导读 本文将分享淘宝直播APP（点淘）的用户增长实践。

全文目录：

1. 业务背景和行业挑战
2. 数据策略和能力设计
3. 用户生命周期数据体系

---

分享嘉宾｜郭明累 阿里巴巴 淘宝直播APP数据负责人

编辑整理｜杨文铸 哈尔滨理工大学

内容校对｜李瑶

出品社区｜DataFun

---

01 /业务背景和行业挑战

1. 业务背景：点淘的介绍

点淘，是淘宝直播官方APP，也是阿里内容战略的重要组成部分。近两年来，阿里在内容方向投入了大量精力，而点淘则是内容方向的一个重要组成部分。点淘依托直播和短视频生态，通过短直联动的方式来打造短视频种草和直播拔草的一个商业形态。

上图中右侧展示的是我们目前产品里面核心的两个场域。第一个是直播场域，第二个是沉浸流的短视频场域。

整个产品形态是以极致的沉浸消费流为主体的，同时兼有直播间和货架，来满足用户在逛和买方面的需求。

2. 行业挑战

行业面临三大方面的挑战：

（1）行业周期

近两年，尤其在疫情影响下，互联网的收入面临了很大压力，在收入承压的情况下，各个公司都在进行降本增效，整体预算明显收紧。收入承压、预算收紧的情况下，增长就会遇到很多约束。

（2）行业竞争

• 目前短视频行业，大家熟知的抖音、快手、视频号等这些头部厂家都在大力推进直播化和电商化，对阿里电商带来了一定的挑战。
• 在种草和社区领域，B站和小红书这几年发展得也十分迅猛。B站从最开始的二次元逐步破圈，目前看还是相对成功的，用户体量也有了很大的增长。小红书经过了最开始五六年的沉淀之后，近年来增长迅猛，结合疫情做了很多营销性的增长突破。

（3）流量

点淘属于阿里系的一个内容产品，带着阿里的标签，在流量市场里面也会遇到一些挑战。

02 /数据策略和能力设计

接下来，介绍一下我们针对上述挑战，所采取的一些数据策略，以及对应的能力设计。

1. 数据策略

（1)用户增长解构

增长首先是一个业务问题，我们要把业务的用户规模做大；同时它也是一个数据问题。

通过下图就可以看到，上面有用户不断的来，下面有部分用户会走，这里面剩下的水位就是当前的用户规模。

如果用公式来表达，DAU就可以表示为新用户加上新用户对应的留存。这里面其实有两个核心的因素：

• 一个是新户，用户来的多不多？
• 一个是留存，就是这些用户来了之后能不能留下来？

（2）用户增长分析

其实，整个用户增长主要围绕这两个核心因素展开的。如果把用户从来到走各阶段做拆分，那么用户可以分为四个比较有特点的阶段：

• 第一个阶段就是用户来到产品之前，这个阶段是拉新的过程，对应的是我们的NU；
• 第二个阶段是用户进来之后熟悉我们的产品，活跃度不断提升，这块是做承接和成长的过程；
• 第三个阶段是用户进入了稳定期，用户成长起来，并转化为我们价值用户的过程；
• 第四个阶段是一些用户活跃度逐步下降，逐步变成沉默用户，或者离开产品变成流失用户。

在这几个核心过程中可以看到，拉新对应用户初次进入产品的过程，承接、促活和流失对应留存的过程。

2. 用户增长数据能力的设计

上面对用户的不同阶段进行了拆分，我们把留存进行了进一步细化，在每个阶段去解决对应的问题，找到相应的具体策略。

（1）拉新

拉新阶段要解决的核心业务问题和目标是拉新规模、拉新质量，以及在规模和质量某个条件一定条件下，如何提升效率。拉新要解决的核心问题对应的数据能力会涉及到归因、出价、定向、裂变等。

（2）承接

承接阶段要解决的核心问题是用户的短期留存和成长。我们不希望用户只来一次，希望用户能够持续的来，并且能够成长为我们想要的用户，这是承接阶段要解决的核心问题。具体来看，我们需要构建承接漏斗，通过不同的承接方式和权益设计来优化效率。

