根据既定的目标，通过数据分析找到潜在的机会，进行产品方案设计，通过快速实验快速迭代的方法，得出一套较为完善的解决方案，并将其系统化推广至更广阔的应用场景。
本文将分为两部分：
1、QQ浏览器资讯新用户留存增长案例
2、方法论总结及建议
一、QQ浏览器资讯新用户留存增长案例
1、明确增长目标
资讯业务是QQ浏览器（以下简称QB）的核心业务之一，随着流量红利衰退、QB新增的放缓等，新用户的资源越来越稀缺，对新用户的承接显得尤为重要。
以往QB对新用户的承接方案有两种：
1、进入新手保护期。尽量减少对新用户的打扰；
2、引导登陆。通过登陆沉淀用户资产。
经实验证明，登陆的留存效果是很不错的。从QB资讯业务的角度出发，如何在以往方案的基础上提升新用户留存是摆在我面前的一个命题。
二、数据先行
从数据的分析中可以得出很多有价值的机会点，这是我们指南针。
将所有与留存相关的数据指标穷举后，我们从中找到了一些核心的影响指标进行相关性分析。我们发现，新用户的兴趣点个数与留存具有显著的正相关关系，而且存在明显的拐点。
注：兴趣点指的是机器对用户内容消费的理解，兴趣点只会增加不会减少。
数据已脱敏处理
可以看到的是，当一个用户在QB积累的兴趣点越多，用户的留存就越高；当兴趣点个数低于50的时候，用户每增加10个兴趣点，留存提升约3%；而当用户的兴趣点个数达到50的时候，留存也会处于平稳。
这个逻辑也很好理解，用户的兴趣点越多，机器就越能够为用户推荐其喜欢的内容，用户自然也就更喜欢来这里看内容。
因此，我们决定，将焦点放在新用户兴趣点上，我们的命题转化为如何增加新用户的兴趣点。
3、脑爆相关的手段
借助一些发散性工具，我们脑爆了很多方法，从实现成本和收益的角度，我们最终提取到了两个手段：外部兴趣点导入和用户主动选择兴趣偏好。
但非常悲哀的是，这两个手段之前别人都做过！外部引入兴趣的已经在线上了，效果非常好；主动选择兴趣偏好，由于之前实验效果不好放弃了。果然，我所能想到的别人也能想到，一时间我们便卡在这里。
最后，我找了之前做主动选择兴趣点的产品聊过后发现，原来兴趣选择方案有两个问题核心问题：
1、整体下发漏斗非常大，导致实验效果不明显；
2、用户选择完成没有即时的收益反馈，承接消费没有做好，用户体验被中断。
如果我能解决这两个问题，是不是会有转机？抱着这个想法，我决定重启兴趣选择这个方案！
4、提出新的产品方案
我认真研究了新用户承接的整体链路，新的方案中我需要确保实现两点：减少下发漏斗、保证推荐侧实时响应用户的兴趣选择结果。
第一点是为了避免因为漏斗较大而导致实验效果不明显；第二点是避免用户选择完成后没有对应内容的承接。从而无法感知兴趣选择的明确收益。
基于以上两点我提出了一个新的方案：
1、兴趣选择闪屏跟终端。终端的下发效率要比后台下发高一倍以上。
2、用户在选择完成兴趣后，推荐侧需要实时响应这些兴趣点，并进行加权和独立召回，确保用户可以实时感知到推荐的内容。
整体逻辑
这套兴趣选择方案是打通了功能侧和推荐侧的链路，能够实时响应用户的兴趣点选择。
5、实验验证可行性
以上的方案也只限于产品侧的推测和分析，至于具体是否有效还需要实验来验证。为了验证产品方案整体的效果，我们很快出了一版MVP，进行了一轮功能测试。
01 功能测试
我们对新用户分为三组，分别用兴趣选择、登陆引导、无干扰来承接。果然，很幸运，兴趣选择的留存数据及相关的消费数据表现要比其他两组显著要好。
02 功能测试
到此，我们验证了兴趣选择功能的有效性，是可以加大投入进行优化的。接下来的目标就是想尽办法优化漏斗，提高兴趣选择完成率，提升实验的效果。
03 路径测试
因为不同性别的人对应的兴趣偏好差异巨大，而新用户通常又很难拿到其性别特征，所以最初方案设计，第一步是先选择性别，第二步才进行兴趣偏好选择。这就引发一个难题。
如果不进行性别选择，缺少一个重要性别特征推荐可能会影响推荐效果，且对应的兴趣点还需要同时包含男女兴趣点，选项就会变得很多，可能会影响用户选择；但如果进入性别选择，多一层页面整体选择完成率就降低很多。
我们又设置了一组实验，对新用户进行路径测试。同样的新用户，分别进入有性别选择和无性别选择的路径中，观察两组实验的选择完成率、留存率及后续的消费表现，发现无性别选择的B路径相关数据显著好于之前的方案。
路径测试
于是我们确定了兴趣选择的最优路径。接下来便是UI和文案的微调了。
04 UI和文案测试
不同的UI样式及文案，对选择完成率的影响也都很大，所以我们又针对整体排序UI、颜色UI、关键的文案设置了四组实验，具体如下。
UI及文案测试
经过层层实验，最终我们终于定下来，方案一是效果最好的方案，最终的数据表现是优化过几轮后的方案要比之前的选择完成率提升了20%。
6、系统化放量
最终我们将优化后的方案进行全量上线，上线后的数据效果比实验期的更好，相关的留存的提升约10%，高于最初的预期，实现了最初新用户的留存增长目标。
在验证了这种方式的有效性之后，我们迅速的把这种方案延伸至更多的场景，采用更多样的方式收集用户的兴趣点，并在多端产品中进行推广。
系统化推广尝试
二、方法论总结及建议
如何在局部战场上实现增长？
以数据为指南针，用实验的方式快速迭代，形成一套完整的解决方案后在进行系统化推广。
1、锁定核心指标。核心指标只能有一个，且这个核心指标一定要能直接反映到你所想达成的目标上来；
2、数据先行。通过数据分析，可以将限于困君的问题进行转化，从而找到新的思路和机会。
3、脑爆方法措施。如果你能想到很多他人没过的手段，那就一一尝试这些手段；如果你找不到，也千万不要放弃那些曾经没做成功的手段。
4、根据目标提出自己的产品解决方案。产品方案需要回归目标，回归用户本身。
5、进行实验。可以根据实现难度和收益两个维度进行优先级判断；功能测试可以判定新功能是否又空间，是否需要加大投入；路径测试可以帮你找到用户成本操作最低的路径；UI测试和文案测试总是能给你带来意想不到的漏斗提升。
6、上线系统化。当一个手段被验证有效，往往可以延伸出很多其他的优先手段，如果可以系统话的进行放量，那么这个方案的影响力就可以扩展到最大。
最后的感悟，增长的方法论市面上讲的很多，但绝大多数都是局部的单个项目的增长，这个案例也是，其中的方法也只适用于局部战场。
我一直对于整体的增长很感兴趣，系统增长才是最具有技术含量的，因为你首先需要特别了解一个系统作为整体如何运转，同时还需找到其中的关键要素和关键环节，并且还要懂得怎么去撬动关键的环节和要素。
这个案例是去年的一个还算成功的增长案例，希望今年可以有一个更高维度的案例可以被我打造出来。
-END-
|
