增长黑客之“法”——增长发力点如何找到

引言#

增长模型把最终结果拆成了一组变量，但进入分析以后，问题通常不会因此减少。流量、点击、转化、留存、频次、渠道质量以及不同用户群的行为都可能同时发生变化，数据越丰富，能够发现的异常越多。如果只是把这些异常逐一列出来，很容易堆出一张很长的问题清单，却仍然不知道资源应该优先投向哪里。

找到增长发力点，需要把这些变量重新放回业务结果中判断。第一步先从整体数据确认变化主要发生在哪里，再进入用户层寻找差异；接着用漏斗、留存和路径分析进一步缩小范围，把异常和优势转成几个值得继续研究的候选方向；最后再比较这些变量对最终结果的影响、改善空间、可控性和证据强度。先形成候选机会，优先级判断放在后面。

3.1 整体业务数据#

分析发力点时，先看整体业务数据，比直接钻进用户明细更容易建立方向感。这个顺序别反。一个业务每天都会产生大量行为数据，如果还不知道问题大致发生在哪里，就开始切渠道、地区、设备和用户标签，很容易在细节里发现很多有趣现象，却无法判断这些现象和当前增长结果有什么关系。

整体分析首先要把结果放回时间轴。单看某一天或某一周的数据，很难判断它究竟是异常还是正常波动。一个长期稳定的转化率连续数周下降，与一次活动结束后的短期回落，代表的是完全不同的问题。历史趋势可以帮助确认变化从什么时候开始，持续了多久，是否和版本发布、活动、渠道调整、季节因素等业务事件存在明显对应关系。

趋势确认以后，再看结构变化。总量稳定，并不意味着内部结构稳定。新增用户没有下降，可能是一个高质量渠道正在萎缩，另一个低质量渠道刚好补上了数量；GMV 继续增长，也可能主要来自客单价提高，而实际购买用户数已经开始下降。总盘数据经常会把这些方向相反的变化平均掉，因此还需要继续拆渠道、业务线、品类以及增长模型中的一级变量，确认最终结果到底由哪些部分推动，哪些部分正在拖累。

这里不需要把所有指标重新检查一遍，只要把注意力放在对当前结果影响最大的几个一级变量上。例如订单下降，可以先比较流量、点击率、下单转化率和购买频次；如果流量与频次基本稳定，而下单转化连续下降，后面的分析自然向交易链路集中。如果整体转化没有明显变化，但主要渠道流量持续下滑，问题则应转向获客结构。

整体数据还要留意另一类容易被忽略的信息：已经出现的成功信号。某个渠道规模还不大，却连续几个周期带来更高质量的用户；某一类用户的留存和复购长期优于整体。这些都不是异常，却可能意味着某种有效机制已经出现。

因此，这一步结束以后，不需要得到原因，只需要留下两类值得继续下钻的线索：哪些地方正在损失结果，哪些地方正在持续贡献更好的结果。后续分析围绕这两类线索展开，范围就会比直接从海量用户数据中寻找问题清楚得多。

3.2 用户分群与行为分析#

整体数据能够说明变化发生在哪一块，却解释不了这种变化是不是均匀发生在所有用户身上，平均数尤其容易隐藏这一点。整体转化率下降，可能是所有用户都有轻微下降，也可能只是某个新增渠道带来了一批低意愿用户；整体留存稳定，也可能是一类用户明显改善，另一类用户同步恶化。

用户分群的作用，就是把这些被平均数掩盖的差异重新拆出来。比较实用的切分方式主要来自三个方向：用户属性、用户行为，以及增长模型中的关键变量。属性包括渠道、地区、设备、企业规模等相对稳定的特征，适合回答“哪类用户表现不同”；行为包括新老用户、活跃程度、是否完成核心行为、购买频次和付费状态，更适合观察不同使用方式与后续结果之间的差异；当分析已经聚焦到某个变量时，也可以直接围绕变量分群，例如比较完成激活和未完成激活的用户，或者不同购买频次用户的后续价值。

分群最容易出现的问题，是为了追求“精细化”不断增加维度。理论上，渠道、地区、设备、活跃度、购买频次和用户属性可以组合出大量群体，但分群本身并不创造价值。只有当新的切分能够解释原来混在一起的差异，或者能够产生不同的后续判断，继续细分才有意义。否则，用户群越切越小，样本稳定性下降，分析反而更难用。

分群找到差异以后，分析重点要从“他们是谁”进一步转向“他们做了什么”。比如高复购和低复购用户在第一次购买之后经历了什么不同，高留存用户是否更早完成了某个关键行为，某个高质量渠道的用户进入产品以后是不是走了不同的使用路径。行为差异可以帮助缩小解释范围，但还不能直接把某个行为定义为原因。如果使用某项功能的用户留存更高，既可能是功能促进了留存，也可能只是原本需求更强的用户更愿意使用这项功能。此时有价值的结果，是得到一组更具体、值得继续验证的线索，而不是提前宣布因果关系已经成立。

3.3 漏斗、留存与路径#

分群让问题落到了具体人群，下一步需要确认差异发生在用户过程的什么位置。漏斗、留存和路径经常被放在一起讨论，但三者承担的任务并不相同：漏斗适合找连续转化中的损失位置，留存负责观察关系是否随时间持续，路径则用于还原用户实际经过的行为连接。

漏斗最适合步骤相对明确的业务过程。以交易为例，用户可能依次经过商品详情、加入购物车、进入结算和完成支付，把每一步的用户量和转化率放到一起，就能够快速看出主要损失集中在哪个环节。再叠加渠道、时间或用户分群，可以继续判断这个变化是整体问题，还是只发生在某一类用户身上。漏斗提供的是位置，它首先回答“用户主要在哪里离开”。

