添加官方小秘书
鸟哥笔记公众号

只玩裂变还不够,5000字告诉你如何搭建病毒式增长模型

我是原子

原作者:我是原子 2018-09-07

裂变 增长 传播

2018-09-07 3965 28
该如何分析和预测这种病毒式增长对用户数的影响?就需要我们建立一个增长模型。
鸟哥笔记,用户运营,我是原子,裂变,增长,传播

作者:我是原子

来源:原子的商业世界

本文为作者授权鸟哥笔记发布,转载请联系作者并注明出处


作者:我是原子

来源:原子的商业世界(ID:OMGbusiness)

本文为作者授权鸟哥笔记发布,转载请联系作者并注明出处。


近期,“裂变”玩法可谓是互联网产品界的当红炸子鸡,随着前几天网易云音乐的《你的荣格心理原型》再次刷屏,很多产品都正在或者希望靠裂变来实现用户增长。


但是,该如何分析和预测这种病毒式增长对用户数的影响?就需要我们建立一个增长模型。下面就用5000字带大家一步步搭建增长模型。本文翻译自Rahul Vohra的系列文章《How to Model Viral Growth》,这一系列是我见过分析病毒式增长模型最透彻的,因此推荐给你,希望可以对你有启发。



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,最迷人的渠道是现有用户本身。


病毒式产品的大部分增长来自其已有用户吸引新用户。用户可以通过简单的推荐(“来看看这个产品,它很酷/有用/有趣!”)或直接通过使用该产品(“我想在PayPal上给你汇款!”)来吸引另一个用户。


病毒式传播最有名的例子之一是YouTube。在其获得巨大流量之前,你很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,你会被邀请通过电子邮件把视频发给你的好友,并且你还会获得将视频嵌入你网站的代码。如果你不想分享,YouTube会向你推荐你可能喜欢的其他视频。很大程度上,你会观看并分享其中的某个给你的好友。然后,你的好友会观看视频,也会与他们的好友再分享。通过这个“病毒循环”,YouTube快速获取了用户。


那我们该如何预测病毒式产品的表现呢?比如,获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?


要回答这些问题,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;有些用户会邀请很多好友,有些不会邀请;有些用户可能在一天之后邀请好友,而有些用户则可能需要一周...


我们排除所有这些不确定性,假设平均而言,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。


根据上面的计算,如下图所示:我们的用户会一直增长,直到我们拥有6250名用户。


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图2-1


如果我们的病毒系数是0.4,会发生什么?


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图2-2


同样,我们以不断下降的速度获取用户。 但这一次,我们的增长会一直持续到约8300名用户。


如果我们的病毒系数是1.2,会发生什么?


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图2-3


这一次,我们以不断增长的速度获得用户。


事实上,通过一些简单的数学,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,直到我们拥有 x/(1-v) 名用户。

  • 假设病毒系数大于1,我们会以显著增长的速度获取用户。


看到这里,你可能会说,这还不简单,我们只要让病毒系数大于1就行了。


但是,其实并没有这么快......


首先,我们的模型存在很多问题。比如,随着我们获取越来越多的用户,我们最终会面临没有新用户可以获取。其次,真正的病毒式增长非常罕见,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,投资者和增长黑客讨论,我发现了这个结论:对于互联网产品,0.15至0.25的可持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,我们刚刚已经证明了,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,直到不再增长。这并不是我们想要的结果,所以这其中缺少了什么呢?


我们忽略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,搜索引擎优化,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播渠道。


一些非病毒式传播渠道,比如新闻,将使我们的用户数一下飙升,但另一些渠道,比如应用商店,对用户增长的贡献会相对持续且平稳。我们的模型需要尽可能的包含不同类型并尽可能的简单,因此,我们将考虑以下3种非病毒式传播渠道:


  • 新闻。优秀的新闻发布会很可能会吸引70,000名新用户。

  • App store搜索流量。应用商店每月可提供40,000次下载。但并非所有下载用户都会运行、注册我们的App并有不错的首次用户体验。让我们假设60%的下载用户有很好的首次体验。

