增长黑客之“法”——增长问题如何拆解

引言#

阶段目标确定以后，摆在团队面前的仍然只是一个结果。比如提高首购用户的复购率、改善新用户留存、增加有效订单，这些目标已经比“提升增长”具体得多，但还不足以直接指导行动。一个结果通常由多条用户路径和多个业务变量共同作用，没有把它们拆开，后续分析很容易把异常、原因和方案混在一起。

增长问题的拆解，可以沿着一条相对稳定的路径推进：先还原完整的用户增长链路，再用 AARRR 或 RARRA 做第一次定位；从完整链路中筛出决定核心价值的转化路径；把路径上的关键指标组装成增长模型；最后继续拆解变量，直到问题已经具体到能够被观察、比较和验证。

2.1 用户增长链路#

增长链路要解决的第一个问题，是把阶段目标重新放回真实业务过程。假设目标是提高首购用户的二次购买率，只看“二次购买率”这个数字，很难知道问题发生在哪里。用户完成第一次交易以后，要经历收货、使用、再次产生需求、重新进入产品，还要发现合适商品、形成购买意愿才能再次下单。其中任何一段发生变化，都可能影响最后的复购结果。链路没有先还原清楚，后续看到的每一个指标都只是孤立的数字。

一条完整的增长链路，可以从用户第一次接触产品开始，一直画到持续获得价值，以及后续可能发生的付费、复购和推荐。画这条链路时，不需要一开始就判断哪个节点最重要，先保证业务过程没有明显缺失。实际操作可以分成三个层次。

1. 用户如何进入：包括主要触点、渠道和入口。这里记录的是用户从哪里开始与产品发生关系，不急着把所有渠道拆得很细，只需要确认主要入口是否已经覆盖。

2. 用户如何获得价值：从进入产品到第一次完成有意义的行为，再到价值被体验到，这一段通常包含产品最关键的使用过程。交易业务可能是浏览、产生兴趣、选择商品并完成购买；协作工具可能是创建空间、邀请成员并完成第一次协作；内容产品则可能经历兴趣识别、首次有效消费和持续消费。

3. 价值如何持续：第一次行为完成以后，用户有没有再次回来，是否重复核心行为，是否进一步付费、复购或推荐。链路只画到第一次转化，很容易把一次性交易误认为稳定增长。

这里需要区分两种东西：用户做了什么，以及这个行为在价值链里意味着什么。注册、点击、打开 Push 都是可记录的行为，它们不一定代表价值向前推进。反过来，有些节点虽然没有漂亮的单一指标，却可能决定用户能否跨过某个门槛。画链路时先保持这种区别，别把埋点清单直接当成用户链路。

完整链路也不一定是一条直线。一个业务可能同时存在搜索、推荐、内容、活动等多个入口；老用户和新用户也可能走不同的路径。此时不需要强行把所有用户塞进一条漏斗，可以先画主干，再把明显不同的分支补进去。链路的作用是还原业务结构，不是为了得到一张形式整齐的流程图。

2.2 AARRR 与 RARRA#

完整链路画出来以后，可以借助 AARRR 做第一次归类。AARRR 把增长关系分成五类，它更适合做一张索引地图，而不是直接替代真实业务链路。比如一个业务发现用户主要卡在 Activation，并不意味着已经找到了问题，只说明接下来应该重点检查“第一次价值体验”对应的真实路径。

• Acquisition，获取：用户怎样进入产品；

• Activation，激活：用户是否完成第一次关键价值体验；

• Retention，留存：价值是否能够持续；

• Referral，推荐：用户是否愿意把价值传播给其他人；

• Revenue，变现：用户价值是否形成可持续的商业交换。

RARRA 使用的是相同的几个增长环节，只是把 Retention 放到更靠前的位置。它强调的是另一种优先级判断：产品还没有证明用户能够持续留下时，过早放大 Acquisition，可能只是把更多用户送进一个持续流失的系统。对于仍处在价值验证和早期增长阶段的产品，先检查 Retention 和 Activation，通常更容易暴露真正的约束。两套框架可以这样使用：

