一款家居后 APP,如何用增长黑客方法实现从 0 到 40 万增长?

本文引用增长黑客方法论,遵循数据驱动运营思维准则,对一款家居后 APP 做整体复盘分析。笔者旨在利用数据分析工具对一款互联网 + 产品进行解剖,通过数据层的表现,找出背后内核层、表现层及业务层的驱动逻辑。让这款具备了从 0 到 1 特质的产品以一种理性、科学、严谨的案例拆解形式来帮我们寻找创业产品的爆发式增长共性,强化和提醒数据驱动运营的思维准则。

关键词:AARRR 模型、爽点、北极星指标、转化漏斗
工具:友盟 + 移动统计(U-App AI 版)、PPT、Excel

一、 产品及用户概况

1. 产品概况

产品形态: 师傅端(安卓版、IOS 版)、商户 / 个人端(安卓版、IOS 版,以下均简称商户端),其他产品形态不在本次分析范围内。
时间周期: 2017 年 7 月 1 日 -2019 年 4 月 1 日
周期内数据趋势: 累计用户 0-420,000,活跃用户 0-15,000
产品流程图:

2. 用户画像

了解你的用户属性,包括基本属性和设备属性,便于我们基于用户数据,制定产品和运营的策略。
系统自带的用户画像属性不谈,我只提自己从数据层看到的一些有价值的信息:
(1)师傅端 APP 安卓和 IOS 的累计用户比例是 7:3,而商户端则是 3:5 结论。
由此判断,家居后市场从业的师傅大部分使用安卓手机,收入不高。针对师傅端在产品迭代版本顺序选择和 Push 推送、渠道分发及推广、运营活动设计上,都要优先选择安卓。
在此产品一次运营裂变活动中就遇到过 ios 下 h5 的长图片二维码可直接长按识别完成分享裂变,而安卓系统则必须重新做匹配的图才能直接识别。商户端则相反。
(2)地域分布: 作为一款 O2O 的家居后产品,了解用户的地域分布无论是对于整体运营决策还是精细化运营,都非常重要。
这次做复盘比较意外的无论是师傅端还是商户端,湖北都没有进入到前五,也从侧面说明了目前平台的北极星指标(后文讲解)主要还是依靠线上完成。

3. 用户行为

使用频率、页面访问、页面路径及来源等,这些都是最基本了解用户行为的维度。
因为这里是概况,所以只对平均单次使用时长和日启动次数结合一起做了分析:

师傅端平均单次使用时长

商户端平均单次使用时长

师傅端平均日启动次数

商户端平均日启动次数
结论: 师傅端平均单次使用时长两级分化严重,到行业旺季单量大或有运营活动时暴涨,整体呈缓慢下降趋势,但日启动次数明显上升。这和产品迭代加入了师傅签到打卡、每日抽奖、积分商城等运营方式有关,但如何通过师傅社区及其他内容运营提升总使用时长完成从工具转向平台产品是下一步需要阶段的问题。
商户端则平均单次使用时长较稳定,对常规运营活动敏感度较低(后续会介绍商户端运营的爽点在哪里),整体呈下滑趋势,说明商户使用产品目的性很强,产品 UE 在逐步优化,发单流程更简化,缩短了用户操作时间。日启动次数也呈箱体波动,下一步如何提升商户日启动次数,提升品牌忠诚度是下一步需要阶段的问题。
需要注意的: 在拉平均日使用时长的时候,师傅端并没有按照原定周期从 2017 年 7 月 1 日开始拉取,是因为开始我按照这个时间周期拉数据的时候,发现全周期的历史峰值是在 2017 年的 9 月 19 到 9 月 30 之间,远远高于其他时间段。而且,无论从平均日使用时长还是日启动次数都很异常。
对于这段不正常的数据,我做了重点分析,后来对照累计用户数的变化和询问当时的运营情况,终于揭开了谜底:

从累计用户数上告诉了我们真相:原来在 2017 年 9 月期间,当时 APP 产品刚上线不久,从之前的 H5 形态切换过来,初期师傅用户很少,只有几十个,来源于运营人员的地推。同时,为了吸引种子用户的参与,对师傅报价采用了补贴活动刺激。所以,就导致了当时仅有的几十个师傅为了争抢报价补贴,产生了大量使用时长和打开数。
而 9 月 30 日的回归均值,则是因为首先从累计用户数上看,师傅总数的大幅提升,后面几天都是几倍甚至十倍的日增,所以就拉低了使用时长及各项指标的均值。同时,平台停止了报价补贴活动。
所以,我们在平时做数据分析时,应该对异常点做专项细致分析和处理,不然就会导致整体数据分析偏差。

