评论：文章提出的用户运营增长公式有一定的普适参考性，对运营目标进行过程的数据化拆解有助于运营人发现增长机会、验证运营效果，值得推荐
用户增长是一件个性化非常强的事情，淘宝在增长中执行的诸多策略或许拿到其他场景就完全没有效果。但另一方面，这些策略背后的思考路径和执行过程中总结的经验，是有参考意义的，有机会给读者在日常增长工作中带来一些提示。所以，本文不会出现太多实现细节，更多关注在策略制定背景和设计逻辑上。
本文从我们对用户分层的定义开始，重点分享淘宝过去一段时间在“拉新”和“召回”两个方面的思考和经验。
我们站在平台视角，根据活跃情况对用户进行区分。第一个层面是 MAU 和非 MAU，更细节的又各自有所区分。
非 MAU 用户：即过去30天没有在平台出现过的用户，是用户增长流量引入的目标用户 。
+ 潜在用户：非平台注册会员，从未有访问过我们的产品的人。
+ 流失用户：此前已经成为平台会员，有过产品访问记录，但过去30天没有访问的用户。
MAU 用户：如上图中着色部分，分为三层。
+ 新增用户：顾名思义，是我们平台的纯新用户。就是从【潜在用户】转化而来的，平台用户纯增量。
+ 召回用户：指回访的流失用户。是从【流失用户】转化而来的。
+ 活跃用户：过去30天有产品访问行为，且当月又有访问的用户。
实际上，按照用户活跃情况仍然能继续细分。例如，对流失用户还可以细分为：月度流失、季度流失和年度流失等。
拆分了MAU的用户成分，再看MAU的数学描述，由三个部分求和而来：
+ MNU：只得是本月MAU增量，就是上图中横线以下的部分，包括新增用户和召回用户。
+ 上月新增用户留存：只上月的MNU本月有留存下来，转化为活跃的用户。上图中的r指的是留存率。
+ 上月活跃用户未流失：上月的活跃用户，本月仍有回访，未流失的用户。上图中的 λ指的是流失率。
通过对用户成分的拆分和用公式描述MAU，我们基本能够找到MAU增长的抓手是什么。而本文则会重点从MNU入手，介绍淘宝在MNU引入上的一些策略。
淘宝用户增长的流量引入体系由三纵两横构成。
三纵：即业务流程维度拆分的引流的三个阶段 。
+ 用户触达：分为二方和三方两种用户触达方式，是最外侧直接接触目标用户的系统。
+ 连接体系：目标用户被触达后，通过转化，将成为MAU用户，连接体系负责高效稳定引入用户。
+ 用户承接：用户通过连接体系进入平台，用户承接将有效帮助用户落地，为接下来的用户成长打下基础。
两横：即业务应用之下的基础设施和平台建设。
+ 用户总线：主要负责域内域外用户信息互通和信息流转。
+ 用户平台：分别针对【人】和针对【行为】，是以数据为核心的两个基础设施系统。
本文后续内容个，将针对上述的五个部分分别介绍技术策略。对笔者认为更具有参考意义的部分，会用较大篇幅，其他的则一笔带过。
策略1 —— 智能投放
三方流量引入的主要手段仍然是广告投放，但有别于常规广告投放，用户增长广告投放目标的目标是：高质量MAU增量。
上图为常规广告投放流程。广告主会以不同的采买方式够得渠道方的流量，通常是PD/PDB/RTB 等类型，而不同的流量类型在质量上也会有所区别。最终，广告主将以 CPM 或 CPC 等结算规则进行结算。
1.用户访问渠道后，渠道将会向广告主发起竞标请求；
2.广告主通过对流量的识别分析，给出反馈，决定是否投放；
3.如果选择投放，渠道侧将会按广告主的要求给用户进行素材曝光。
至此，最传统的广告投放流程就结束了。而上文提到用户增长的广告投放目标是高质量MAU ，其中【高质量】是一个很重要的限定。所以，近年来渠道方提供了更先进的结算规则 oCPX ，即【可优化的 CPX 】。通过这种方式可以在成本一定的情况下，很大程度上提升广告主获取到流量的质量。即增加了上图中虚线一下的路程。
1. 当渠道触达了用户（例如，用户发生了素材点击），渠道方会通知广告主；