AARRR 和 RARRA 的作用到这里就够了。它们负责把一个大问题先放进合适的区域，却不能直接告诉团队具体哪个用户动作需要改变。例如“激活有问题”仍然非常宽，对于一个协作产品，激活可能是创建项目，也可能是第一次邀请同事并完成协作；对于零售业务，可能是第一次完成购买，也可能是第一次找到符合需求的商品。进入数据分析之前，还需要把这些抽象环节还原成业务自己的核心转化路径。

2.3 核心转化路径#

用户增长链路追求的是业务过程相对完整，核心转化路径做的则是第二次收敛：从完整链路中找出决定用户是否到达核心价值的少数关键节点。一条增长链路有二三十个行为节点，不可能把所有节点都当成同等重要的分析对象。筛选核心路径时，可以重点检查三个条件。

• 这个节点是不是到达核心价值必须跨过的关键门槛：如果用户即使不经过某一步，也可以正常获得价值，那么它通常不需要进入核心路径。

• 这个节点是否代表用户状态发生了实质变化：从“看到商品”到“产生购买意愿”，从“注册账号”到“完成第一次协作”，背后不是单纯多了一次点击，而是用户离核心价值近了一步。

• 节点之间是否能够形成可分析的连续关系：核心路径最终要用于判断问题发生在哪一段，因此节点需要能够对应相对稳定的用户行为和指标。无法观测的关键价值仍然重要，但需要寻找能够合理反映它的代理行为，而不是因为难测就直接丢掉。

以一个零售业务为例，完整链路里可能有首页曝光、搜索、推荐流、内容浏览、店铺页、收藏、客服、详情页、加购、结算、支付、收货、评价和复购等很多动作。如果当前关注的是首次有效交易，可以从中收敛出一条更短的路径：有效入口 → 商品兴趣 → 商品详情 → 加购 / 购买意愿 → 支付完成。如果阶段目标变成复购，核心路径就需要向后延伸：首次有效交易 → 商品 / 服务体验 → 再次产生需求 → 再次进入 → 第二次有效交易。

同一个产品不存在一条永久不变的核心路径。目标发生变化，需要观察的路径也会变化。这里尤其要避免两个常见问题。

• 把组织分工写进路径：市场负责获客、产品负责转化、运营负责复购，这些是组织结构，不是用户结构。用户不会因为公司部门不同而改变自己的行为路径。

• 为了数据完整，把所有能够埋点的动作都留下：核心路径需要主动做减法。一个节点既不能明显改变用户状态，也不能帮助区分问题，把它拿掉通常会让分析更清楚。

经过这一步，问题的范围开始收窄，一个抽象的“转化率下降”就可以被重新描述为：入口到详情的进入率稳定，但详情到加购明显下降；或者加购没有变化，主要损失集中在结算到支付。

2.4 增长模型#

核心转化路径回答“用户经过什么”，增长模型进一步回答“最终结果由什么共同决定”。增长模型的基本做法，是把阶段目标或北极星指标作为结果端，再把影响结果的关键指标和变量按照业务关系连接起来。构建时可以沿着三步完成：

1. 定义结果指标：模型必须围绕一个明确结果展开。可以是长期北极星指标，也可以是当前阶段目标。结果如果同时混入 GMV、利润、留存、新增等多个目标，模型很快会变成一张无法判断主次的业务全景图。

2. 绘制核心转化路径：把核心转化路径上的关键节点转换为指标，例如用户从入口进入商品详情，可以对应入口 UV 和点击率；从详情到交易，可以对应加购率、结算率或支付转化率。指标应该服务于已经确定的业务路径，而不是因为数据仓库里正好有某个数字，就把它塞进模型。