（3）促活

促活阶段要解决的核心问题是长期留存和价值。我们不希望用户仅仅来几天或一段时间，而是希望能够长期留在我们的平台上，同时还要转化为我们的价值用户。在这个过程中就要定义用户的活跃分层、做渠道拉活、以及营销活动等。

（4）流失

流失阶段要解决的核心问题延长用户的生命周期，我们希望用户尽量晚走。在这个过程中就要进行用户流失的定义、流失的预警和流失召回等。

在定义出各阶段的核心问题，并梳理出相应的方法之后，我们就可以针对具体的能力做展开。

03/用户生命周期数据体系

接下来针对上面提到的这些数据能力做具体介绍。

1. 用户拉新

用户拉新过程要关心的核心问题有用户的规模、用户的质量和投放的效率。

（1）基础能力

首先要构建用户拉新的基础能力，即用户归因和渠道评估。

• 用户归因

用户归因主要是解决用户来源的问题，通过定义一套规则来确定用户是从哪个投放渠道进来的，这个涉及到用户的推广结算，以及后续的效果评估。因为用户来到产品之前，可能会点击到多个广告或者多个投放素材，这里就需要提前定义一套标准。

• 渠道评估

不同的渠道都拉来了很多用户，到底哪个渠道投放效果好，哪个渠道投放效果差，投放同学需要有一个清晰的了解。之后，在可以根据渠道质量来优化投放预算，在一定的预算基础上，获得更多，质量更好的用户。

（2）数智能力

有了基础能力之后，我们可以再提供一些高级的能力，比如投放不仅仅是媒体侧的事情，广告主业务借助对业务用户的深入理解，联动媒体进行投放效果优化，这个过程中定义了一些相关能力，比如说人群定向、出价优化等。

• 人群定向

传统的投放模型下，媒体基于对渠道用户的理解，进行广告的曝光；用户看到广告、或者点击广告之后，就会收取广告主的费用。在新的投放模式下，广告主可以结合对自己业务用户的理解，辅助媒体来判断是否要某个用户，之后再交给广告平台进行竞价，这样对用户的理解更完整，投放也更高效。

• 出价优化

接上面的环节，如果一个广告主确定要这个用户，那么该以什么样的价格去竞价？传统方式是媒体侧的广告系统去做自动竞价，但是我们也可以帮着媒体把竞价过程优化得更好。比如，如果一个用户的质量比较好，转化率也比较高，那么就可以出价高一点，从而获得更多曝光和转化。

• 投放素材

另外，如果某个用户是我们的目标用户，我们对这个用户出的高价格，那应该用什么样的素材去触达和吸引这个用户？触达用户的素材，我们也可以协助媒体进行优化，进而提升用户的点击转化，以及降低曝光成本。

上面提到的这一系列能力，共同组成了我们的拉新数据策略。

（3）案例介绍

• DPA+RTA

DPA+RTA是商品投放的一个重要能力。这里的业务问题是，在投放预算一定的情况上，怎么能够获得更多，更高质量的用户。这里的解法就是上述几个能力的组合。第一是找到目标用户，第二是要联合媒体去做出价的优化。下图中左侧是投放链路和逻辑的拆解。

首先，用户访问媒体；之后媒体会进行广告系统的请求（广告系统请求就是到底是否要给这个用户出广告）；如果要展示广告，会做动态商品库的请求，决定以哪个商品素材去做投放，并把素材返回给广告系统；接着，广告系统会带着这个投放素材去请求广告主，询问要不要这个人群，如果要这个人群，接着就要判断是否需要进行出价干预，广告主会带着这些信息返回广告系统；最后透传给媒体，用户就看到了。

要实现上述逻辑，首先要在数据层去做用户挖掘、商品挖掘，从而确定哪些用户要重点投放，以及用哪些商品进行投放。数据层通过用户挖掘和商品挖掘形成对应的人群之后，在服务层进行人群和商品库的配置。最后，通过服务化的方式对接到媒体，从而形成投放的闭环。