2. 广告主接到通知后，启动对该用户的跟踪。一旦该用户访问广告主的产品并完成既定行为，广告主将反馈渠道方；
3. 渠道方把广告主的这次反馈作为素材推荐模型的正反馈，对模型进行优化。
在这个流程中，我们认为有两个核心，这两个核心也是【智能投放】的重点：
1.对人的认识。识别出用户增长的目标用户，做出准确判断，精准触达用户。
2.对素材的认识。在认识人的基础上，叠加对素材的理解，做出高效的素材个性化推荐，提升触达效率。
流量筛选（离在线人群服务）
在日常广告渠道对接中，我们发现不同渠道的技术能力和技术策略有非常大的差异。有些渠道技术能力非常强，能够对用户做出精准的识别，能非常好的帮助广告主进行精准触达；而更多的渠道不具备这样的技术能力，或者其关注重点不在于此，广告主必须提供流量筛选能力。
在这样的背景下，我们整合了大量数据源，建立起用户增长目标用户档案。一方面协助不具备流量删选能力的渠道进行精准的用户触达，另一方面为素材推荐提供数据支持。
工程上，提供离线和在线两种服务。通过工程手段把流量筛选规范化，每一个接入的渠道都会通过流量筛选服务进行精准用户触达。流量筛选作为渠道对接的一个必选流程，大大提升流量质量，降低了广告投放的渠道成本。
海量素材（素材个性化服务）
除了人的问题，素材的问题更加棘手。常规的广告投放中，素材推荐往往发生在渠道方的系统上，很少有渠道会允许广告主自主进行素材推荐。这就要求渠道方要对广告主平台上的素材进行深刻理解，才有可能做出高效的推荐。但事实情况并不乐观，即使是技术能力最好的一些渠道系统，也只能允许广告主上传几张素材图片而已。素材曝光就是从这几张素材图片中选择，可以想见效率之低。根据我们的经验，这些素材的曝光点击率一般都在2% 以下。
提升素材的曝光效率，一个基本条件就是素材数量。事实上淘宝有强大的素材能力，我们有海量的商品、权益和品牌信息；并且我们的设计师有丰富的经验，知道什么样的模板效率更高；更有先进的NLP算法支持我们做出高效的文案，这些元素通过工程能力的组合可以产出海量素材。
此外，基于对素材背后不同元素的深刻理解，淘宝的个性化推荐也非常强大，能够给出非常高效的素材推荐。
所以，在素材问题上，一方面对允许广告主自主推荐的渠道，我们接入自己的个性化推荐算法。基于背后的用户档案和海量素材，最高可以做到10%以上的曝光点击率。另一方面，对于不允许广告主自主推荐的渠道，我们正在寻求一种更先进的合作方式，即我们通过海量素材服务，赋能渠道推荐系统，实现高效用户触达。这也需要我们和渠道的共同努力。
举个例子
上图展示的就是我们在“抖音”平台上尝试的智能投放案例。图中三张素材图片都是通过工程能力，结合货品和设计师的模板合成而来的。而图示用户所看到的“女士冬装”也是基于算法对用户和素材的认知，进行的个性化推荐。
策略2 —— 矩阵优势
二方流量引入指的是利用自己平台上的多个产品，互相攻击流量增量，形成流量矩阵。二方矩阵有非常明显的优势，假设平台上有 A 和 B 两个产品，产品A的活跃用户，可能是产品B的潜在用户。在这样的背景下产品 B 可以把服务输出到 A 上，与 A 的产品形成深度合作。在产品 A 触达用户，转化用户，再通过设计把用户转化到 B 上。
用户天生具备对 A 产品的新任，所以B的触达和转化效率就会更高，在不脱离产品 A 的前提下，完成用户对 B 服务的转化，将大大提升后续用户成为 B 产品用户后的沉默成本。通过这种方式形成流量矩阵，矩阵中的流量质量较广告投放方式的流量高出很多。
无疑“小程序”技术是跨产品服务输出，深度整合的最佳选择。“小程序”技术与此前大热的 RN 或 Weex 这类界面方案在某些程度上相似，但我认为其本质不同。类 RN 技术是一种在完整性和性能稳定性上经过了优化的界面方案，是对H5方案的优化；而小程序则不同，是在开发效率和灵活性上大大提升的 App 开发方案。“小程序”不同于界面方案，具有完整的 App 生命周期和 App 级的技术能力，这些都是服务输出和深度整合的必要前提。