二、 增长黑客方法之爽点、北极星指标与增长等式

首先说明下,此篇只是沿用增长黑客方法论的思维模型做系统复盘,之所以选用增长黑客,是因为这款非大厂非豪门的创业产品一路走来都是力求低成本实现爆发式增长;并且增长黑客主要方法是基于数据收集和分析,快速设计实验和验证结论的过程;用超强的技术实现能力,高效的把运营想法落地到实践,快速试错和迭代,这也是此篇强化和提醒数据驱动运营思维准则的目的。
我认为,增长黑客不仅仅是一种方法论,更多在于指导产品运营的思维模式、行为准则、管理模式及人员配置。在流量红利期已结束的今天,增长黑客思维应该是产品运营人必备的核心思维之一。
作为适用增长黑客方法论的前提是产品足够好——即 P/MF 产品与市场匹配度足够,用户群体足够大且能快速获取用户。在这一块,这款家居后产品是能满足基本条件的。
下面,我就用增长黑客方法论结合数据驱动运营思维来对这款产品做复盘:

1. 用户爽点(啊哈时刻)

(1)商户端
我认为,客户端的爽点在 2 个不同时刻都有,而主要的爽点是:在开始阶段,发单 3 分钟内,有多个师傅报价且费用比线下找更低(算上平台给的补贴)。
另一个小的爽点是:通过平台雇佣师傅后,安心无忧不用操心售后问题——即在安装阶段出现问题时,平台会介入协助解决售后问题。
(2)师傅端
我认为就一个爽点:用上这个 APP 后,每天都能接到新单子或者多赚钱的那一刻。
这样的体验,就跟打车软件类似,冰天雪地里叫车的我们,爽点就是发单出去马上有安全价格合理的司机过来接。而司机师傅的那一句提示音——“您有新的订单啦 ~”就足够让他到爽点。

2. 北极星指标

数据层: 活跃用户,即活跃。
业务层: 订单完成量,即转化。当然,在不同产品周期,北极星指标比重有变化。在 2017 年 -2018 年 4 月导入期,北极星指标主要为活跃用户量,进入发展期后,则主要为发单量及完成情况。每个阶段的团队 KPI 指标及人员考核也是围绕这个核心北极星指标进行指导拆分的。

3. 增长等式

活跃商户数 X 平均发单量 X 活跃师傅数 X 平均接单量 X 平均单价 X 订单完成率 = 订单完成量增长

4. AARRR 模型

这个也是增长黑客中主要工作流模型,其实就是我们常说的“拉新(Acquisition)”、“促活(Activation)”、“留存(Retention)”、“传播(Referral)”、“转(Revenue)”。
这些以前我的文章写了很多,这里不展开,整个步骤如图所示:

三、 AARRR 模型之拉新


周期内拉新情况

1. 最高点

首先看师傅端的拉新,如上图所示:拉新除去春节、淡季放假几个低点外,一共有几个值得注意的拉新高点。
当时最引起我注意,也是花了大量时间去做问研的就是 2018 年的 4 月 18 日,在这天,安卓和 ios 都达到了历史最高。通过查看渠道来源和时段详情,可得知安卓几乎都是来自默认渠道,而且时间集中在 12 点左右的一个小时内(苹果只有 AppStore)。

由此可见,让我对那天的“暴涨”几乎排除了是由于投放或某个线上平台流量爆棚导致的可能。
同时,我也专门询问了产品经理,让她给我调出了当天的后台订单情况,即全平台最后的转化目标,当天也无异常:

由此可见,当天的可能更多是进行了某种将默认产品包直递到用户的运营操作。
开始我本以为是集中的一次大规模地推,当时询问到某位运营人员时也这么提过。后来想想,地推的用户场景下,时间不太可能这么集中增长。
比较遗憾的是当时没有开通各渠道包,全部来自默认渠道,所以就没法对 APP 的流量渠道做区分。
从搜集到的 4 月及当天发生了所有可能性中,我判断是因为对集中采集到的一批大数据进行了群发短信激活(SMS)这一动作,导致了这个拉新的特殊时刻。(商户端的图形和原因也一致,这一就不赘述。)

2. 次高点

次高点是在 2018 年的 11 月 -12 月底期间,这段时间也是周年庆和双 11 活动促使日均订单大幅提升和产品领劵中心和金币商城上线。
双 12 活动开展的期间,亦是北极星指标,完成订单数的历史峰值,所以这个次高点的拉新原因就不用展开了,各种线上活动的开展,流量来源的叠加和产品功能的更新导致了这个次高点的发生。