这样，通过素材的优化、人群的优化、出价的优化等，实现了更高效的投放。

• 裂变拉新

裂变玩法是互联网产品经常会用到的一种拉新方式，裂变玩法经常会遇到一个问题：裂变带来的用户质量普遍不高，同时拉新的规模可控性一般。这类用户下载某个产品，一般都是带有明确目的的，后续持续来的动力不大。另外，这类用户一般是权益敏感型的用户，权益的高低对裂变拉新的影响比较大。

裂变玩法有两个核心的角色，一个是发起者，另一个是受邀者。发起者是整个传播中的发动机，激励措施主要面向发起者去做定义。裂变拉新的权益包括两部分，一部分是人头费（拉了人之后有没有一定的收益）；另一部分是给发起者后续的福利（指拉过来的用户后面还在持续活跃则给发起者一定分佣），

这两类权益是发起者进行传播裂变时的核心动机。我们的目标是，希望在一定的成本基础上，通过调整权益发放的策略，来优化传播裂变发起者的动机。

我们主要有两种方法：

方法一是用统一的返佣策略。统一的返佣策略包括了，拉一个人多少钱、后续活跃应该怎么分佣，起初这些是裂变产品来定义的，之后通过大量的实验，找到性价比最高的一组策略来放大和推广。

方法二是分人群差异化返佣策略。我们发现，不同发起者邀请来的用户质量是参差不齐的，有的发起者邀请来的用户质量是比较高的，有的发起者邀请来的用户质量相对低；同时，有的发起者邀请来的用户比较多，有的发起者邀请来的用户比较少。因此，通过邀请来的用户数量和质量对发起者做分层，我们希望高质高量的发起者能够获得更多的收益，刺激他们拉更多的用户；低质低量的发起者获取更小的收益，从而降低薅羊毛的动机。最后，得到一个分人群的、差异化的策略，在成本一定的条件下实现质量和规模的最优化。

2. 用户承接

接下来介绍用户承接这部分，承接主要解决的核心问题是短期留存和用户成长。

（1）基础能力

用户承接要建立的基础能力是用户承接漏斗，首先要能够看到用户承接链路，用户从媒体曝光，到下载安装产品，再到产品内部浏览和使用，每个环节的用户是怎么样的，哪个环节的漏斗相对大一些，这些路径是否符合预期等。通过用户的承接漏斗分析，来发现承接过程中的问题，并据此进行重点优化。

（2）数智能力

有了基础能力之后，我们可以再提供一些高级的能力，比如发现某个环节承接漏斗比较大，怎么提升承接效率；不用渠道的用户属性不同，怎么基于对用户的理解，提升承接流量的分配效率等。

• 场景还原

我们在媒体上进行大量广告投放，如果用户对某个广告素材感兴趣，就会进行点击和下载使用。如何保证用户进入产品之后，没有"惊吓"，这就需要引入场景还原的能力。例如，我们在外面投放了一个水果，进来之后不能看到一只猫，我们还是希望投放一个水果进来之后就是水果或相关的。所以我们首先要通过场景还原实现所见即所得。

• 动态路由

这个数据能力主要解决承接效率的问题。我们希望通过动态路由来解决流量分配的机制和效率，根据用户属性决定通过某个页面去做承接。当然后面可能还会有基于产品路径的分析、留存分析等，我们希望通过这种方式来解决整个承接效率的问题，接下来将有例子来展开介绍。

（3）案例介绍

• 动态路由

动态路由能够帮助我们更好地进行承接页的流量分配，从而解决留存和价值的问题。传统的做法是一个用户在一个时间点只能通过一种方式来承接；另一个时间点通过另一种方式来承接；第三个时间点通过第三种方式来承接，整体上是互斥的逻辑。

我们可以通过基于对用户的理解，建立不同的物理人群，不同的人群通过不同的页面来承接。比如某个人群适合直播，那么就通过直播的页面去承接；某个人群比较偏商品偏好，就通过商品的页面去承接。但是，我们发现这种并行的方式虽然解决了互斥的问题，也会带来一些其他问题，比如人群划分越细，拉新起量就会越慢的，投放价格也会越高。

