数据驱动的Growth Hacking正确姿势解析！

比如你做了一个视频分享平台，近期通过各种手段做了大肆宣传，你的DAU会突然爆炸式的增长：

看起来非常棒不是吗？但接下来我们看一下，把实际拍过视频的人数加进来会发生什么：

当暴涨的下载量似乎证明你已经成功了，但你的播放视频人数会告诉你一个不同的故事。当你的下载量仍然在逐步增加，你的实际播放视频的人数反而在增少。一方面你成功了：用户在下载你的应用，另一方面你也有明确的证据表明有些事情正在变得非常糟糕。如果没有干预，你将会在这里结束：

可执行指标：用户分群分析

要真正在你的应用中构建良好的用户留存，你需要分析你的用户行为。

一些用户被你的应用吸引而且频繁的使用你的应用；而另一些用户下载之后根本看不到价值，然后把它删掉。为了获得更多的前者，而非后者，你需要从你的超级用户（比其它用户更多更频繁的使用你的产品）中学习。

问题来了，是什么东西粘住了用户？这不能用直觉来回答。Facebook和Linkedin不用直觉去创造用户粘性，而是用严谨的分析和实验。

这里可能是你开始看留存图的样子–在某一天注册了一批用户，然后有多少在后续一个月的每一天中回访了：

这是7日的留存：

然后这是只看1日后的留存（次日留存）

你会发现这个例子中的次日留存把问题反映的最明显：有大概一半多一点的用户在初次使用你的应用后就不再回来了。在你开始担心30天或90天留存这些东西之前，你需要先弄清楚怎么能让用户在第二天回来。

这同样没有固定的成功公式，你必须通过「用户分群」来针对不同的可能性做实验。在我们这个例子中，你将会看到，当你对比「所有新增用户」与「关注过一个人的用户」的次日留存时会发现什么：

次日留存有了30%多的跳跃，非常棒是吗？但是如果这些用户都是在第2天、第3天才开始流失呢？

有一件关于移动应用的事实：用户会非常快的流失，实际上平均下来，移动应用70%的用户会在一天后流失，但那些非常优秀的应用的这个值只有30%。但是，在安装应用后的第3天开始，再往后，流失速率会趋于稳定：所有应用会以同样的流失速率失去他们的用户。

所以问题的关键就在你如何在用户安装之后立刻留住用户，如果你能在一开始粘住他们，你基本就能保留他们一段时间。

这是我们例子中「所有用户」与「关注过一个人的用户」在7天里的留存情况对比：

在30天后，「关注过一个人的用户」的留存率是17.5%，「所有用户」的是10.9%。这可能看起来不是那么显著，但在长期留存上，即便是一个小凸起，对你来说也是意义重大。

更为重要的是，你已经识别出了一个提高留存的因素，现在你可以寻找更多。一个可行的方法是，你现在可以把「关注一个人」不是「注册」设为起点。也就是说，你之前分析的是「注册」之后的留存情况，而下一步，你可以分析「关注一个人」之后的留存情况。这就是在你重新设计了引导流程以促进用户关注他人之后，接下来你应该努力提升什么。

然后，你可以看到其它因素是怎样促进留存的，比如，你可以比较「播放了三个视频的用户」与「全部用户」，比较两个用户群在「关注了一个人」后的留存情况。

当你搞清楚了哪些行为导致你的用户继续回来使用你的产品之后，你就需要把这些行为的用户体验放在首位。在早期粘住你的用户，他们就会很难离开你的产品。

正确的使用 AARRR 模型，并不是换了一组更好的数字，而是完全不同的数字。这些数字向你展示着人们如何使用你的产品，是什么让他们离开，是什么让他们离下来，是什么让他们大呼过瘾。

换句话说，有什么不是数字呢。

本文为沈豫龙Alan，诸葛io产品经理原创投稿鸟哥笔记，转载请注明来源，并附上作者信息。

（编辑：PHP编程网 - 湛江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!