3. 第三高点

第三高点是从 2018 年的 5 月 -6 月期间,这个阶段很有意思,因为按历史数据来看,这应该是个淡季,不过我们看看产品版本更新记录就大概明白是怎么回事了:

原来 5 月和 6 月陆续推出了“金牌师傅”、“邀请有礼”、“任务系统”以及每日抽奖重磅功能,这些对于运营的重要性,之前我的文章有写。
所以,可以判断的是:第三拉新次高点和产品的更新有着强关系。
而且,在后面的促活部分我也会说到,在师傅端的 IOS 活跃用户最高峰值上,竟然不是刚才提到的最高和次高点,而是 5 月 11 日。所以也验证了“用户是否活跃,主要得看产品”这句话。

4. 拉新方式分析

我除了对周期内的三大高点的细化分析外,还结合增长黑客方法论、产品生命周期理论和图形上几个大的增长区间做分析。
本案例能整体保持向上较高增长趋势,我认为如下几个拉新方式是值得学习的:
(1) 整体文案的市场匹配度
这条也是增长黑客关于能扩大获客规模,首先要实现的两种匹配之一,也就是能对产品优势的描述打动目标客户的程度。
这个最有代表性的就是乔帮主的那句“将 1000 首歌放在你的口袋里”。异曲同工的是,在 18 年 4 月之前的增长区间里,本案例对商户端提出了“3 分钟 5 个报价”、“找师傅,就上 ”;对师傅端提出了“平台奖励多,师傅赚钱多”、“收入翻倍计划”等等,直观明了,获得了导入期宝贵的种子用户增长。

(2)渠道和产品的匹配度
即你所选择的营销渠道在向目标用户推广产品时的有效程度,要分析用户的行为类型进行对应的获客渠道选择并监控渠道来源结果做筛选。在本案例进入发展期后,也是对各渠道的有效监控,从而发现了例如 SEO/SEM,第三方电商等后期成为完成北极星指标的核心渠道。
在这个过程中,也是不断进行新的尝试,并做优化试验。
(3)设计用户邀请及病毒循环
首先圈定了在某个阶段的活跃种子用户,用户属性通过不同维度的筛选后,对于不同时期的潜在“超级用户”,放到了用户运营最优先级,使用了包括:首单减免、充值优惠券、诱导分享、积分兑奖、邀请朋友得红包、定向活动推送、活动邀请、游戏裂变等。
传播学中,K= 每个用户向他的朋友们发出的邀请的数量
接收到邀请的人转化为新用户的转化率。
通过营销方式结合,当 k>1 时,用户群就会象滚雪球一样增大。想象 Dropbox 当时怎么实现几十倍增长的?就是因为用了邀请好友享受更大容量这招,包括 hotmial 的尾部签名邀请使用、paypal 的注册就送 10 美金的案例皆如此。

(4)试验试验再试验,找到一招用到极致
正如上文中提到的 4.18 高点的主要原因,是对集采数据进行了批量短信激活一样,在本案例过程中,有无数个类似的看上去不起眼甚至觉得很 low 的运营动作,也包括类似 Airbnb 的发家之路,在不断优化试验中,发挥到了极致。
不要觉得有些手段过时了,airbnb 的案例已充分将为了低成本实现高增长而无所不用其极展现的淋漓尽致。

四、 AARRR 模型之促活


周期内师傅端活跃情况

周期内商户端活跃情况

1. 师傅端

和拉新分析类似就不再重复,有意思的是上文提到的 5 月 11 日这个爆发峰值点,在活跃处等到了强化验证。
因为 5 月和 6 月陆续推出的“金牌师傅”、“邀请有礼”、“任务系统”以及每日抽奖重磅功能,让师傅端的 IOS 活跃用户到达了阶段最高峰值上。而整个师傅端的活跃也是经历了从导入期的小平台 A,到过渡期的小平台 B,再到现在的发展期小平台 C 和 D。

2. 商户端

这次要把前文中用户行为处提到的做定向分析,上文提到商户端的平均单次使用时长较稳定,对常规运营活动敏感度较低,那么从日活上看商户端运营的爽点在哪里呢?
原来商户端的日活图形和师傅端差异很大,峰值在 11 月底 -12 月出现了爆发式增长,究其原因是因为推出了领券中心、双 11 、双 12 活动等。
所以,从这里的数据分析,可以再次印证了开头提到的商户爽点:发单 3 分钟内有多个师傅报价且费用比线下找更低(算上平台给的补贴)。
到这个阶段,师傅活跃度已经足够多,加上产品发单流程的简化,剩下的就是利用一年一度的双 11,双 12 作为引爆点,对商家进行优惠券、促销等降低发单费用即可造成活跃的爆发式增长。