3. 组装增长模型：把指标按照实际关系组装起来，常用的结构主要有两类：

   1. 全链漏斗型：按照用户行为发生的顺序，把关键步骤依次连接起来。例如：下载用户 → 首次访问 → 完成核心行为 → 持续使用。每一步可以配置用户量和转化率，它的优势是直观，尤其适合路径相对稳定、步骤比较连续的业务；从模型上能够快速看到用户量在哪个环节明显减少，也方便比较不同时间和不同人群的转化差异。局限同样明显：业务一旦出现大量老用户、多个入口、循环行为或者非线性路径，一条漏斗就很难完整表达结果。

   2. 因子分解型：不要求变量按照用户行为顺序排列，而是直接从结果的构成关系出发。例如一个零售业务的订单量可以近似拆成：订单量 = Σ（各入口 UV × 点击率）× 下单转化率 × 下单频次。这条公式把订单结果拆成了入口流量、入口效率、交易转化和购买频次。每一个一级变量都可以继续对应更具体的业务问题。如果订单下降，第一步不再是泛泛讨论“最近增长不好”，而是比较各入口 UV、点击率、转化率和频次分别发生了什么变化。假设流量稳定而下单转化明显下降，分析范围就可以继续向交易链路收窄；如果转化稳定，而某个主要入口的 UV 大幅下降，问题又会转向另外一个方向。

两类模型没有高低之分。用户过程非常清楚时，全链漏斗型更直观；需要计算不同因素对最终结果的贡献，或者业务中包含大量循环和存量行为时，因子分解型通常更合适。复杂业务也可以同时使用：上层用因子分解明确结果结构，某个具体因子内部再用漏斗展开用户过程。增长模型搭好以后，不需要追求一次性把所有可能的指标都装进去。模型首先要保证一级关系足够清楚，能够回答“结果主要受什么影响”。只有当某个一级变量仍然太宽、无法支持判断时，才有必要继续向下拆。

2.5 变量拆解#

变量拆解最容易走向两个极端：要么停得太早，一个“转化率下降”就开始讨论方案；要么一路向下，把指标树拆成几十甚至上百个节点，最后反而看不出哪里重要。判断是否继续往下拆，可以看两个条件：

1. 继续拆解能不能明显区分问题：“下单转化率下降”仍然包含很多不同情况，如果拆成详情到加购、加购到结算、结算到支付以后，发现异常主要集中在详情到加购，那么这一次拆解明显增加了判断能力。反过来，如果几个子指标变化基本一致，继续拆分可能并不会产生新的信息。

2. 拆出来的变量能不能被可靠观察，或者至少能够形成可验证的判断：一些因素可能确实重要，但现阶段既没有数据，也找不到合理的观察方式。此时可以把它保留为待验证假设，却没必要为了完整继续展开成一棵指标树。拆解的目标是服务当前决策，不是把业务世界描述完。

模型中的变量关系也需要区分清楚。模型里两项指标之间画了一条线，并不意味着因果关系已经成立。比如使用某个功能的用户留存更高，只能先说明两者存在明显关联；可能是功能提高了留存，也可能是高意愿用户本来就更容易使用这个功能。后续策略如果直接建立在错误因果上，即使数据分析做得再细，方向也可能偏掉。至少可以分成三类：

变量也不要求全部拆到同样深度。一个一级变量已经足够清楚，就可以先停在那里；另一个变量仍然包含几个机制完全不同的问题，就继续向下拆。最终得到的模型可能并不对称，但它更符合真实业务。拆解好不好，不看树形结构是否漂亮，只看每一层是否增加了新的判断信息。当“复购不足”已经能够被拆成具体用户、具体路径和一组可观察变量时，原本笼统的增长问题就发生了变化。团队面对的不再只是一个结果，而是一张可以继续分析的变量地图：哪些指标发生了异常，哪些关系相对确定，哪些仍然只是需要验证的假设。变量摆到桌面上以后，需要继续判断的是其中哪些变化值得投入资源，哪些只是噪音或次要问题。增长发力点也正是在这组变量中逐渐浮现出来。