第一篇是从用户生命周期出发，用一个短视频的案例来做分析，阐述了用户价值体系。本文下篇，将从价值与流失的分析角度来做一些分享。本文涉及到的知识点有：用户生命周期、流量方向的分析方法论、用户分群、用户挖掘、算法、渠道归因、拉新、端承接、运营、产品等。除了遍历这些知识外，文章的核心部分是关于两个数据产品的（关于数据产品方向文章没有做更多阐述）。

用户水池与流失

关于流失与召回，这个是长久不衰的一个话题。在业务活动中，涉及到的角色还是蛮多的，比如产品角色、运营角色、数据分析角色、甚至渠道市场角色都有。

本文将从数据分析的角度来探索一个关于流失的业务场景，以及通过驱动运营、投放等一系列的动作来应对流失挽救，这些落地就成为一个系统化的工作。

曾经繁荣的第三方应用市场，这几年前来逐渐走向没落。从百度巨资吞了 91 助手，到应用手机厂商崛起达到顶峰，整个应用市场已经经历过多轮洗牌。

“荚，再见！豌豆荚、PP 助手宣布下架，从此再无免费软件？” 你是否还记得豌豆荚这些应用？它们也曾在繁华的第三方应用市场里激起过一点浪花。

到现在，不管是应用宝、360 手机助手、华为、小米等应用商店，都在构建自己的城池。

记得在 2016 年左右一个拓新的成本从之前的几块钱升到 10 块钱、最高时能到几十元，留住老用户或许一条短信、一点积分、活动就可以，相对的成本是很低廉的。从用户生命周期与成本来讲，留住老用户的成本与拓新的成本是完全不同的。留住老用户的成本之所以很低，是因为老用户知道套路，而新用户对套路无感且教育成本就很高了。

运营的同学在每日面对刚涌进来的、将要离开的、已经离开的这几个类型的用户还是很头痛。一边是通过渠道拼命买量拉来的新用户，一边是保持耿直不变或缓缓下降的DAU曲线。如果把每日 NU 数据曲线叠加到 DAU 上，从这个DAU曲线缓缓下降的趋势来看，每日的 NU 增量或许大几十万，每日不活跃用户也是大几十万或上百万。从数据的表现来看用户的新增与流失相当，一边是花钱买量，一边是留不住用户，如果赶上产品、业务、环境形势问题，更是一个让人心碎的问题。

下图中给出的是 2016 年某个第三方应用市场的日 DAU、次日留存、7 日留存的的数据情况， 从数据上明显看出来，这个 Android App 的 DAU 量级在短短几个月中一直抖动着下滑。

结合数据来看，每周的 WAU 中有千万级别的用户，但是在一周内 AU 角度流失的用户占比为 30%，在 LU 中流失的比例为 50%以及以上。从每月的数据来看，50%以上的 AU 将会最终流失掉，LU 的流水占比也是在 50%。

用户不断的流失，就像水池的水位不断的在下降，用户流失超过新用户的补给，且速度越来越快、规模越来越大。如果不做任何动作，这个水池迟早会干枯。就像前面说的，很多业务都会面临类似的问题，这种问题不管怎么样都是要解决的。那如何解决呢？

先来看几个问题：

• 挽救了这些用户对业务有什么好处？
• 流失的用户都来自哪里？
• 流失的用户都会有什么先兆？
• 在资源有限的情况应该挽救哪些用户？

如果能够解决上面的事情就已经够了吗？实际上还是不够的。还需要：

• 需要清晰的知道用户长的样子。
• 通过哪些角度来刻画流失用户，各群体用户中流失用户的规模都是多少？
• 用户流失的可能性有多大，如何第一时间发现征兆？
• 发现征兆后如何挽救？
• 该如何形成自动化流失与挽救呢？

差不多需要将以上的问题都回答了，才可以把流失问题认识的清晰一点。

流失与深度挖掘数据据价值

要研究这个课题，首先需要定义什么叫流失用户、活跃用户、新用户流失。

这里简单的引用一篇文章，是在 2012 年发表的一篇名为《网站的活跃用户与流失用户》 这一篇讲述的非常清晰：

• ”活跃用户，这里是相对于“流失用户”的一个概念，是指那些“存活”着的用户，用户会时不时地光顾下网站，同时为网站带来一些价值。同时，我们还需要知道到底有多少用户可能已经抛弃了我们的网站，不可能再为网站创造任何的价值，也就是所谓的流失用户。
• 流失用户，是指那些曾经访问过网站或注册过的用户，但由于对网站渐渐失去兴趣后逐渐远离网站，进而彻底脱离网站的那批用户。当然，一个网站一定会存在流失用户，这是网站用户新老交替中不可避免的，但流失用户的比例和变化趋势能够说明网站保留用户的能力及发展趋势。“

