸入。通過這種迭代和數(shù)據(jù)驅(qū)動的方法，團(tuán)隊可以更有效地實現(xiàn)產(chǎn)品增長和業(yè)務(wù)目標(biāo)。