当然，二方矩阵的约束条件较多，也不是所有人都聚被建立流量矩阵的条件，所以本文不展开详述。
策略3 —— 拉承一体
引流与成长之间的空白
用户触达后的引入是整个流量引入过程中最重要的一个环节，也是优化空间最大，抓手最多的环节。
上图是我们梳理出用户从触达，到引流，最后成长的漏斗。不难发现，引入流程的终点是产品激活，也就是用户完成下载安装，并启动了 App。用户成长的起点是登录，也就是获取到用户信息的时候，而这两个流程之间还有一个巨大的空白——登录率。流量引入把用户输送到一个场景后，用户并没有马上进入成长流程，而是在注册登录这一步损失掉了大部分。
关于登录率的问题，经过分析发现并没有太多抓手可以进行优化。用户引入后是冷启动状态，似乎只能通过通用的权益或玩法刺激用户进行注册登录。为了改变这个局面，我们把用户流量引入的技术流程进行重新设计。
收口流量
首先是规范化流量入口，通过制定 App 启动链接标准，封装 JS 和 Native 两个链接 SDK ，基本做到全量手淘 App 启动流量标准化，做到了数据埋点，跳转行为和用户心智的统一，为接下来进一步的制订运营抓手提供了技术基础。
用户总线
用户登录率缺少抓手的最大问题在于，用户从域外引入域内后还原为一个冷启动状态，用户在域外的行为记录无法在域内关联，进而执行有延续的承接策略。未解决这一问题，我们开发了“用户信息总线服务”。
在用户数据视角，总线分为两个部分：
+ 数据供给：当用户出现在站挖渠道，我们触达到用户后，就要向用户总线写入一条记录，记录用户在触达流程中的行为，包括但不限于：访问的商品，权益等。以设备为Key建立用户访问档案。
+ 数据消费：用户发生激活行为时，承接应用通过用户总线获取用户在启动App之前的记录，进行连续性承接。充分发挥用户域外行为数据的作用，进行有针对性的引导。
通过用户信息总线，把用户引入和承接连接起来，弥补之前流量引入和用户成长之间的登录率空白。
举两个例子
上图中的例子是我们在域外以权益方式触达用户，并刺激用户激活手机淘宝。当用户在域外访问了活动页，看到这个“15元手机淘宝专享”权益的时候，活动页已经把用户的信息写入了用户总线。随后，不管是直接点击链接唤起手淘，还是从商店下载安装点击ICON启动手淘，手机淘宝的首页都会从总线中得到信息，从而在固定区块还原出这个权益，让用户有一个延续性体验。
第二个例子是在域外向用户投放了一个活动，这个活动展示了一个“5元话费”权益。不论用户通过何种方式激活手机淘宝后，手机淘宝内置的分流器都会通过用户总线中记录的信息，把场景还原到这个“5元话费”的活动上，而不是停留在首页。
策略4 —— 长周期运营
用户运营
长周期运营，是我们对“用户长生命周期运营”的简称，也是对“用户运营”的一种解读。我们理解的用户生命周期运营是：
从用户长生命周期视角， 以数据为基础， 结合算法能力， 驱动用户成长的运营方式
非常重要的一点，用户运营的区别在于运营目标的改变，而非运营对象的改变。在这种运营方式下，我们的关注点从行为漏斗，变成了用户生命周期的跃迁。本质上是希望用户在我们设计的成长体系中不断向上发展。过去关注重点是用户行为漏斗上的效率，而现在这个目标成为了手段。
全链路触达
用户运营的一个具体案例就是——全链路触达。我们在用户动线的每一个节点上设置触点，这些触点的目标不是驱动用户走向漏斗的下一个节点，而是由用户生命周期干预系统统一控制，驱动用户在生命周期之间跃迁。
首先定义出用户在平台上的生命周期节点。整合用户行为数据，利用算法能力计算出用户在生命周期中所处的位置，并预测用户跃迁到下一状态的概率。当识别出用户处在跃迁边界时，干预系统将通过全链路的触点向用户强调响应的货品、品牌、权益等信息，驱动用户快速跃迁。例如：当我们预测到一个用户长时间没有核心行为发生，即将流失的时候，就会通过上述方式，使用定向货品去刺激他，产生购买行为。我们用“临门一脚”形容这种驱动用户跃迁的运营方式。