这里我给出的公式就是”当前时间点 – 用户注册时间点 > 流失临界时间间隔“。

结合本案例，我们要研究是移动互联网 App 方向，可以用 “当前时间点- 用户首次安装且激活时间点> 流失临界时间间隔”，这个时间拐点是需要通过分析来得到的。

例如下图的流用户流失高风险是在第 20 周至第 25 周。（至于本次案例讲解的 APP 的流失时间拐点，同理的分析方法可以得到的）

有次团队里数据同学做用户分群，遇到了几个纠结问题，比如该如何分群，分群的意义，分群该从哪个角度入手，如何将流失率等计算出来，是否要细化到个体去做挽救等等。

举个例子来说，我们在研究用户流失、用户使用的那些产品有什么特点、用户看了什么内容、搜索了什么、消费了什么这些问题的时候，换一个角度来说就是在研究用户-产品-内容三者之间的关系，拿人、货、场理论来套用也是没得挑。

拿第三方应用分发这个业务来说，用户安装了第三方应用市场， 使用这个应用市场App的搜索、推荐、信息流、搜藏、 自动更新、备份等，来寻找自己的需要的App。这个过程从人货场来解析就是：

• 人：就是用户。
• 货：一切内容就是App。
• 场：第三方应用各种功能场景。

从BI的分析模型角度来讲，这里研究的几个关系的意义：

• 用户、产品、业务内容之间关系来讲，可以从高低风险的的角度来刻画不同的流失用户群。
• 理清用户、产品、业务的价值边界，让产品功能定位更清晰。
• 在内容定投上，结合用户画像与标签，可以在前期分析发现用户显性特征、群体特征，用作小流量定投效果测试。

做用户研究的课题时，切入点还是蛮多的，比如从业务黏性、用户属性、正负用户体验、用户活跃度等角度进行切入。但之前肯定会梳理一个比较完整的链路来盘点这个事情。例如对某包月业务的用户盘子价值做个分解，拉新用户、增加已有价值、减少流失。

有时在第一次做用户分群时通常切入的点有流失用户群体的研究、活跃用户群体的研究、新用户群体的对比研究，这几个切入点流失用户群体的研究成本是最低的，可能带来的效果是最好的。

切入流失分析流程后，关于流失挽救的过程，网上相关的文章多的数不清，大多数都是些基本必备与固定流程：

• 流失用户的定义
• 画像数据的准备
• 流失模型的搭建
• 分析流失数据找到特征
• 建立流失壁垒
• 开展召回以及活动

把这个流程整理一下就是这样的：

画像构建：有些人不喜欢一上来就开始构建用户画像。因为画像都是一堆标签，画像一般按业务属性划分多个类别模块。因为每一个标签都要经过大量的分析与挖掘，到实际可应用时的周期还是漫长的。标签的精准度与覆盖度也经常受到训练的数据所影响，有时会准备很多画像的基础变量来做更多不同角度研究。

随着自己对业务的分析与拆解，然后可以加入更多的基础变量来参与到模型研究中。关于用户的pv行为、用户点击行为、用户的播放行为，我会做更详细的分片拆分，这样能得到更多显著特征与更多特征。当然在某个地方可以叫做连续变量的区间化。

当然，大部分情况下会存在一个比较成熟的画像体系，比如常见的人口统计、社会属性外，还有用户消费画像、用户行为画像，用户兴趣画像等。

人口属性和行为特征是大部分互联网公司做用户画像时会包含的：人口属性主要指用户的年龄、性别、所在的省份和城市、教育程度、婚姻情况、生育情况、工作所在的行业和职业等。行为特征主要包含活跃度、忠诚度等指标。

模型准备阶段：模型算法与标签还是有一些关系的，不同的算法可以用在不同标签中。监督算法中会用到logic 回归、c5.0决策树、svm算法、最优算法、神经网络、矩阵算法。非监督类的，聚类、离散统计分析、随机游走、小波/F变换，这些算法用在哪些标签会更合适的，给出一个很明确的图(整个训练过程就不进入深谈)。

