只玩裂变还不行,你应该还会搭建病毒式增长模型
本文摘要:订阅专栏撤销订阅 大众号:原子的商业世界(OMGbusiness)1.8万9533“裂变”玩法可谓是互联网产品界的当红炸子鸡,很多产品都正在或者期望靠裂变来完成用户增加,那该怎么分析和猜测这种病毒式增加对用户数的影响?我们应该学会搭建病毒式增加模型。近期,“裂
订阅专栏撤销订阅 大众号:原子的商业世界(OMGbusiness)

1.8万

95

33

“裂变”玩法可谓是互联网产品界的当红炸子鸡,很多产品都正在或者期望靠裂变来完成用户增加,那该怎么分析和猜测这种病毒式增加对用户数的影响?我们应该学会搭建病毒式增加模型。

近期,“裂变”玩法可谓是互联网产品界的当红炸子鸡,跟着头几天网易云音乐的《你的荣格心思原型》再次刷屏,很多产品都正在或者期望靠裂变来完成用户增加。

可是,该怎么分析和猜测这种病毒式增加对用户数的影响?就需要我们建立一个增加模型,下面就用5000字带我们一步步搭建增加模型。

本文翻译自Rahul Vohra的系列文章《How to Model Viral Growth》,这一系列是我见过火析病毒式增加模型最透彻的,因此引荐给你,期望可以对你有启发。

一、什么是病毒式产品?

我们做出一款产品,需要靠各种渠道获取新用户。但也许,最诱人的渠道是现有用户本身。

病毒式产品的大部分增加来自其已有用户吸引新用户,用户可以通过简略的引荐(“来看看这个产品,它很酷/有用/风趣!”),或直接通过使用该产品(“我想在PayPal上给你汇款!”)来吸引另外一个用户。

病毒式传达最有名的例子之一是YouTube。

在其取得巨大流量之前,你极可能会在新闻网站或个人博客上找到嵌入的YouTube视频。当你看完视频,你会被约请通过电子邮件把视频发给你的老友,并且你还会取得将视频嵌入你网站的代码。假如你不想分享,YouTube会向你引荐你可能喜欢的其他视频。

很大程度上,你会观看并分享其间的某个给你的老友。然后,你的老友会观看视频,也会与他们的老友再分享。通过这个“病毒循环”,YouTube快速获取了用户。

那我们该怎么猜测病毒式产品的体现呢?

比如:取得一百万用户需要多长时间?我们的产品可以触达到一千万用户么?

要答复这些问题,我们需要建立一个病毒式模型。

二、最简可能性模型

假设我们有5000个初始用户,这些初始用户将带来多少新用户?

常见的情形是这样的:有些用户喜欢我们的产品,有些用户不喜欢;有些用户会约请很多老友,有些不会约请;有些用户可能在一天之后约请老友,而有些用户则可能需要一周

我们扫除所有这些不确定性,假设均匀而言,五分之一的用户会在第一个月成功带来新用户,那我们的病毒系数是1/5 = 0.2。我们最初的5000个用户会在第1个月吸引5000 * 0.2 = 1000个新用户,这1000个新用户会在第2个月再吸引1000 * 0.2 = 200个新用户, 接着第3个月会再吸引另外200 * 0.2 = 40个新用户,依此类推。

依据上面的核算,如下图所示:我们的用户会一直增加,直到我们具有6250名用户。

图2-1

假如我们的病毒系数是0.4,会发生什么?

图2-2

相同,我们以不断下降的速度获取用户。但这一次,我们的增加会一直继续到约8300名用户。

假如我们的病毒系数是1.2,会发生什么?

