今天的文章主题很简单，根据海盗法则六个指标如何系统地做用户增长分析研究。对，是的是六个，你妹看错~
如果一个产品足够好，新客会有一个爆发式的增长，然后老客留存会有一个比较平稳的曲线，最后财务报表也会有比较nice的表现特征。这一整条串下来就是Dave给start-up公司总结的AARRR法则，即获客、激活、留存、传播、盈利。这个法则当然也可以作为普通互联网产品公司的理论纲领，也是growth hacker 的核心理念。我再Dave的AARRR基础上再增加了一个R，risk，即用户的风险身份识别，作为用户画像在风控领域中的运用，加入到海盗法则中。
这个法则大家应该不陌生，但是如何用到自己的数据分析或者用研工作中去呢？下面我们一个一个来讲。当然根据AARRRR我所切入的点只是冰山一角，欢迎大家来补充。
A获取
新客获取通常有两种来源：市场推广和自然流量。市场推广是渠道部门，每天管理着十几二十种渠道，是公司的流量供给和财务支出的部门。部门老大每天一睁眼就是在想这钱怎么花出去，怎么给拉回来一定量的新用户。在大数据兴起以前，app崛起以来，市场推广主要是投钱给搜索公司、应用商店、大流量app的广告位等。在大数据兴起以后，结合looks_alike技术手段去做DSP精准投放。对于市场推广部，核心的KPI是新客ROI，即投放的钱/拉来的新客贡献额，或者是投放得钱/新用户贡献度，根据每个公司需要用户触发什么动作才算是合格的客户而定。
比如对于信息流的公司而言，希望用户来浏览信息，那ROI公式就是投放的钱/浏览N个帖子的新用户量；对于电商公司而言，希望用户来购物交易，那ROI公式就是投放的钱/新客首单购物金额。当然ROI只是最主要的KPI，还有其他辅助的KPI，比如新客量、新客次月留存率等。
对于用研或者数据分析需要介入的点是：
渠道用户健康度监测。
每个渠道的用户质量肯定是不一样的，数据分析师需要从数据的角度来看每个渠道的质量。如果一个高花费的渠道带来的新客后续留存、核心动作特别少的话，则需要改善该渠道的投入比。同时，用研团队要对高花费低留存的渠道用户进行满意度调查，来排查低留存的具体原因，进而给市场部全面的建议参考：从数据表现上来看，A渠道花费较高，但用户后续留存较差，经用户调研发现，是属于落地页中用户注册完跳转问题。建议改善该渠道用户注册-购买流程。
如何来看每个渠道的健康度呢，可以结合渠道用户LTV来看健康度。
简单来讲，在渠道分析这里，数据分析师可以从渠道对比、渠道用户LTV分析等入口来做分析，用研可以根据不同渠道来做用户满意度。
A激活
激活包含了两个步骤，下载app和注册。现在有的公司已经逐渐省去了注册的步骤，或者将注册的步骤后置，一来是减弱了用户的使用压力，二来是注册信息可以从其他地方获得，并不需要专门的注册环节。比如有的购物网站，当用户完成首单的时候，联系人电话自动成为注册账号，以后直接使用手机验证码登录即可。
建议公司的数据分析师通过用户漏斗来看下下载-注册-购买大环节上的漏斗转化，如果注册步骤用户流失较多的话，可以建议产品优化注册页面和注册所在的路径。
R留存
过了疯狂的创业阶段，公司一般会把重点放在老客留存这里。为什么？因为当公司过了高速的新客流入时期之后，新客流入趋于平缓，而用户池子中已经积累了一定量的用户。只有将重心放在如何活跃池子中的用户上，才是实现可持续发展的精髓。
用户漏斗、用户留存、留存魔法数字、路径分析等都是为了研究如何保证老客回头的重要数据产品。大数据时代更是讲究精细化运营的时代，并不紧紧强调一个“大”字，还要重视一个“细”字。数据分析师和用研工程师可以通过维度细分，来看各个维度的用户留存，能发现一些意想不到的商业点子。怎么来根据维度细分用户呢？有心的童鞋可以看下GrowingIO的帮助文档中的用户留存模块，来解开这个难题。
细分不一定是通过性别细分，可以通过客户的不同点击行为、子功能使用行为来进行切分细化。比如通过子功能使用，来将58赶集用户切分成二手车用户、二手房用户、招聘用户等，来看不同功能用户后续留存。再比如通过点击行为来细分，点击过个人资料、购物车、搭配推荐等用户后续留存肯定也是不一样的。做过细分留存之后，我们比较容易发现，二手车用户留存最好，点击过搭配推荐的用户留存最好。
这些结论就是aha moment的支撑。
什么是aha moment？就是当用户初使用产品时，突然发现一个让他感到惊喜的点，这个点能促使他在关闭应用之后还留恋着的东西。比如，当我初次使用Facebook的时候，疯狂的加了好多朋友，我哪有那么多FB朋友呀，都是Facebook上推荐我的“可能认识的人”，我都加了一遍。这样我就能阅读到朋友的状态、更新的心情，以此来充实我的八卦生活。
但是Aha moment不好找。需要数据分析师跑遍千百行代码，需要用户研究者对话完百十个核心用户。但是找到之后，加以巧妙运用就能达到提升留存的目的。
建议公司如果目前没有分行为的留存数据产品，从现在起就开始着手准备。在数据准备上并不难实现，前端产品实现上也并无高难度的呈现。
R传播
好的产品必然有一定量的追随者。新产品在市场冷启动的时候，会寻找一批种子用户，由种子用户进行口碑传播来达到初步的用户群体。同样，产品必须是本身具备一定的可传播点，才能让用户口碑传播达到最大效益。新用户被吸引进来的点是什么，老用户热衷于推荐给周边朋友的点是什么，这些都需要用户研究工程师敏锐的洞察。这里需要提一下NPS客户净推荐值指标，亚马逊沿用至今的一个一道题的用户研究。
R盈利
如果新客呈现一个稳定的流入状态，老客留存曲线能不断改善，那么公司效益肯定会随着时间的增长而增长。
这里，当然离不开数据分析师发现的aha moment，用户研究工程师发现的口碑推荐点等贡献咯。
为什么？我们来看一个方程组：
盈利=用户量*用户价值贡献
用户量=新客 新客*留存
那么，
盈利=新客*新客价值贡献 新客*留存*老客价值贡献
从这个公式可以看出，拉来一定的新客，优化留存能让公司不断提高盈利。（假如其他条件不变的情况下）
R 风险
如果以上分析不能剥离出作弊用户、黑名单用户、其他噪音数据等，则结论很可能被带偏。比如在做aha moment的用户行为留存数据时，发现金币商城的签到是一个长期粘性的功能，但是其中却有作弊流量，每天利用小程序自动签到。这部分虚假流量一定要剔除才能继续做分析。另外在电商行业中，总是有一个小团体作业薅羊毛，为了发现小团体的community的形态，我们也可以借用力矩图（force-directed layout）也就是社会关系网络图来查找噪音流量。
最后再讲一句，分析师/研究人员的价值不在于融入到业务中有多深，而在于能从业务现象中剥离出价值点有多大。
以上。