从另外一个角度来看一下这个体系这个会显得很直观。

流失模型：在分析中会选择一个用户样本进行观察与分析。在流失模型中选择每一个变量参与到模型计算都是需要做不同的评估的。例如用户基础属性中年龄、App使用时长、兴趣标签、上网行为、手机品牌等，这是从模型角度要考虑的变量，通过找到的一些线索，分析不同用户群体在这些标签上有什么属性，从而识别哪一类用户忠诚度比较高。

流失模型里面不做更多讨论，图示给出流失模型中的某一个节点判断。

人群的分析：经过反复的分析以及定量与定性的分析与刻画，可以从流失角度对用户分群进行定量描述。每一个分群除了含有流失的描述外，还有很多其它相关显著属性来进行刻画，再进一步根据分群的用户特征来做下一步的业务活动。

例如 ：第三方应用分发这个业务，根据特征可以划分为十几个用户群体，其中有两个群体可以定位为低活跃低黏性、易流失搜索用户群体。

低活跃低黏性的群体显著特征是一日游用户很多，都是新安装的用户过来看一下就离开了（不排除有潜在的作弊用户可能性）。这个用户的特征是很多用户有click 响应、95%的用户没有安装任何工具类App或游戏类的App（猜测一下，这个来看新机或潜在作弊刷量可能，或被其它的APP或升级功能引导到这个应用市场，也可能中间被渠道截胡了）。

有了这些定量描述后，可以群体的定性刻画与业务上的触达动作。

用户触达及渠道评估阶段：下图给出的三个易流失用户群体的定量描述。有了这些定量描述与群体规模可以在业务上做些事情。

能做什么事情呢？针对这些用户群体指定不同的触达文案、触达活动页面与内容，然后再选择比较合适的通道，像站内信、APP push、短信、电子邮件、成本更高的电话回访等一系列手段，进行用户触达拉活等，过后再进行效果的评估。

比如这三个群体、低活跃低黏性、易流失搜索、边缘性型三个群体，需要开始做用户触达， 考虑成本，在用户触达的方案上选择了Push的方式来做流量测试。相比较产品改造的风险和开发时间，Push有着快速验证的优点。与此同时，为了控制影响，避免骚扰正常用户，在Push投放时，一个用户最多只能收到一条，那么可以对流失风险较高的用户进行投放。

投放结束后需要总结，从启动率的比较、Push CTR%  click ctr%等一系列角度进行分析并输出相关结论。

当然这个过程只是针对不太启动的用户群体做Push拉活，也还有很多的其它抓手与触点需要与用户做更多的作用，才能达到想要的结果。

例如在已经曾经值得纪念那款第三方的APP分发平台，从运营入口、内容入口、产品入口分别盘点出来的所有渠道资源与触达给用户的内容，可以参考一下， 这块业务没什么可以做深入分析了。

到此，从流失到挽留的一个比较简单的完整动作就此结束了。现在很多App的前后台都支持在线的定向投放、小流量测试、a/b测试等一系列测试功能，对于触达用户拉活还是有特别大的帮助。

总结一下，用户生命周期中的数据驱动，因为涉及到产品运营、数据分析与挖掘、用户运营，在分工上每一个团队关注的重点必然是不同的。

用户流失与数据产品化

数据分析与挖掘，是要研究消费用户群体、建立流失指数、沉淀回流拉动目标群体圈定与用户分析等。这样可以给业务一个瞄准器，可以让大家知道需要触达哪些用户、什么时间节点触达、以什么样的活动可以触达。同时也能给业务传递一套比较客观与科学的上线评估体系，而不用业务自己上线、自己评估、自己说了算（ 例如：有的业务会观察组对照组都搞的不对，这种潜在的小故障是不在少数的）。

通过数据分析与挖掘，拿到了瞄准器与打击节奏，接下来就是要解决武器与打击地点的问题，结合产品运营方向、用户运营方向，从产品的运营内活动、Push渠道不同内容推荐、产品优化与完善的的角度就是要解决用什么手段触达用户了。

我在针对这个方法论提炼一下就是如下图所示：

有了场景、方法论，我们的数据产品经理就有空间去到更多的系统化与产品化，将这整个过程从体系化的角度进行泛化，让更多的前线运营、产品运营同学参与工作。用一个通用词来说就是”赋能“给他们。