图2-3

这一次,我们以不断增加的速度取得用户。

事实上,通过一些简略的数学,我们可以得到以下结论:

假设初始用户数为 x,病毒系数v小于1,我们就会以递减的速度获取用户,直到我们具有x /(1-v)名用户。 假设病毒系数大于1,我们会以显著增加的速度获取用户。

看到这里,你可能会说,这还不简略,我们只需让病毒系数大于1就好了。可是,其实并没有这么快

首要,我们的模型存在很多问题,比如:跟着我们获取愈来愈多的用户,我们最终会面对没有新用户可以获取。 其次,真实的病毒式增加十分稀有,很少有产品能在一段时间内,使病毒系数超过1。

通过和其他创业者,投资者和增加黑客评论,我发现了这个结论:关于互联网产品,0.15至0.25的可继续病毒系数是不错的,0.4是优秀的,大约0.7是卓越的。

然而,我们刚刚现已证明了,当我们的病毒系数小于1时,我们会以不断下降的速度获取用户,直到不再增加。这其实不是我们想要的成果,所以这其间短少了什么呢?

我们疏忽了可以获取用户的其他渠道:新闻、应用商店、直接流量、集客营销、付费广告、seo 、明星代言、街头广告等等。

下面,我们就把这些因素考虑到模型中来。

三、混合模型

混合模型包括了非病毒式传达渠道。

一些非病毒式传达渠道,比如:新闻,将使我们的用户数一下飙升。但另外一些渠道,比如:应用商店,对用户增加的贡献会相对继续且平稳。

我们的模型需要尽量的包括不同类型并尽量的简略,因此,我们将考虑以下3种非病毒式传达渠道:

新闻:优秀的新闻发布会极可能会吸引70,000名新用户。 App store查找流量:应用商店每个月可提供40,000次下载。但并不是所有下载用户都会运转、注册我们的App并有不错的初次用户体验。让我们假设60%的下载用户有很好的初次体验。 直接流量:因为我们的老用户会进行口碑传达,潜在用户会直接找到我们的产品,这可能每个月带来10,000次下载。让我们再次假设60%的下载者都有很棒的体验。

终究,我们假设应用商店查找流量和直接流量都会坚持不变。

让我们将病毒系数设置为0,看看假如我们的产品底子没有病毒式传达,用户增加会怎么。

图3-1

在本年年底,我们会有约450,000名用户,现在让我们加入病毒式传达。

图3-2

在不错的状况下,病毒系数为0.2,在年底我们会有约550,000个用户。在病毒系数为0.4的状况下,年底我们会有约70万用户。假如我们的产品十分卓越,病毒系数为0.7,那么在年底我们会有约120万用户。

上图说明了我所认为的病毒式增加:不在于病毒系数v,而是扩大系数 a = 1 /(1-v)。想要核算用户总数,我们要做的就是用非病毒式传达渠道取得的用户数*扩大系数。

图3-3

该图显示了病毒系数的惊人潜力,即便它小于1:跟着病毒系数的添加,扩大系数呈双曲增加。也就是说,只需具备一个很好的病毒系数,我们可以不断加速扩大非病毒式传达渠道的引流效果。

模型存在的问题

在模型中添加非病毒式传达渠道很有用,但我们的模型仍然存在重大问题。比如:我们假设获取的用户会永远留存下来。

但现实是残酷的:用户会随时停用、删除或遗忘某产品。因此,我们需要进一步优化模型。

四、混合模型(包括用户流失)

假设我们的病毒系数是0.2,并且我们有以下非病毒式传达通道:

发布新闻,吸引了70,000名初始用户 应用商店查找流量,每个月吸引24,000个新用户 直接流量,每个月带来10,000个新用户

在模型中,让我们假设每个月有15%的用户流失,数据如下:

图4-1

在我们发布的新闻提供初始用户高峰之后,我们的增加似乎放缓了。事实上,即便我们的非病毒式传达渠道不断带来新用户,我们的病毒式传达渠道不断发挥他们的扩大效应,从图中看,我们的增加也可能会完全停止。

究竟发生了什么?