  • 直接流量。由于我们的老用户会进行口碑传播,潜在用户会直接找到我们的产品,这可能每月带来10,000次下载。让我们再次假设60%的下载者都有很棒的体验。


最后,我们假设应用商店搜索流量和直接流量都会保持不变。


让我们将病毒系数设置为0,看看如果我们的产品根本没有病毒式传播,用户增长会如何。


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图3-1


在今年年底,我们会有约450,000名用户。


现在让我们加入病毒式传播。


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图3-2


在不错的情况下,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的情况下,年底我们会有约70万用户。如果我们的产品非常卓越,病毒系数为0.7,那么在年底我们会有约120万用户。


放大系数


上图说明了我所认为的病毒式增长:不在于病毒系数v,而是放大系数 a = 1/(1-v)。想要计算用户总数,我们要做的就是用非病毒式传播渠道获得的用户数*放大系数。


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图3-3


该图显示了病毒系数的惊人潜力,即使它小于1:随着病毒系数的增加,放大系数呈双曲增长。


也就是说,只要具备一个很好的病毒系数,我们可以不断加速放大非病毒式传播渠道的引流效果。


模型存在的问题


在模型中增加非病毒式传播渠道很有用,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播通道:


  • 发布新闻,吸引了70,000名初始用户

  • 应用商店搜索流量,每月吸引24,000个新用户

  • 直接流量,每月带来10,000个新用户


在模型中,让我们假设每月有15%的用户流失,数据如下。


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图4-1


在我们发布的新闻提供初始用户高峰之后,我们的增长似乎放缓了。事实上,即使我们的非病毒式传播渠道不断带来新用户,我们的病毒式传播渠道不断发挥他们的放大效应,从图中看,我们的增长也可能会完全停止。


究竟发生了什么?


为了使效果更明显,让我们将病毒系数设置为0,将月流失率设置为40%。


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

图4-2


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

表4-2


在我们发布新闻后,我们的用户增长速度迅速稳定在每月34,000名用户。但是,在流失那一列,由于我们每月损失一定比例的用户,随着用户池的扩大和缩小,我们的流失数也会扩大和缩小。 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长。


承载能力


用户的增长和流失率直接决定了最终用户数量,在此模型中称之为承载能力。承载能力的定义是: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是每月的用户流失率(或者在一个月内失去任何特定用户的概率);g是每月的非病毒式增长率。


因此,可知承载能力的计算公式为:


U = g/l,其中l≠0


为了使最终用户数量增加一倍,我们有两种选择:


1. 将非病毒式增长率提高一倍(比如在非病毒式传播渠道中投入更多资金)。

2. 将流失率降低一半(比如通过改善首次用户体验,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是每月34,000用户,l是每月40%。该公式预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,我们该如何修改承载能力公式以解释病毒式传播?


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放大系数 a = 1/(1-v)。由于放大系数适用于我们的非病毒式增长率g ,我们可以直接把a放进公式里:


U = a*g/l = g/(l*(1-v)) 其中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是每月34,000个用户,l是每月15%,v是0.2。该公式预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的发展方向吻合。




五、留存曲线



假设我们的产品非常棒——人们在生活中离不开它,会在开始使用后的数月甚至数年都保留。对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,随着用户持续使用我们的产品,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)

  • 基于上述两种情况,用户与我们的产品建立了情感联系


现实中,我们的用户会展现出留存曲线。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。比如浏览器插件,通过调查,我了解到不错的浏览器插件的留存曲线长这样:


鸟哥笔记,用户运营,我是原子,裂变,增长,传播

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。长期看,会留住约40%的用户,并且每月的下降速度非常缓慢。




六、病毒式传播曲线



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播的影响。


到目前为止,我们假设我们的用户只会在第一个月邀请身边的好友。 但是,如果40%的用户会长期使用我们的产品,并且持续邀请身边的好友,那么我们的用户数将实现病毒式增长。


换句话说,我们的用户也将展示出病毒式传播曲线。 病毒式传播曲线体现了普通用户的病毒系数随时间如何变化。


为什么用户的病毒系数会随着时间而改变? 除了很大程度上取决于产品,也要考虑以下场景:


  • 起初,用户会犹豫是否邀请好友使用,因为他们仍在测试我们的产品

  • 一旦用户爱上我们的产品,他们会快速邀请一群好友来使用

  • 很快,用户会邀请完身边可以邀请的好友

  • 偶而,用户会邀请他们刚认识的新朋友


在这个场景下,用户的病毒系数会有短