增长为什么要做量化

做增长产品的数据分析，和其他的数据分析，个人认为最大的特色在于量化，为什么要做量化？因为，做增长，是个强数据驱动的方法，要把有限的资源发挥出最大的价值，所以必须准确计算出每个Driver的ROI，才能更有效分配资源，做到效率最大化，把好钢用在刀刃上。

举例几个场景：

• 每次拉新，不但要量化拉新人数，还要量化后续的持续贡献价值

• 每次拉活，同样，老板关心后续的持续价值

• 每次活动，老板不但会问，这次活动有多少人参与，还会问，这次活动贡献了多少增量贡献，如果没有这次活动，DAU会是多少？

• 上线新模块，和活动类似，老板会关心这个模块为大盘带来了多少增量贡献？

可以看出，我把增长产品的量化规为2大类，外部拉量（拉新、拉活）和促进活跃：

• 外部拉量：拉新方面，业界有比较成熟的LTV模型，难点在于对LTV模型的预估，拉活方面，一般我们只计算当次（当然不严谨，拉活的后续持续贡献非常复杂）

• 促进活跃：例如做了运营活动，上线新功能、新模块，本质上都是在促进活跃，这里问题的关键就在于，到底促进了多少活跃，后续滚动下来有多大收益？往往，促进活跃投入的资源是非常大的，准确量化增量贡献不易，此部分也是本文讨论的重点。

  促活贡献的简单量化方法

  促活方面，有几个简单的量化方式，虽然不好，但是较为简单，可以参考，后续将会讨论2种比较复杂的量化方式

  • 染色法：对于参与或深度参与的，设定一个阈值，认为是带来的

  • 对比法：对比渗透与未渗透的用户，对比一个周期内活跃天，或周期内总使用时长，作为贡献，但是此方法有严重的幸存者偏差，需要对渗透有着较为严格的定义，例如有一定深度的阈值

  • 时间对比法：对小部分用户做强刺激的时候，常采用对比法，时间上对比，例如对某个渠道做了某些特殊的承接，可以对比渠道不同时间的留存。此方法看似不严谨，但是其实想一想，这是我们应用最多的方法，资本市场，每个Q的财报，常用的同比、环比，本质上就是这种方法；一般公司对部门定的KPI或OKR，都是这种方式，公司不会给一个对照组，用绝对值量化贡献。

  • AB实验法：我认为AB实验的对比，是比较好的方法。这里，要注意2点，第一，有的时候AB实验会层层叠加，简单的AB实验无法量化出短期贡献和长期贡献，第二，有一些时候，因为网络效应的存在或者开发排期的原因，不是所有的产品都有AB实验能力。

拉新拉活的量化

这部分，只简单谈一下，因为我的业务范围拉新拉活量化比较少，没有经验，借鉴下比较基础的量化方法

• 拉新，采用y = ax^b分渠道量化预估，虽然还有很多高大上的算法，但是这个公式实现成本最低的，方法还不错

• 拉活，对于DAU的贡献，只计算当日首次启动，对于使用时长的贡献等等，按每个session计算