这个赋能过程是要从”探索“和”效果评估“的体系化来规划，还需要加上触达资源库管理与用户分群变量管理，讲到这里或许一些懂这个方向产品的读者已经能够构思这款产品该是个什么样子。

如果展开讲，共有六层是要思考：

• 底层就是需要数据的支持，需要用户画像、标签支持，切入点就是要很容易的添加补充与管理很多标签。
• 模型支持层就是有各种算法模型的可视化与非常容易的组织，做好更多兴趣标签的挖掘与管理，切入点就是探索与输出更多的模型。
• 用户分群层，就是根据变量进行人群的细分与各种角度角度刻画，切入点就是定向人群分析、人群差异化分析等等。
• 策略层，支持人工运营、人工调整，自动化的调整等， 切入点就是系统化与人工方式。
• 内容层， 包装了大量的个性化内容专题、促活的运营活动、文案引导模板等等等素材库，切入点就是产品化策略优化，运营的策略固化。
• 触达渠道层，就是要从用户路径角度盘点清楚运营入口、内容入口、产品入口等触达点能够很容易的触达到用户， 切入点就是产品、运营资源库的各种内容。

如下图所示：

这个架构产品化后，会给业务的生产效率带来很大的提升（这里只是放了一个核心图），跟这款产品有关的其它的知识等内容不在这里做阐述与分享。

写在最后

在写完这篇文章后，发现与自己最开始列的大纲还是有很大的差异。原计划是写一个完整的流失分析，在整理过程发现所牵涉的知识面还是非常广的，也让自己整理了很多项目的材料，并对这些材料进行了脱敏处理。

这个文章可以给业务一些参考，也可以给分析师一些分析方向上的参考，同时可以给数据产品经理一个从业务到模型到数据产品的规划参考。按照惯例，里面涉及到的很多案例不做更详细的解释，如果有感兴趣可以私下交流。

免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！

上篇文章探讨了TikTok的若干问题，其中第5点关于圈层突破问题，有很多小伙伴加了微信进行交流，也跟快手、抖音的相关的朋友交流了一下，内外都会认为这是一个重要的事情，所以这一期我们继续再做探讨(本来想讲讲电商领域的相关问题的)。

圈层的外扩是非常难的事情，并且做得不好容易带来对产品的”原住民“带来伤害，有时候需要慢慢探索。但是今天抖音、快手竞争激励，谁能快速跑马圈地触碰用户对外战局影响深远，更何况腾讯今天对于新的流量入口，虎视眈眈，大家都正在被推着走。快手与抖音在原有圈层穿透、做深，打通原有圈层的各类平行圈层，还必须做到自上而下、自下而上的贯穿。这里面战略上得在围绕圈层穿透想办法，战术上除了引入明星、电影独家播放权、冠名春晚，试图在用户、内容层面拥抱新用户圈层以外，也在尝试留住这些拉进门的新朋友。

B站二次元社区到泛内容类社区，拼多多从下往上走，淘宝特价版、京喜都是从上往下走，这些都是破圈，寻求增长点。当然他们由于产品不同，破圈的路径还是有很大差异的，不说电商平台，就拿同样是视频内容领域的B站来说也是差异巨大。2018年，B站COO李旎在AD Talk上介绍B站的用户圈层：“B站目前汇集了7000多个垂直兴趣圈层，传统意义上的二次元内容，其访问量目前占B站总体的30%，而生活、娱乐、时尚等多元化的兴趣圈层已经是B站的内容重头。” Top Up主的分区数据见下图，其实B站破圈依赖于新领域的各种up主，up主作为聚合体，可以很好地承载用户初期需求，构建垂直兴趣圈层；加上B站内容上有更多相对高质量、长期、可二次消费的内容（比如纪录片），单内容承载能力强，生命周期长，天然可以拉高初期新圈层用户粘性；为接下来为这部分用户找到更多感兴趣的内容争取更多时间，提升用户留存。而短视频则在这一块相对更弱，娱乐性强，新圈层用户进来如果在短时间内完成持续刺激，用户容易流失。而老圈层的维护，长短视频的优劣势又刚好反过来。

上述资料来源:中信建投证券研究发展部《哔哩哔哩：从小众走向大众，多元化场景增强货币化潜力》，上述数据为哔哩哔哩粉丝数 TOP20 up 主(除官方、机构外)以及部分官方机构粉丝数(截至 2020 年 2 月 10 日).