策略5 —— 平台提效
提效问题是工程团队最擅长解决的问题之一，我们擅长以技术的方式替代人工，把过去需要两周完成的工作提效到15分钟完成。然而，在接触用户增长的不长时间里，我发现这种以提效为目的的系统建设只是对生产工具的改进，只能带来量变。处在一个数据驱动和人工智能快速发展的背景下，技术团队需要承担更多，需要改变我们的生产力水平，引入更先进的方法论，给业务带来质变。
提升生产力，要改变的是整个工作的方式方法和流程，这就要求技术团队不仅仅能在单点上做好工具，提升效率；还要进一步把各个单点串联起来，形成工作流，把更先进的用户增长理论实体化，流程化，变成日常工作的默认选项。
例如，我们认为“上卷和下钻”是数据分析中更加先进的方式，所以我们通过技术手段把这两项操作工具化。用户可以使用工具，快速对数据进行上卷或下钻，高效完成分析工作，拿到分析结论。
另外，我们认为A/B实验是快速验证方案效果的最佳手段，所以开发了实验平台，系统化解决了数据可信度，流量分桶等等基础问题。所有业务都可以在平台支持下快速实验，拿到结果。
然而，工具做完了，效率提升很大，但有一个问题始终不能解决：如果我没有意识进行数据深入分析，也就不会使用“上卷和下钻”的工具，如果我没有意识要验证决策，也就不会在产品发布流程中设计实验。所以，工具和单点优化提升了本来就要做这件事的人的效率，但并没有把这个先进的理论推广，甚至普及。
要解决这个问题，就需要我们通过技术手段改造整个产品的发布流程。流程上形成“数据采集-基本分析-深度分析-验证决策”的闭环，把“上卷/下钻”分析和“A/B实验”作为默认选项植入流程，使整个流程进入一个更先进的阶段。
除了技术策略，最后想分享的是我所理解的用户增长团队的能力提升，尤其是像我所在团队这种从常规的工程技术团队转型而来的用户增长技术团队该如何提升能力。
一般说来，传统的工程技术团队最重要的技能是“编码技能”，最重要的理论是“工程和架构理论”。最初我们在这两方面都比较差，而前期更多的是编码技能的提升，随着编码技能提升能接触到更多核心系统，承担更重要职责，所以逐渐在软件工程和架构设计的理论上有所提升。而在能力发展后期，理论和经验的提升将成为能力提升最重要因素。
而用户增长团队则有所区别，在我的理解中，用户增长技术团队最重要的是“数据技能”和“用户增长”自有的一套理论，在这两方面的带动下，结合上工程技术能力，才能真正做好增长，真正体现出一个“用户增长技术团队”的差异性价值。而且，在用户增长能力提升前期，更快积累的是理论，用户增长理论发展时间相对较短，复杂性也远不如软件工程和架构设计。所以，前期了理论积累相对快速，而数据技能是需要每个人实打实的从0开始学习。能力发展后期，支撑能力提升的更是数据能力，因为在用户增长领域，需要我们能在数据中找到增长的机会和问题，在数据中验证决策，在数据中完成增长。
数据技能非常重要，我在团队中始终对刚刚开始接触数据的成员有两个建议：解释趋势和关注分布。
+ 关注趋势：选定一个需要关注的核心指标，建立其在时间维度的图表，关注趋势变化。通过各种手段试图解释趋势发生变化的原因，在解释原因的过程中就可以抽象出具有参考意义的方法论或是经验。
+ 关注分布：关注核心指标在各个维度上的分布情况，找到分布不均匀的维度，不均匀本身就是机会或问题所在。通过进一步的分析，找到解决不均匀的方案，提出假设，大胆实验。
以上就是手机淘宝在用户增长-流量引入方向上的几个技术策略，以及伯灵对用户增长技术团队能力升级的一些理解。希望通过对这些策略背景和思考路径的介绍，能给大家带来一些帮助。也欢迎大家下方评论区留言分享！
关注微信