3. 促活转化和流失漏斗

这里我专门从最源头,渠道的下载量统计开始到最后活跃做了一个转化和流失漏斗,里面很值得运营和推广人员研究:
各版本产品渠道下载数据与友盟累计激活用户比例示意图:


促活转化和流失漏斗,(友盟统计 2017 年 07 月 01 日 ~2019 年 04 月 01 日)

五、 AARRR 模型之留存


师傅安卓端用户生命周期表

商户 IOS 端用户生命周期表
这里用友盟 + 的用户增长功能中的用户生命周期图表更直观一些,同时我也用 7/14/30 日留存率做了同步对比,基本上和这个图形展现出的结论一致。
目前整体产品还是偏向工具型,虽然一致在通过社区、积分商城、学院、答题等功能来提升粘性,慢慢过渡到平台型,但是目前的沉默用户和流失用户比例较高。
(1)师傅端
对师傅端来说,拉新是把双刃剑,既可以从新手转化为高成长潜力用户,也有一半比例可能成为高流失风险用户。且即使到了成长阶段,也大比例会视情况转为沉默用户,同时一旦流失,具备高召回潜力用户比例很少,甚至会直接卸载产品。
可以理解是师傅对此类产品比较随性,没什么忠诚度,主要看平台是否能满足其爽点,一旦没满足,再次回流的可能性很小。
(2)商户端
拉新比较稳定的可以转化为成长阶段用户,且用户质量较高,只要用习惯了本产品,都具备高价值潜力用户特性。另外,在流失阶段,如果应用得当,高召回潜力用户也比例很高。
可以理解是商户对此类产品比较理性,目的性很强,主要看平台前期是否能满足其爽点,对其有价值,要么好好用,要么暂时不用等时机成熟再回来,流失再次回流的运营召回动作很重要。
(3)建议
对商户端沉默和流失用户做分群推送,采用能满足商户爽点的文案;而师傅端,分群推送效果不好,应该重点在前期拉新渠道和方式的建设和产品用户体验上做好功夫。

友盟 + 的用户生命周期表结合分群推送实现定向召回

六、 AARRR 模型之转化


本案例 2018 年订单增长曲线及对应事件
运营最终目的就是为了转化(Revenue),一般用的比较多的就是漏斗分析法。
利用漏斗模型分析每一步的流失与转化,用来分析不同用户群从事件开始到结束过程中用户数量的变化趋势和比例,从而寻找到优化方案。漏斗显示最终转化率与每步之间转化率,同时通过趋势、对比、下钻分析进行分析,这个方法被普遍用于产品各个关键流程得分析中。
如图所示:

师傅端服务事件漏斗 Demo 分析演示
从第一次报价→开工→上传完工图和最终完成服务的转化率,我们通过这样的漏斗模型就可以找出哪个环节的转化率最低。同时,和行内标准值进行对比,没有达到的,要去分析具体原因在哪里,再去针对性的优化和改善。
同时,还可以对页面的关键事件做漏斗分析,例如:如果从首页到订单中心的转化率有 80%,但是从订单中心到最终下单竟然只有 5%。那么就应该通过给订单中心做分步骤埋点,从而发现问题——例如进入订单中心后,缺乏当前步骤的提醒,落地页的 UI 设计和在线传图的 UE 也有问题,对比竞品和做 A/B 测试后,最终转化率提升几倍。
另外,转化没有神丹妙药,只能根据各自项目的特性,多进行用研工作,调查用户的需求,优化服务定价。同时,逐步提升 ARUP 值,还要分用户群体采取不同的策略。在了解用户需求的基础上,进行转化产品和服务的创新和升级。




除主要转化方式外的其他转化方式

总结

通过此次对这款家居后 APP 的复盘,也让我本人重新温习了增长黑客方法论的精髓以及让我对数据驱动运营有了敬畏之心。
所有优秀的产品表现层的内部一定有着精心设计的内核层、业务层的驱动逻辑,同时一款优秀的数据分析工具给了我们这双发现的眼睛,让我们能够以一种理性、科学、严谨的方式来一窥真相,洞察奥秘。
在流量红利消失的互联网下半场,我们需要增长黑客方法论的指导,和遵循数据驱动运营思维准则,来实现从 0 到 1 的低成本爆发式增长。
独学而无友,则孤陋而寡闻。

相关阅读

万元悬赏数据高手|2019「友盟杯」数据分析大赛报名启动!
你的坚持值得被肯定|2019「友盟杯」数据分析大赛结果公布
 
作者:付如涛,公众号:老付说运营,14 年互联网运营专家。
本文部分数据有脱敏处理,非全部真实数据