接下来我们从用户的生命周期上，结合数据和算法来做一些讨论。

1、外部数据

1.1 趋势中心

趋势的来源可以是站内外的全局热榜、LBS热榜、热搜Query背后的内容主题分布、内容生产者；当然站外可能需要借助一些爬虫、图像、NLP等技术。比如通过站内的流行趋势或友商最热的内容分析，作为种子可以通过文本和图像匹配等等手段，延展出非常多的候选内容，通过不断地测试推动可以沉淀一套方法论；再比如通过友商平台头部KOL（两个平台10w以上粉丝的KOL在10w以内，抖音在8w左右，快手在6w左右）的变化（排名快速上升的KOL），内容可以捞取到内容变化趋势，如下图:数据来源于【卡思数据】

1.2竞争雷达

构建本平台内容与竞对内容的匹配映射关系，挖掘竞对数据，最大化竞对数据价值，为应对竞争提供有力数据支持，内容领域可能是主题维度的，而非单内容维度。举几个例子，现在平台上最热搜的词，在竞对的平台上优质内容有哪些，热度如何，热度可以通过提高爬虫频度来做，在一定时间窗口内反复爬（比如今天和明天各爬一次），就可以做增量信息获取了。对于增长较快的内容可以进行监控分析，如下图:数据来源于【卡思数据】。

2、圈层规划

你需要扩DAU了，今天如何操作呢？我们需要先对用户进行划分和分析，根据打动、拉取、留住的不同难易程度对用户排序，背后就是成本和收益的计算和权衡。

根据圈层需求在平台是否已有承载内容以及比例、新圈层群体在平台内的占比我们可以做若干切分，比如以下几种情况: 平台几乎没有相关新圈层的内容，没有对应圈层用户；平台有少量相关新圈层的内容，对应少量圈层的用户；平台有大量相关新圈层的内容，新圈层的用户非常少。快手和抖音在目前的发展形态下，可能三种都有，平台上部分KOL也在对方平台，这些KOL服务的部分用户中可能是目标新圈层，从新圈层喜欢内容的绝对量上来说肯定是大的，但是从内容占比和获取流量占比来说可能是少的。

可分发内容量>目前新圈层需求量，首先做好内容挖掘和匹配，逐步拉取用户；

可分发内容量<目前新圈层需求量，首先做好领域KOL引入，内容生产&引导； 可分发内容量≈目前新圈层需求量，内容生产&引导的同时，并且精准匹配，并时常判断是否用力有偏，回归到上2种情形，因为短视频的生命周期短，需要一个长期的内容生产机制。

2.1存在有供给能力的KOL和内容，但未被挖掘

举个快手的例子，平台上每日内容生产量在1500万条左右，如果要打与抖音有交集的某些圈层用户，比如一二线用户，多多少少内容池中还是存在着符合用户偏好的内容，要做的是识别出平台上沉默的优质内容，并且精准地分发给这些用户。

在上面介绍的外部数据模块上，可以结合对新圈层用户的定位，定向捞取热榜数据（比如同城、定向KOL），然后通过文本、图像的匹配技术，快速在现有池子中捞取，若内容量过少，可通过挖坟的手段捞取历史内容。

2.2内容已经被挖掘，如何找人并匹配

站外数据找人:首先通过上述这部分未被挖掘但概率有较大可能可以满足新圈层用户的内容，关联出平台内已存在的用户，他们是新圈层用户中耐受能力强的一部分。这部分用户往往是突破口，这部分用户背后的标签可以是第一步可以做扩量的方向。通过这些标签可以做一期的营销、站外买量，与标签背后典型意见领袖合作等方式。

3、先有内容破圈

从战略上定位想要打的人群（与友商对比是一种方式，比如下图2个平台的画像数据），初期构建内容体系，更准确的是构建待进入圈层与内容的映射关系，这些内容可能是平台内，也可能是平台外的。平台内容挖出来汇成一个池子，平台外友商内容则需要快速跟进。若通过外部数据及技术无法明确洞察需求内容点，属于本行业未开发的圈层（或者是大家都没有很好体验的人群），内外都没有可以依据的，这时候可能是持续的探索与数据反馈来做调整。