为了使效果更显着,让我们将病毒系数设置为0,将月流失率设置为40%。

图4-2

表4-2

在我们发布新闻后,我们的用户增加速度迅速安稳在每个月34,000名用户。可是,在流失那一列,因为我们每个月损失一定比例的用户,跟着用户池的扩展和缩小,我们的流失数也会扩展和缩小。 事实上,我们的用户池将倾向于一个固定的规模,因为最终用户流失将等于用户增加。

用户的增加和流失率直接抉择了最终用户数量,在此模型中称之为承载能力。承载能力的界说是:当流失用户的速度等于获取用户速度时的用户数量,公式如下

U?l = g

U是承载能力;l是每个月的用户流失率(或者在一个月内失掉任何特定用户的概率);g是每个月的非病毒式增加率。

因此,可知承载能力的核算公式为:

U = g/l,其间l≠0

为了使最终用户数量添加一倍,我们有两种选择:

将非病毒式增加率提高一倍(比如:在非病毒式传达渠道中投入更多资金)。 将流失率下降一半(比如:通过改善初次用户体验,或者将营销渠道集中在更精准的用户群)。

往往我们会两者兼具。

在我们刚刚的例子中,g是每个月34,000用户,l是每个月40%。该公式猜测出我们的最终用户数U为34,000/0.4 = 85,000,正如图4-2所示。

具有病毒因素的承载能力

接下来,我们该怎么修正承载能力公式以解释病毒式传达?

前文说过,当我们的病毒系数小于1时,我们可以把它解释为扩大系数 a = 1 /(1-v)。因为扩大系数适用于我们的非病毒式增加率g ,我们可以直接把a放进公式里:

U = a?g / l = g /(l?(1-v)) 其间l≠0且v 1

让我们回到第一个例子,我们的增速正在放缓。在这里,g是每个月34,000个用户,l是每个月15%,v是0.2。该公式猜测我们的最终用户数U 为34,000 /(0.15?(1-0.2))= 283,000。这个结论正好和图4-1的开展方向吻合。

五、留存曲线

假设我们的产品十分棒——人们在日子中离不开它,会在开始使用后的数月乃至数年都保留。关于这样一个好的产品,我们的之前的用户流失模型就太苛刻了,跟着用户继续使用我们的产品,我们会更好地留住他们,因为会发生以下几种自我强化效应:

用户在我们的产品中留下的数据增多,转换到竞争对手会更加困难(例如:Dropbox和Evernote); 用户在我们的产品上投入的时间增多,会养成使用习惯(例如:Uber); 基于上述两种状况,用户与我们的产品建立了情感联络。

现实中,我们的用户会展示出留存曲线,留存曲线体现了用户在给定时间点仍在使用我们产品的可能性。

留存曲线取决于产品的类型和质量,以及我们对营销渠道的定位。比如:阅读器插件,通过调查,我了解到不错的阅读器插件的留存曲线长这样:

图5-1

一周后,可以留住80%的用户。一个月后,可以留住65%的用户。两个月后,可以留住55%的用户。长时间看,会留住约40%的用户,并且每个月的下降速度十分缓慢。

六、病毒式传达曲线

在我们把留存曲线加入模型之前,让我们先考虑留存曲线对病毒式传达的影响。

到现在为止,我们假设我们的用户只会在第一个月约请身边的老友。可是,假如40%的用户会长时间使用我们的产品,并且继续约请身边的老友,那么我们的用户数将完成病毒式增加。

换句话说,我们的用户也将展示出病毒式传达曲线,病毒式传达曲线体现了普通用户的病毒系数随时间怎么变化。

为何用户的病毒系数会跟着时间而改变?

除了很大程度上取决于产品,也要考虑以下场景:

起先,用户会犹豫是否约请老友使用,因为他们仍在测试我们的产品; 一旦用户爱上我们的产品,他们会快速约请一群老友来使用; 很快,用户会约请完身边可以约请的老友; 偶而,用户会约请他们刚知道的新朋友。

在这个场景下,用户的病毒系数会有短暂的初始延迟,然后会快速添加,接着快速减少到安稳但较低的速度。

我们可以对这个曲线的每部分都进行建模,但可以聚焦到最主要的趋势:病毒系数随时间而变小,因为用户会约请完可以约请的老友。

让我们用几何衰变来建模:每一个月,病毒系数是上个月的一半。 例如:病毒系数在第一个月多是 0.2,第二个月是 0.1,第三个月是 0.05,依此类推:

图6-1

假如我们把用户生命周期中所有的病毒系数相加,就会得到毕生病毒系数v ,为 0.2 + 0.1 + 0.05 + = 0.4。

我们之前的直觉继续适用:

关于互联网产品,可继续的毕生病毒系数v 在0.15至0.25是不错的,0.4是优秀的,0.7是卓越的。 我们的扩大系数 a 现在为1 /(1-v )。 七、组合模型

截止到现在,我们晋级了模型:结合了非病毒式传达渠道,保留曲线和病毒式传达曲线。公式比曾经更杂乱,下面我们就把它们变得直观些。

除了用户增加图,我们还做了下面的图表,用于比较各个增加渠道,以及其对用户流失的影响。

图7-1

想知道这些因素怎么彼此作用的最好方法是做数字游戏并观察图表的变化。在观察增加渠道与流失的比照时,我们可以尝试以下方法:

(1)提高留存曲线

将第1个月留存设置为90%,第2个月留存设置为80%,第6个月留存设置为60%。

图7-2

我们看到不只流失减少了,病毒式增加也添加了。因为当用户停留时长添加时,他们会约请更多的老友。

(2)提高病毒式传达曲线

将第1个月的病毒系数设为0.35,因此毕生病毒系数会为约0.7。

图7-3

这对病毒式增加渠道发生了巨大影响,该渠道从每个月约20,000名用户添加到每个月约40,000名用户。但对用户总数影响不大,因为从久远看,我们仍会流失40%的用户。

(3)再加入一个新闻发布

将第6个月的“发布新闻”设置为100,000。

图7-4

我们可以清楚的看到图里的峰值,相应地,它导致了流失峰值。不久之后,可以看到病毒式增加迅速飙升然后缓慢下降,因为没有更多新用户了,并且我们的新用户也没有更多老友可以约请。

八、局限性

我们永远不要满足任何模型,因为它们都有局限性,我们的模型可以改善的以下方面:

我们假设非病毒式传达渠道坚持不变,事实并不是如此:平台增加,新竞争对手和口碑传达都会带来很大影响。 我们考虑了数量有限的渠道,事实上,我们会有更多非病毒式传达渠道和病毒式传达渠道。 我们假设6个月后停止流失用户。不幸的是,不论是天然流失仍是用户转向竞争对手,我们一直会流失用户。幸运的是,当我们取得了数据后很容易建模:要做的就是将留存曲线延长到6个月之后。 我们保存地假设用户在6个月后停止病毒式增加。相同,当我们取得数据时,很容易建模:所需要的只是延长我们的病毒式传达曲线。 我们假设留存曲线和病毒式传达曲线不会随时间而改变。事实并不是如此:跟着我们不断测试和迭代产品,我们的留存曲线和病毒式传达曲线也会得到改善。

终究,我们再回忆一下文中的模型是怎么一步步优化的:开始为最简可能性模型,后来引入了非病毒式传达渠道,迭代为混合模型,接着进一步引入了用户流失,晋级为混合模型,终究引入留存曲线和病毒式传达曲线,成为组合模型。

当然,正如文章终究所说,每一个模型都有其局限性,我期望本文可认为你捋清建模思路,从而对你的用户增加有所协助和启发。

 

本文由 @原子大大 原创发布于人人都是产品主管。未经答应,禁止转载

题图来自 Pixabay,基于 CC0 协议


承载能力公式里g的界说应该是“每个月的非病毒式增加用户数”而非“每个月的非病毒式增加率”,期望纠正~~


人人都是产品主管(woshipm)是以产品主管、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位效劳产品人和运营人,建立9年举行在线讲座500+期,线下分享会300+场,产品主管大会、运营大会20+场,掩盖北上广深杭成都等15个城市,内行业有较高的影响力和知名度。平台集合了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一同生长。