留存增加了时间维度。有些问题在首次转化里几乎看不出来，随着时间推移才逐渐出现。例如两个渠道首日激活率相近，一个月以后留存却拉开明显差距；两个版本第一次购买表现相当，但后续复购出现持续分化。如果只看一次转化，很容易低估这种长期差异。通过 Cohort 把相同进入时间、来源或者具有相似首次行为的用户放在一起，更容易看到用户关系如何随时间变化。

路径分析则适合漏斗无法充分表达的复杂场景。漏斗通常预设了一条理想顺序，但真实用户可能从搜索、推荐、内容、活动等不同入口进入，也可能反复比较、回退、收藏以后再次返回。对于多入口、多分支或循环行为明显的产品，实际路径经常比设计路径更有分析价值，它可以帮助发现团队原本没有纳入核心漏斗的行为连接。

三种分析方式经常是连着用的。假设整体数据显示加购率持续下降，分群后发现问题主要集中在某个渠道，漏斗进一步确认损失发生在商品详情到加购之间，路径分析又发现这批用户大量从某类内容入口进入。到这里，“加购率下降”已经被压缩成一个更具体的问题：内容入口建立的商品预期，是否与进入详情之后看到的真实信息存在偏差。分析推进到这一步，后续的用户研究、业务调查和验证才有明确对象。

3.4 火上浇油与修补漏洞#

经过整体数据和用户行为分析，增长机会通常会从两个方向出现：一类来自已经表现良好的部分，另一类来自明显的业务损失。前者可以理解为“火上浇油”，后者则是“修补漏洞”。

• 火上浇油：关注的是已经出现的优势信号，例如某个渠道的用户质量持续高于平均水平，某一类商品或内容明显带来更高的后续转化，或者某个产品机制在多个周期都表现稳定。这里首先要弄清楚优势来自什么，是用户结构、渠道特征，还是产品机制，然后进一步确认这种优势能否复制到更大范围。增长不一定要从修复弱点开始，已经跑通的机制同样可能提供新的空间。

• 修补漏洞：从损失入手，关键步骤转化异常、支付失败、某类用户持续流失、渠道带来的用户无法完成激活，都属于值得检查的漏洞。这里要区分正常流失和可避免流失。并不是所有退出都应该被挽回，价格不匹配、需求不适合或者本身不属于目标用户的人退出，可能只是业务正常筛选；如果为了提高数字不断降低门槛，反而可能带来退款、投诉和低质量用户。

这两个方向的作用，是把前面发现的现象整理成候选机会。一个表现好的渠道可能值得扩大，一个明显的支付问题可能值得修复，一类高价值用户的行为机制也可能值得进一步研究。到这里先不要急着判断谁一定优先，只要把候选机会以及支持它们的证据整理清楚，后面的比较才有基础。

3.5 核心变量与增长杠杆#

候选机会形成以后，才进入优先级判断。一个变量是否值得先动，不能只看它当前表现好不好，而要同时看它对最终结果的影响、还有多少改善空间、团队能不能真正改变，以及目前的证据有多可靠。影响首先要回答的是：这个变量发生变化以后，最终结果可能改变多少。增长模型在这里提供了基本依据，比如一个零售业务把订单量近似拆成：订单量 = Σ（各入口 UV × 点击率）× 下单转化率 × 下单频次。同样提升 10%，不同变量对最终订单的贡献完全可能不同。一个只覆盖少量用户的入口，即使点击率大幅提高，对整体结果也未必有明显影响；覆盖绝大多数用户的交易转化提高几个百分点，可能带来更大的结果变化。因此，影响判断必须把变量重新放回最终目标，而不能孤立比较指标高低。

仅有影响还不够，还要看改善空间。历史最佳水平、不同渠道和用户群之间的差距、类似业务的合理区间，以及产品本身的自然上限，都可以提供参考。如果同一业务中两类用户长期存在明显表现差异，通常意味着低值群体还有值得研究的空间；如果一个指标已经非常接近合理上限，继续投入大量资源，可能只能换来很小的边际收益。外部行业数据可以作为参照，但不能替代对自身业务结构的判断。

其次是可控性，宏观环境、行业需求和季节变化都可能影响增长，但这些因素本身很难成为团队直接推动的变量。即使它们能够解释结果，也需要继续找到产品、运营、市场、供给或服务可以改变的那一层。一个变量只有在当前周期内存在现实的干预手段，才有资格进入增长资源的优先比较。

最后还要看证据强度。一个变量值得关注，可能因为它与结果之间存在明确的计算关系，也可能只是历史数据长期显示的稳定差异。用户研究、过去实验和多个群体的一致表现，同样算证据。如果判断只来自一次偶然波动或者经验直觉，就不适合直接投入大量资源，更合理的方式是先用低成本分析或实验提高确定性。

这张表不需要进一步变成一套精确评分公式。增长变量的选择还会受到战略窗口、成本、供给能力、用户风险和合规边界影响，而这些因素很难通过一个简单分数完整表达。更重要的是把判断依据放到同一张桌面上，让团队知道为什么某个变量值得优先验证，而不是用“感觉更重要”替代分析。

在前面的零售业务里，继续扩大流量原本是最直观的选择，但新增流量的边际成本已经明显上升，现有流量的交易转化却存在较大的内部差异。把流量、点击、转化和频次重新放回订单模型比较后，阶段性的分析重点转向了下单转化。这个判断并不意味着转化率天然比流量更重要，只说明在当时的业务条件下，它同时具备更直接的结果影响、较明显的改善空间和现实的业务可控性。

核心变量是当前证据和约束下的优先判断，不是一个永久不变的答案。当这个变量已经足够清楚，重点就不再是继续寻找更多异常，而是理解它为什么会形成现在的结果，以及哪些机制真正有可能改变它。