上述资料来源:方正证券研究所《抖音vs快手深度复盘与前瞻》-快手与抖音的用户画像

买量、与明星合作、大型节目推广前一定要先做内容冷启动，很多内容平台都会做的创作者扶持计划，生产内容给激励。这中间不是做了就好了，内容生产者需要你帮助他做好内容承接、做好精准匹配。这里可以举个不容易的例子，新圈层内容的公平破圈之路。电商里面你在淘宝上买东西的时候，搜索出裤子，出来2个其它基本一致，但是一个销量2w，一个销量10的商品（还便宜一点），你会买哪个？其实他们可能都是某个品牌的专营店，货都是一样的，你会买哪一个？内容领域也是一样，你在刷抖音、快手的时候，看到200万点赞和200点赞的视频，可能内容是一样的，或者200点赞的更好，你是不是可能看都不看那个200的直接划过？（所以电商里面也会存在一个问题，对于销量少的新商品（比老商品性价比高），在不公平的环境下，如何突破爆款老内容的包围，这个是一个tradeoff，你可以把影响公平竞争的信息隐藏，但是这些信息又往往是用户决策的依据）。

你买哪一双？

新圈层内容破圈时，平台往往没有足够的数据支撑精确匹配，再加上这部分内容往往很新，这些内容在分发过程中，往往吃亏不少，流量效率可能远小于其量大以后的情况。想要新内容（与平台原有内容差异化的内容）破圈，在这种情况下往往短期内会拉低转化或者核心指标，因为匹配效率和公平竞争环境问题。这部分内容起来后也需要维持在小圈子内做分发，不然会带来内容承载效率的下降，最终因为KPI的原因（创新需要忘记kpi、需要牺牲一定的短期利益），这部分辛苦做起来的内容逐步边缘化。何解呢？初期就尽量top down的思考整个问题，尽量从三个角度都建立一套评估指标。并在各种产品、算法、业务迭代中如观察或者甚至融入这些指标，只要指标设立的是正确相对全面的，那么跑起来后就是健康的。当然这不仅仅是个技术活，也是个艺术活，不是纯技术范畴的事情。

内容破圈先得做基础设施及技术建设，如下图

4、全流程影响

以数据驱动的方式构建智能全流程用户运营体系，从初期新圈层预估数据出发，借助需求评估体系扩展价值内容/KOL池，通过标签、人群算法数据体系连接用户与内容，实现供给与需求侧打通。

4.1拉新

有了内容，广告投放、事件营销、明星入驻等操作都可以拉新，但这中间需要兼顾运营效率和算法效率；在用户与内容关联度，用户与明星，用户与事件关联度上做好尽量精确计算；收拾好铺子，开门迎客。新客可以分已有少量群体、和无类似群体2种，前者可以用上面种子用户的方式；如果没有或者数据上不足以支撑延展，可以考虑群体渗透。其方法论是顺流而下:单、少标签做延展，可以保证内容用户关联度的连续性，比如自然的方式是通过年龄、职业逐步渗透，40-50群体渗透到35-40群体，再渗透到30-35群体…

4.2花钱买了教训，别浪费(小红心-这里是重点):

抖音《囧妈》、罗永浩、蔡徐坤等、快手春晚红包、周杰伦、《新闻联播》等，2家平台都在拉拢意见领袖或圈外平台入驻，花了钱，但是复盘这些*流买量多多少少也出现了若干*流效率低的情况；比如周杰伦入驻快手以后，“周同学”的账号内容少，更新不多，事件*流的大量用户出现了留存显著低于平台平均的情况。这里有几个点可以用数据和算法来盘活当时的*流， 每次新圈层的试探是宝贵财富，未来都是可以用来做新圈层的二次冷启动。

做好每次承载新圈层流量进入的测试，有些注意点。

数据化度量: 用数据来筛选话题人物的进驻，不是有流量的明星就行，数据化度量KOL、明星，这块的工作可以参考优酷北斗星（原名鱼脑）-泛内容AI平台的建设（如下图-来自优酷牧己老师的分享），详细内容可参见文末其它文章推荐中的5:

新用户别推全局热门: 推全局热门就是打脸，需要内容热度的分群化，这个不简单，以推荐系统举例，你需要在召回、排序、多样性等等维度做好各项工作，这个我在前面的文章多次讲到，推荐系统模块之间串联，需要时刻度量模块效果，不然容易丢失效果。很多推荐算法工程师觉得这个很简单，不就是加尽量多用户的特征到模型就行吗？不是的，大家可以自己细想，有机会再探讨。

