产品质量、留存率和增长迭代

2,211 阅读9分钟
原文链接: juejin.im

3.1产品质量改善与增长管理的关系
讲完产品增长管理的方法论框架和执行力内涵之后,我们开始关注一些具体的产品增长工作内容。
首先谈一下最基本的产品质量改善问题。产品质量改善并不是增长管理的子课题——事实上,对大多数面向成熟产品的产品经理而言,产品质量的持续改善而不是用户增长管理构成了其工作的主要内容——而是另外一个独立的问题。毕竟,产品质量改善的目标是更好的用户体验,而用户增长管理的目标通常是更多的产品流量,这两者既有一定的关系,同时也存在显著的差别。因此,我们这里更多关注的是如何通过产品质量改善来推动用户增长,这其中会有一些和PM视角不同的产品改进流程。
对PM而言,产品改进流程的起点通常是某个环节的产品体验没有达到预期;对产品增长经理而言,产品改进流程的起点更可能是某个(些)页面的跳出率超出预期,新用户的转化率或者老用户的留存率未达预期。PM的产品改进是一个相对封闭的过程,主要目标是通过优化用户体验有问题的环节提升用户体验,产品改进与用户体验提升之间关联较为直接;产品增长经理所做的以推动增长为目标的产品改进则完全不同,这一过程相对开放——工作的目标并不直接包含解决问题的方向——一系列以改善产品增长状况为目标的优化并不必然达到预期的效果。因此,产品改进与增长状况改善(例如用户留存率提升)之间的因果关系,需要被有效的识别。

以增长为目标的产品改进希望看到的效果是用户黏性增强。用户黏性,拆开来看,可以关注以下三个指标:用户回访率(有回访的用户占比,通常也称之为留存率)的提升,访问频次的提升,和访问深度的提升。

3.2数据驱动的增长管理
以下对用户回访率(留存率)的统计方法和用途做一些简单的介绍,以此为例来说明产品增长管理过程中数据分析扮演的角色:增长管理的效果评价者和增长管理的起点驱动者。

3.2.1同期群分析
如果只看一组指标来判断产品增长管理过程中留存率优化的效果,最直观的选择,就是看同期群留存率。这里直接引用lean startup里面对同期群(cohort)的介绍:将关注点从总用户数这样的累计数据上挪开,把用户(按照基准来访日期)分成不同的群组,每一个群组称为一个同期群,来比较这些群体的表现,即所谓同期群分析。
如何建立同期群数据表,是一个基础的数据建设问题,在这篇笔记里就不展开说了。一张针对新用户的同期群留存率表,反映了每天来访的新用户在未来每一天的留存率。以下是虚拟的某产品从2013年11月20日到12月2日的新用户留存率同期群数据表。我们为这张表的解读提供一些简单的示例。



对于这份同期群留存率数据,有三个角度的解读:一,这12天中,该产品的次日留存率平均为6.98%,11月20日,25日,27日和12月1日的用户次日留存率低于平均水平,直接反映了相应日期的产品和运营方面可能存在相应的问题;二,竖着比较每一列的新用户留存率,可以发现基本上都会在几天之后快速达到一个相对稳定的水平;三,斜着比较每一天的用户访问情况,可以发现11月26日的用户访问情况存在一个明显的低谷,几乎之前每一天的新用户在该日的回访率与前一日相比都有显著的降低。
类似的同期群留存率表,时间粒度可以调整为周、月,也可以调整为小时,分钟;用户口径可以调整为老用户或总用户,登录用户或匿名用户,某一特定渠道来源的用户,使用某些设备或者操作系统的用户,诸如此类。这些数据可以最直观的反映出某一天的产品和运营上的调整对相应用户群体留存情况的影响,进而体现出产品和运营策略对产品增长的影响。从这个角度来看,同期群留存率数据扮演的就是以增长为目标的产品改进的效果评判依据。

