用戶增長不是模仿一個產品能解決的，這需要長期的數據積累、經驗積累，才能慢慢探索出屬於你自己的增長方法。

在互聯網流量紅利消失的下半場，我們更需要遵循數據驅動運營的思維準則，不斷進行反覆運算優化，吸引更多的用戶參與進來。

下面分享一個「友盟杯」數據分析大賽中的獲獎作品，其用戶增長思路值得借鑒。

案例：Hi wiki App用戶註冊轉化提高了37.32%

Hi wiki App致力於打造全球最大的藝術品交易拍賣平臺，並不斷完善升級中。 截止2019年4月，註冊用戶達200萬人，同時日活30w+。

Hi wiki App的基本情況：

• 使用受眾：愛好藝術品的收藏人員，專業從事藝術品交易的商家
• 使用場景：移動手機端
• 產品情況：網上交易、在線拍賣二大模組人氣旺盛
• 網上交易：類似於淘寶交易模式，使用者直接下單購買付款即可
• 拍賣：突破地域的限制，採用線上拍賣，高效便捷，隨時隨地都能參與
• 商業模式：註冊會員及拍賣手續等

該團隊長期從事用戶增長工作，沉澱了一套自己的用戶增長方法論——基於設計思維的主客觀數據用戶增長模型，認為數據不是目標，而是依據、準繩。 目標是通過主客觀數據發現定義問題，從而優化產品體驗以達到用戶增長。

在這套方法論的指導下，最終把Hi wiki App用戶註冊轉化率提高了37.32%，有效實現了用戶增長的目標。 整個操作流程可以分為這幾步：

一、定義北極星指標

定義北極星指標關乎產品的成敗，最有名的案例是臉書和其競爭對手的故事。 北極星指標不是一層不變的，可以根據產品的發展階段及時調整，最重要的是產品所有部門都是認可這一指標。

在這一個環節，他們召集了Hi wiki產品所有利益相關人士進行創新工作坊，梳理產品發展脈絡及未來對產品的期許，共同定義產品北極星指標——GMV=使用者量*轉化率*客單價*復購率，這也是電商行業最常用的指標及增長公式。

二、場景指標分解

定義北極星指標后，要對核心指標進行拆解，清晰數據指標及對應的場景。

Hi wiki App拆解后得到下圖：

從場景分解結果可以看出，只需要提升註冊、下單購買、拍賣三個場景的數據，則北極星指標GMV自然就會上升，首先關注註冊場景。

三、找到註冊場景的核心因素

通過對註冊場景的進行一步的拆解，可以發現管道、落地頁、註冊流程是影響註冊轉化率的核心因素，呈一個標準的漏鬥圖形。

如果在這每一個環節都做到最佳，那麼註冊轉化率自然就提升。 接下來需要優化這三場景，管道、落地頁、註冊流程，找到最優管道，降低落地頁跳出率，使用者能高效完成任務及找到自己喜歡的功能。

四、進行優化管道

根據前面拆解，團隊需要思考什麼樣的管道才是最優的，在經過大量的討論后，定義了一個渠道評估模型，從流量、品質、效益、滿意度、社會化分享等維度量化渠道品質。 過濾劣質管道，對優質管道加大資源投入。

有了渠道評估模型，還需要採集數據進行分析，通過友盟+移動統計U-App採集了上述數據，得到了評估數據，如下圖：

對上面的數據進行分析發現了2點：

• 華為應用市場、App Store訪客品質、效益以及分享數、滿意度均比其他管道要高，可以增加渠道廣告投放資源。
• 很多管道的跳出率都接近100%，極有可能是機器刷流量，後續查看該渠道發現存在大量相同ID，基本可以判定該管道是存在機器刷流量的情況，建議停止該渠道的廣告投放，將資源投放給優質管道。

五、減少落地頁跳出率

找到最優管道后，還需繼續關注落地頁場景優化。 落地頁關鍵的是降低跳出率，將流量留存下來，決定使用LIFT模型優化落地頁，這是一個已被反覆論證科學可行的優化方法，最終將落地頁的跳出率降低到了45.32%。

根據模型，整理出了幾個優化方向：

• 找到對用戶有價值的點找到使用者關心的內容
• 刪除掉使用者不需要的內容
• 製作緊迫感

接下來就需要去發現用戶有價值的點，找到使用者關心的內容，團隊使用了U-App頁面訪問路徑等功能來收集數據。

經過對數據的分析，發現了這些異常點：

• 使用使用者頁面存取路徑功能，發現有大量使用者都喜歡點擊進入熱門拍品排行榜。 雖然熱門排行榜在首頁很不明顯的位置，但是其點擊量依然很高;
• 首頁的banner是一些官方精品藝術品推薦，但是很少用戶點擊進入推薦的，排序位於末尾;
• 首頁黃金位置用戶點擊率也很低。

