Flink
关于
主要内容
- 淘宝用户增长：
- 用户增长公式：MAU拆解。MAUt = 新增用户 + MAUt-1 * (1-lambda) + 流失用户 * r
- 新增用户：纯增量
- 活跃用户留存
- 流失用户召回
- 三纵两横
- 智能投放
三方流量，即站外流量
目标：高质量MAU增量
传统的广告投放：用户请求 -> 广告主竞价 -> 决定是否投放
在传统的广告投放基础上加入用户点击广告后的跟踪反馈信号（例如转化等特定行为），反馈信号由广告主反馈给平台用于优化平台的投放策略 OCPx，OCPC
流量筛选，筛选优质流量，降低渠道成本
对人的认识。识别增长的目标用户，什么是目标用户？高LTV的用户，LTV建模
对素材的认识。高效的素材个性化推荐，怎样才能？提升素材的曝光效率，一个基本条件就是素材数量。海量素材，素材生成，海量的元素（商品、品牌），经验丰富的设计师=>高效率的的模板；高效的NLP算法=>高效的文案； => 海量素材
素材筛选：高效的个性化推荐算法，u2anything
对于允许广告主自助推荐的渠道接入个性化推荐算法，曝光点击率10%+
对于不允许自主推荐的渠道，利用海量的素材赋能渠道推荐系统。简单来说就是加海量物料
流量分发
素材推荐 & 素材模型优化？
矩阵优势
二方引流：利用自己平台上的多个产品，互相引流，形成流量矩阵
拉承一体
触达后的引入是优化空间最大的环节
登录率优化
收口流量：统一数据、统一行为
用户信息总线服务，将所有行为（站外行为，比如看到一个券）写入总线，在需要的时候进行消费（APP内首页也能看到这个券），对用户进行引导
长周期运营
长生命周期运营：以数据为基础，结合算法的能力，驱动用户成长的运营方式
关注点从行为漏斗效率到生命周期的跃迁，希望用户不断地向上发展
全链路触达：在用户动线的每一个节点上设置触发点，目标不是驱动用户进入漏斗的下一个节点，而是驱动用户生命周期的跃迁
首先定义用户生命周期节点，整合用户行为数据，利用算法能力计算出用户在生命周期中所处的位置，并预测到下一状态跃迁的概率。当时别用户在跃迁边界时，干预系统触发商品、券等信息，加速用户跃迁。例如，当预测到用户长期没有核心行为，即将流失的时候，使用定向商品刺激用户，产生购买行为，「临门一脚」。
平台提效
以技术的方式代替人工，把两周的事情提效到15分钟
除了开发提效工具，还需要将这些工具变成系统，把用户增长理论实体化，流程化
将「上卷和下钻」分析工具化；AB测试工具化
工具做完了，但是用得人并不会主动使用或者正确使用
解决之道：通过系统保证，将这些工具默认集成到产品中，成为默认选项
数据为王
用户增长团队的能力升级
解释趋势和关注分布
关注趋势：选择一个核心指标，建立其在时间维度的图标，关注趋势变化。试图通过各种手段解释变动的原因，沉淀方法论
关注分布：关注核心指标在各个维度上的分布，发现不均匀分布的维度，找到解决不均匀分布的方案，提出假设，大胆试验