背景介绍
在互联网发展到下半场，尤其是在存量市场竞争愈演愈烈的背景下，面临流量红利缩水的压力，如何牢固自身的市场份额，并扩大份额，在"酒香也怕巷子深"的时代，通过提升用户量来提升利润率是这个时期最重要的事情之一，那么用户增长就是绕不开的话题，那些纯互联网企业，巧妙地运用互联网的优势，在短时间内实现了用户群体的跃升，并且获取了惊人的收益，互联网模式的用户增长为何能产生如此惊人的效应？我们又该如何铸造增长思维？笔者将从自身6年年均消耗10亿+级别商业化付费增长经历，负责的APP DAU从百万级到千万级经验，分享一些见解
全文目录：
互联网下的用增优势
用户增长发展阶段
用增方法论层面
用增解决问题拆解
一、互联网下的用增优势
1、解决了传统媒体的限制
首先传统的媒介在用户触点上有几个限制：
触达范围：线下媒介的广告位大部分都是固定不变的，导致了触达的范围很固定
触点限制：一个广告点位的新增都会带来较大成本的消耗和后期维护成本
触达效果：线下很难衡量本次的推广带来的效果如何，所以线下大部分的广告都是走的品牌宣传，这也限制了线下广告的发展。
而互联网从本质上就解决了传统媒体限制
触点范围：全网用户，没有地域限制
触点限制：也被打破，如果需要哪里都可以是触点，也就是几个代码的事情
触达效果：互联网最大的好处就是所有的数据都是可量化的，数据得到极大的利用
因此不论是纯互联网企业还是传统行业运用互联网思维，都能够带来明显的增长
2、数据的价值被深挖
传统行业受限于线下固定的场景，数据是离散的，很难对线下的用户数据进行有效的串联，当然在有限的范围内，这个数据串联还是可行的，比如腾讯的LBS数据可以利用腾讯系的APP通过获取定位的手段，串联起用户的生活轨迹，但是超出腾讯系的APP时候，就很难进行有效的串联。
互联网所有数据连接上网，可以将全链路数据进行整合，可以很直观了解用户的行为偏好，互联网开启了对单个个体打标签的能力，通过大数据的能力，刻画了不同个体的人群画像，进行了人、货、场三者的推荐匹配，电商广告叫“千人千面”，就很好的描述了互联网增长对于数据的运用。也可以说互联网全链路数据能力和用户画像标签体系开启了精细化运营前提
3、快速迭代、低成本试错
传统行业很难进行 快速迭代，比如新车上市、新药上市进行低成本试错几乎是不可能的，线下商超选址若出现问题，只能关店重新选址，错误成本都是巨大的。如果企业已经走上了数据化转型，一般涉及大规模量级的用户功能更新，上线前都会通过AB测试来完成验证，先小流量上线，数据正向之后慢慢增加到50%流量最终全量上线，也可以把问题控制在很小的范围。
二、用户增长发展阶段
市面上有很多说法，我比较认可的APP生命周期下用户增长分三个阶段
第一阶段：PMF阶段
极端点讲PMF验证期是增长的基石，在这个临界点之前，一切增长行为都毫无意义
举个例子说明：YY创始人和董事长李学凌讲过一个故事：”如果我有一片草地，我就在我的草地上养羊，所以我先要有第一只养，如果这一只羊能够在我的草地上活下来，玩得很好，那么我的草地就是没有问题的，我就可以引入更多的羊，这个时期就是一个临界点，在这之前需要验证的我们提供的服务是否满足我们目标用户的需求，是否能够解决用户的痛点
第二阶段：海盗时期
这个时期处于APP快速成长期，这个时期最大的课题是如何大量引流，低成本的获客，开启大规模的商业化，总结下互联网商业其实就是三个核心词汇：服务、流量、转化率，服务（产品）的比拼；流量的争夺、转化率的优化，这就是互联网商业竞争的全部，也是用户增长的全部
第三阶段：规模扩张时期
规律总结、复制、大规模渠道投放，自动预算分配逻辑，自动反作弊系统，开始关注每一分钱投放的ROI、数据驱动；这是这个阶段一般发展的产物。
三、用增方法论层面
本部分就是简单介绍一些方法论模型，在实际情况下会同时存在多个方法论并存的情况
AARRR模型是用增领域最为经典方法论
AARRR模型
用户获取（Acquisition）： 用户从不同渠道来到你的产品
用户激活（Activation）：用户在你的产品上完成了一个核心任务(并有良好体验)
用户留存（Retention）：用户回来继续不断的使用你的产品
获得收益（Revenue）：用户在你的产品上发生了可使你收益的行为
推荐传播（Referral）：用户通过你的产品，推荐引导他人来使用你的产品