接著團隊進行了大膽假設，小心求證的過程：

• 基於數據發現，使用者具有圍觀心理，對排行榜很關心，希望看到大家都在關注什麼藝術品;
• Banner本來是藝術精品推薦，結果點擊率很低，很有可能是使用者看到banner的設計習慣性地認為是廣告。
• 黃金位置的內容，點擊率低可能使用者不喜歡該模組的內容。

通過對使用者發起調研，求證以上假設是否正確。 最後調研的結果顯示這個的假設很正確。 大多數用戶都以為banner是廣告，習慣性的抵觸。 使用者非常希望知道大家最近關注的藝術品，使用者對最新藝術品界的最新資訊很感興趣。

當得到了以上訊息后，Hi wiki App團隊迅速進行改變，快速進行了落地頁設計優化，並輸出了多個版本進行A/B Test：

• 優化banner的設計，增加文案，盡可能地與廣告區分開，告訴使用者這不是廣告;
• 提升排行榜的位置，放在黃金位置，讓它更清晰;
• 在首頁的商鋪展示文案， 「大家都在關注這個藝術品，還有X人正在瀏覽此藝術品品」製造焦慮感，吸引使用者點擊進入查看詳情;

最後測試結果：

• 此次試驗運行週期為1周，在對試驗數據進一步分析后，得到了科學可信的數據結果。
• 實驗版本1勝出，本次日均樣本量達到1000人次，其中試驗版本在各類藏品的點擊率轉化數據上都有不同程度的提升，最高增長幅度達到101.07%（最低也98.22%）
• 上線后，進行環比數據分析，頁面跳出率降低了28%，達到了45.32%的歷史最好的跳出率，其他一些訪客質量指標也隨之提升，例如：平均訪問時長，註冊轉化，這就是數據的蝴蝶效應。

六、註冊流程優化——引導使用者痛點

最後一步是對註冊流程的優化，Hi wiki App團隊需要繼續對註冊流程優化進行拆解，找到影響註冊流程轉化的影響因數，尋找優化空間。

經過分析發現Hi wiki App註冊流程很簡化，提升的空間並不是很大，所以決定從行為上找轉化的空間，先假設APP上有某些行為的使用者更容易轉化，只要假設成立，就可以加強產品的新手引導。

第一步：建立了註冊轉化監測漏鬥

第二步：一鍵存為人群

第三步：分析已轉化與未轉化的用戶在關鍵事件的行為差異

經過上面幾個步驟，發現已轉化使用者使用功能e的頻率遠高於未轉化使用者，Hi wiki App團隊大膽假設功能e很好解決使用者的痛點並吸引用戶註冊。 在系統後台抽取了幾個已轉化用戶樣本作為訪談對象進行使用者訪談，訪談結果很好地驗證了這種假設。

最後決定對功能e再次進行了優化升級，並在新用戶進入App時加強新手引導，讓使用者在最短時間內就能體驗功能e直擊使用者痛點。

新版本上線后，最終將註冊轉化率提升上了一個新台階。

案例總結

做用戶增長不是一蹴而就的事情，Hi wiki App團隊從前期的定義北極星指標到設計優化，經過很多嘗試才取得了這個結果。 在互聯網下半場，選擇科學的增長模型，用數據驅動產品優化這種思路值得一試。

參考資料：

1、2019「友盟杯」數據分析大賽「獲獎作品案例《Hi wiki主客觀雙數據使用者增長實踐》

以上，感謝閱讀！

如果你想獲取更多運營知識，還可以看看這些問答。 ↓↓↓

• 數據埋點：移動應用如何埋點收集什麼數據以便於統計分析？
• 數據分析：超級菜鳥怎麼學習數據分析？
• 消息推送：消息推送（push）對app運營的影響有哪些？
• 使用者留存：如何分析活躍使用者和留存使用者？

❤看后三件事❤

如果你覺得這篇文章對你挺有啟發，希望你可以幫我三個小忙：

1、關注@友盟全域數據， 讓我們成為長期關係;

2、點讚，讓更多的人也能看到這篇內容（收藏不點讚，都是耍流氓 -_-）;

3、評論，讓我第一時間瞭解你的真實想法;

謝謝你的支援！