数据驱动增长，是很多公司对数据分析师的要求，可具体到操作上，大家就开始纠结了。虽然增长黑客上白纸黑字写了AARRR五个大字，可真到分析的时候，就总被吐槽：
单纯看AARRR五个指标，很容易给出“转化率跌了，要搞高”这种无脑结论。要怎么分析才能成体系的输出结论？今天系统分享一下。
先忘记模型、数据、方法论。就问一个最简单的问题：“如果让你自己做生意，你会思考啥？”你肯定不会先去听成功学大师讲“心法”“模型”“底层逻辑”（如果真有人兜售这些，要溜快点），而是问几个简单的问题：
这些实打实的问题，才是生意成功的关键。企业也是一样，不管发明多少新名词，做用户增长，就是得解决这六个核心问题：
这里个问题之间，有内在逻辑（如下图）：
整个分析模型，就是围绕这六个模块做深入。不但要用AARRR呈现增长结果，更要量化展现增长决策的全过程，从而发现更深层的问题。
1. 赛道选择
用户增长本身有两大方式：初创型企业，需要在公共市场上竞争，大海捕鱼。集团企业内部孵化新业务，可以从内部引流，池塘养鱼。
两个方式下，数据看法不同：大海捕鱼式：需要评估市场空间，市场增长速度，竞争对手情况，需要大量二手数据。
池塘养鱼式：内部客户已有数据基础，待转化的范围是有限的，直接做客群分析即可。相比之下，大海捕鱼式更麻烦，因此重点讲一下，此时需要收集三个数据（如下图）：
这三个数据，都不太可能直接获取准确数据，因此需要结合第三方数据、行业报告、主要竞争对手的新闻，甚至一些不太光彩的手段获取。此时，不必太纠结数据准确度（一定不100%准），而是要评估来自各个渠道的信息，指向是否一致。比如各渠道都反应：行业是垄断竞争装填，行业在快速扩张期。定性判断是准的即可。
2. 客群选择
当赛道具体到一个具体领域后（快消、耐用、零食、服务……），其目标用户群体的画像、消费力、人群数量是可以锁定的。这里有两个要重点关注的东西：用户消费力分层与用户复购行为。这两点，直接决定了增长打法。
（1）用户消费力分层
原则上，头部客户的消费力越强，人数越少。则越应该采取“大浪淘沙”式的增长策略，大量获客之后，通过高门槛+重服务，筛选出大客户，紧紧抓住大客户的需求。如果头部客户消费力与底部差异不大，或者用户普遍有大额消费刚需，则要采取“放水养鱼”策略，做好基础服务，做大客群。
（2）用户成长路径
客户自然复购率高，通过少量投入能引发复购，则可以打造用户成长路径，鼓励用户多消费，鼓励累积消费。如果天然复购率就低，则应采用收割策略：大量获取新人，鼓励老人带新人，从而保持持续增长（如下图所示）。
注意，这里有个典型的分析陷阱：把自己的存量用户，当成了市场上全量用户。当一个企业在市场上没有处于垄断地位的时候，很有可能存量的用户只是整体用户的一部分。市场上的用户全貌和基于存量分析出的用户画像不一样（如下图）。
因此在客群选择阶段做分析，要结合调研/竞品分析开展，及时了解竞争对手的客群结构，避免盲人摸象，越做越瞎。
用户获取渠道与转化方式，与用户群体的定位有直接关系。理论上，有四种常见的形式可以选：
这四种方式，对应着特定用户群体需求。因此在评估获客方式的时候，优先看的是每一类方式是否能触达对应的用户，再看转化效果。因此要区分局部影响因素和全局影响因素，优先看投放渠道和触达人数，是否达成目标（如下图）。
之后，才是每一类方式的转化漏斗分析。转化漏斗分析在很多文章已经有讲到，这里不再赘述了，传统的投放分析/获客分析也经常做这一块。
4. 转化方式
转化方式的分析，在很多文章也已经讲过，这里不再赘述了。实际上，传统的投放分析/获客分析也会做转化方式的研究，很多ABtest也是围绕“哪种转化方式更有效”进行的。比如测试一个在线课程获客效果，可以用如下图方法，通过多个版本测试，逐步实现。
要注意的是：测试不是无节制的。每一种打法可能有其转化能力的上限。因此在设计方案的时候，可以预设测试的次数、投入费用与期望值。比如一个月测试3次，如果都不能满意，就果断地换方案，避免在细节里陷得太深，只见树木不见森林。
5. 投入产出核算
投入产出核算，是评估增长的最重要尺子。这一步，常规的投放分析/获客分析也会做，但经常陷入细节，过分纠结每个渠道的ROI，形成“瘸子里边挑将军”的局面（如下图）。
做投入产出核算，首先应该将增长策略打包，同类策略下若干具体推广措施/活动，作为一个整体。先评估整体效果，再看细节。作为一个策略包，在其作用下：
对整体评估之后，再看细节。这样既容易在内部树立标杆，又能避免“只见树木，不见森林”。如果发现竞争对手有新的策略推出，还能跟踪观察其效果，即时验证新方法可行性，避免局限于过往经验，错失新增长机会。
这一套增长模型的做法，主要是为了避免增长分析只盯着眼前的一亩三分地，而导致的短视问题。领导们期望的深度洞察，比如下面三个问题，都得从全局出发，系统观测才能得到：
当然，这样做也有挑战，就是数据分析的范畴，突破了现有数据，需要结合大量的行业数据与测试数据，才能下结论。这样对于数据分析师的工作是有很大挑战的，但是对增长来说非常有帮助。
U470131445
U770045714