花钱测试内容、生产者效率，新内容筛选与测试: 你可能已经通过一些技术和外部数据，对新圈层所面向内容有了一定积累，每次破圈*流就是这些内容的练兵场，别浪费花钱买来的筛子。

花钱买新圈层用户偏好(花钱买数据): 通过平台已有内容来识别出用户偏好，数据就是财富，每次用户触达可以帮助你构建起更立体的用户，更多对新圈层用户的洞察。

高流失标签: 特定营销事件过后，新进的用户群体中高流失用户，我们可以挖掘其背后的标签。比如周杰伦入驻快手后，*流的用户平台内有限交互是啥，完播率较高，高完成度的内容消费是啥，这部分内容背后同类型的内容在平台供给如何，这些内容背后的共性可以通过文本和图像来挖掘。

4.3老用户召回

如果通过拉新以及用户在平台的沉淀，定位了高流失用户，也定位了其偏好内容形态，那就做内容呗，如果内容做得好了那就再次触达，上门再把当时没服务好的老朋友迎回来。 优质内容筛选和匹配做得好，就可以通过push做二次触达，做老用户召回。

这里再分享一个点，多找到一些根本性的指标，通过拆解和回溯，可以帮你找到当时服务老用户时做得不好的地方，干掉不好的大概率就可以往上走，可以参考前文中小红书的例子或如果前文BadCase如何溯源文章，详细内容可参见文末其它文章推荐中的1和4。如何找到问题突破口，回溯问题原因，并着手解决。

4.4注意点-1:别拉了新人丢了老人

内容一定要做好区隔，特别是在群体差异巨大的情况下，如果快手和抖音要覆盖更多的用户，今天平台上必然出现兴趣偏好差异非常大的群体，所以这时候流量分发要有区分。这里面对推荐系统、算法效率、业务建模的要求非常高，需要类似做一个钟表，错误会累积，虽然这可能只是细微的错误。健康的系统需要分群进行AB结果分析，并且核心指标中需要考量原始用户族群是否得到保护，不同形态的用户群是否被抑制了。

如果你是单产品，那这个问题的解，你需要多花时间，当然也有产品矩阵的打法，比如字节产品矩阵中的抖音和西瓜，根据长短视频来做区分，因为用户需求可能就不一样了。

4.5注意点-2:精准匹配

不论是老用户还是新用户，如何在尽可能短的时间内，让用户找到他想要的内容，这是一以贯之的问题，怎么做，今天不做细节介绍，详细内容可参见文末其它文章推荐中的3。

4、总结

用户覆盖的增长，势必就是多圈层的，酷潮文化与老铁文化互相渗透，喜好的分化也会逐渐扩大，这中间新圈层的突破，需要从内容规划、内容生产、圈层*流、内容精准匹配等各个模块来夯实，然后形成自转，是组合拳不是单套拳法，数据和算法是其中的工具。其中对于算法策略，应该明确指标和方向，技术主导，深入优化；对于产品策略，需探寻方向，数据分析，产品实验；对于未定性的方向，需技术主导，线上实验，做决策；对于大量未探明的情况，产品主导，小成本实验，数据与算法辅助配合，逐步确认进一步投入的可能。

这类涉及多边市场、多环节、极度精准匹配、积木串联式系统，非常需要系统化、逻辑清晰、快速反馈的迭代机制，这是个聪明人的游戏。这个是有一个有顺序关系，前面的板不能短尽量长，围起来一起变长的木桶。所以谁能知错就改，谁能快速反应，谁能通过数据洞察自己的弱点，快速补齐短板，可能就可以快速破圈吧。

今天主要围绕内容、用户来讲，别忘了你这个是双边或者多边平台，内容生产者也非常重要（周杰伦、罗永浩、各种ceo入驻等顶流都能迅速拉量），后面我们再对内容生产者进行深入的探讨。

免责声明：本文版权归原作者所有，文章系作者个人观点不代表蜗牛派立场，如若转载请联系原作者；本站仅提供信息存储空间服务，内容仅为传递更多信息之目的，如涉及作品内容、版权等其它问题都请联系kefu@woniupai.net反馈！