2A3R模型覆盖了用户的全生命周期，但在实际的工作中，一般用增团队往往聚焦在2个A上，也就是用户获取（Acquisition）和用户激活（Activtaion）比如某OTA大厂，每年的广告预算70%是消耗在了拉新层面，考核的指标是激活的用户7天的ROI上，而在留存上一般是产品自身的功能来吸引用户，不同的APP可以吸引的用户是不一样的，比如微信构建了人脉的沉没成本，同时金钱成本近乎为零，很难有其他竞品能影响微信在沟通工具上的地位。
AIPL模型
AIPL模型是一种将品牌用户资产定量化、链路化运营的手段。A、I、P、L用于描述消费者与品牌的亲密度阶段，其中：
A（Awareness）：品牌认知用户，一般指与品牌被动发生接触的用户，例如品牌广告触达和品类词搜索的人。
I（Interest）：品牌兴趣用户，一般指与品牌主动发生接触的用户，例如广告点击、浏览品牌/店铺主页、参与品牌互动、浏览产品详情页、品牌词搜索、领取试用、订阅/关注/入会、加购收藏的人。
P（Purchase）：品牌购买用户，包括发生过购买行为的人。
L（Loyalty）：品牌忠诚用户，例如购买用户中，发生了复购行为或对品牌有正面评价、分享的人
RFM模型
RFM模型是通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3个维度来描述该客户价值状况的客户分类模型，这3个维度分别表示为：
最近一次消费距离现在的时间 (Recency)：这个值越小对我们来说价值越大；
某段时间内消费频率次数 (Frequency)：这个值越大越好
某段时间内消费金额 (Monetary)：这个值越大越好
以上三种都是很常用的，可以结合实际的场景构建本领域适合的方法论模型，本质归根到底还是企业对数据、用户画像的构建能力，用户分群的精细化运营能力。
四、用增解决问题拆解
首先明确一点：用增不是简单的一个新的功能上线或者一个新的迭代计划制定，用增工作犹如一场精心编排的交响乐；作为指挥家，需要深入了解每种乐器，掌握其特性和音质，熟悉每个音符的起伏和节奏，以此来编织出一部协调一致的乐章。这不只是对音乐的了解，还需要对音乐心理学、情感表达以及演奏技巧的精湛掌握。
相似的，在用户增长这个任务中，对内需要有一个靠谱的用增产研团队来构建强大的基建能力，打造好底部才有可能起高楼，根据历史经验这部分的产研工作一般会占用60-70%的时间；对外需要有深入的市场洞察力，明白各种营销策略的优缺点，理解消费者的需求，并以此为基础去调整、优化产品。这既需要对市场趋势的高瞻远瞩，又需要对用户心理的微妙把握，更需要有耐心、决策力和创新意识。
1、用户增长拆解
增长首先是一个业务问题，我们要帮忙把业务的用户池做大；同时它也是一个数学问题。如下图所示：DAU就可以表示为新用户加上历史用户对应的留存。这里面其实有两个核心因素：
一个是新用户，每天来的用户量级，从哪些渠道来的，不同渠道带来的用户成本如何？新客带来的收益如何？—这些都称为拉新问题
一个是留存，就是这些用户来了之后能不能留下来？是否有新客承接手段，留下来转化情况怎么样？首购情况如何？复购情况如何？-这些都称为拉活问题
所以总结起来用着用增团队只做两件事：拉新客，做留存
2、增长的唯二问题：拉新的规模和用户质量之间的矛盾
数智能力是增长最底层的能力要求，在全民算法驱动的大环境下，比拼的不仅仅是财力还需要有更强大的数据能力，如何在全网10多亿DAU下找到付费成本低和质量高的交叉用户一直是增长最大的难题。
3、广告主用增最优解：利用好RTA工具
上面的问题又变成一个数学的问题：在投放预算一定的情况上，怎么能够获得更多，更高质量的用户。
RTA是结合广告直投及程序化广告两方的优点,在广告请求阶段并行把请求信息下发给广告主,广告主可以根据自己的数据能力对流量的价值进行判断并返回决策结果,投放平台进行优选,提升整体的广告投放效果
对广告主侧提出了高要求：要求数据层去做用户挖掘、商品挖掘结合媒体的上下文场景，可做到人、货、场的匹配，从而确定哪些用户要重点投放，通过出价扰动来完成，以及用哪些商品进行投放（RTA+DPA）通常称为当下的推荐能力。RTA结合了媒体投放模型和广告主自有投放模型，达到强强联合，完成投放优化闭环。
下图中左侧是投放链路和逻辑的拆解。
结语：本文是结合笔者从业多年的经验所写，难免有很强的局限性，同时很多内容只是介绍个概念，后期会有系列文章来深入探讨用增的玩法，希望能抛砖引玉，对读者有所帮助。本文首发在https://mp.weixin.qq.com/s/uyIBaYETtVozHdZmnF2Z7A