3.2.2等效周回访率和增长迭代
总体来讲,同期群数据可以有效的反映出产品和运营策略对产品增长的影响的细节。那么,对一段时间内,产品优化或者运营策略调整的总体效果如何,应该怎么来判断?这里,我们推荐“等效回访率”这样一个新概念。以下以“等效周回访率”为例来说明这一概念。

为了说明这一概念,我们需要一个简单的增长迭代模型:
第k周用户量=第k-1周用户量*等效周回访率+第k周新用户量

这里包含了对用户回访的复杂情况的简化:事实上,老用户的回访包含了多个以周为单位的群体的回访,需要考虑上周用户的“未来1-7天回访”,上上周用户的“未来1-7天不回访且8-14天回访”,上上上周用户的“未来1-14天不回访且15-21天回访”,……这样下来,增长模型会变得十分复杂。因此,我们使用等效周回访率的概念来简化这一模型。
大量的互联网历史数据表明,对于一款互联网产品,在某周有访问产品行为的用户群体,其未来n周的累计回访率随着n的增大会趋近于一个稳定的水平(记为t)。不妨设我们关注的产品是n=4的时候用户累计回访率基本上很接近t(注:这里的n取值会随着产品使用频率不同而不同,例如一些工具类产品可能会每天被使用,买电影票的应用可能会一到两周被用一次,一个提供发型师信息的产品可能会一个月被用一次,旅游相关的产品可能半年到一年会用到一次,帮助用户找工作方面的产品一两年会用到一次)。
我们假设第k周访问的全部未来会有回访的用户,都会在第k+1周回访,在此基础上定义“(第k周)等效周回访率”为:“第k+1周回访数”/“第k周的全部老用户数”。通过这个定义,我们将复杂的、不规律的用户回访行为简化为标准的可迭代的用户回访行为:第k+1周的总用户仅包括第k周的老用户的“等效回访”和第k+1周新用户。这样,增长模型的迭代就会变得简洁而清晰。

为了通过实际数据推出“等效周回访率”,我们针对一群用户(规模标准化为1)在第0周到未来四周(第1,2,3,4周)的留存情况展开分析:设第0周用户在第1周的“等效周回访率”为r,则流失用户比例为1-r;类推有,第2、3、4周流失用户为r*(1-r)、r*r*(1-r)、r*r*r*(1-r)。累计流失量为(1-r)+r*(1-r)+r*r*(1-r)+r*r*r*(1-r)=1-r^4.
结合“某产品的实际情况是n=4的时候用户累计回访率基本上很接近t”可以得出:对该产品而言,1-r^4=1-t,从而有r=t^0.25.

由于上面的r的计算需要等待四周之后的累计重复访问率,在实际操作上无法对近期内的算法和产品改进做出快速反应,我们提供一种简易的近似统计方法来快速得出“等效周回访率”:以上周用户量为分母,本周非新用户总量为分子,计算出其比率;然后将该比率在若干个周的时间区间上取均值,可以近似认为是该时间区间上的等效周回访率。

有了这样一个增长迭代模型,我们就可以把与增长相关的工作效果考核纳入到一个统一的框架中,确保产品优化的目标是用户回访率(也就是这里的等效周回访率)的提升。如果发现一段时间内,产品上的用户等效周回访率在下降,导致了产品增长未达预期,就需要我们在产品工作中提升“用户回访率优化”的优先级。类似的,如果发现用户增长的瓶颈在于,给定用户回访率的前提下,新增用户量还不足以覆盖流失用户带来的缺口,那么引入更多新用户就应该成为优先级更高的事情。这就是以数据为出发点来驱动产品增长工作的例子。

3.3小结
小结一下。
这一篇讲了很多关于产品优化如何与增长目标挂钩的事情,其目的并不是提供事无巨细的系统化产品增长管理解决方案,而是提供增长管理的意识养成和技能养成方法。其中,特别想强调的是产品增长管理的mindset和toolset,前者帮助我们认识到那些事情的优先级需要提高,后者帮助我们使用工具以更高效的方式做事情。

关键词:growth hacking 同期群 留存率 增长迭代