为了解决这两个问题，我们做了相应的优化。首先，把物理人群建设成逻辑人群，在投放的时候做通投，用户由哪个页面承接是通过中间服务判断的。其次，对于直播人群，也不一定是只用一个直播页面来承接，而是可以把直播的页面丰富起来，有直播页面一、直播页面二、直播页面三，我们希望让多个直播场景PK，判断哪个直播场景承接效率更好，从而不断进行优化。这样，就把并行改成了双重并行，进一步提升了整个承接的效率。以上是我们在动态路由承接中，解决流量分配的机制和效率上的核心工作。

• 留存关键因子

留存关键因子主要是解决用户留存的问题，拉新更多是预算的问题，有预算就可以拉更多的人。但是，如果拉进来的用户留不下来，那拉新就没有长期价值。所以，相比于拉新，留存可能会更重要，需要在优化用户留存上投入更多的精力。

去年，我们希望去做一些内容拉新，通过内容方式进行的拉新，同时最好用内容进行承接，承接之后做一些内容的转化。但是，我们发现内容用户进来之后，留存相比其他的用户偏低，需要重点去优化。

核心解法步骤如下：

第一：进行用户行为的分析假设，我们认为用户在端内的行为受用户属性的影响，同时端内的行为会影响留存的结果；

第二：构建影响用户的回访路径图；

第三：通过特征分析，进行两阶段的回归分析；

第四：找到哪个属性下面的哪个行为影响留存，从而做定向的优化。

3. 用户促活

接下来介绍一下用户促活，这个模块核心要解决的问题是用户的长期留存和价值。

（1）基础能力

用户促活的基础是对用户活跃度的理解，这里的基础能力是用户活跃分层。首先要定义出每个层中的用户规模及活跃情况，以及用户有没有在分层之间做跃迁？用户分层是用户促活的基础。

（2）促活

促活有两种方式，第一种方式是用户主动去回访，第二种方式是用户被动的回访。主动回访，比如我们做一些营销、大促，用户可能会主动回访回来；被动回访，包括二方拉活、三方拉活。二方拉活指的是兄弟团队的一些拉活；三方拉活指的是外部拉活，包括一些裂变拉活等，接下来重点介绍被动回访。

我们也会提供一些相对高阶的能力，类似于拉新阶段的能力，比如人群定向（指哪些用户要拉活，哪些用户不要拉活）、出价优化（拉活阶段做出价相比拉新阶段出价做的会更深，因为对自有活跃用户要比新用户了解更多一点，所以这个阶段会对活跃用户做相应的出价优化）、渠道排重（比如我们会对不同的渠道去做拉活，但是渠道之间可能会对同一个用户去做重复拉活）。同时对于雇人打工（裂变拉活）要做关系的挖掘，通过关系挖掘来提高整个拉活的效率。

（3）案例介绍

• 策略拉活

策略拉活的两个核心能力是人群定向和出价优化，通过人群定向来剔除一些无效的拉活，并通过出价优化降低成本。

人群定向：拉活的人群定向会比拉新人群定向做的更细，比如，这个用户刚来过或者虽然还没来但预测可能会活跃就可以不用拉活；比如，有些用户可能是低转化用户，就是触达后并没有发生转化，转化率比较低的这部分用户如果多触达拉活转化率仍然不高，则没必要再去拉活浪费成本；另外，要做控频，哪些用户应该拉以及应该拉多少次，以降低成本。

目前，都是以DAU目标去做拉活的。但是，拉活不希望仅仅是DAU的目标，我们还希望拉活回来的用户在端内有更多的价值，比如拉活用户有没有时长的贡献，有没有转化等。

出价优化：拉活的出价优化类似于拉新的出价优化。我们可以做人群的出价，以及用户的个性化出价，细化到每个用户可能都有一个出价区间。

• 关系挖掘

雇人打工是我们产品里的一个玩法，它主要是通过用户之间的"买卖"来提高用户活跃度。

但是，产品功能上线之后我们发现，参与这个玩法的用户比预期要低，我们希望通过数据能力来提高用户的参与频次。用户之间的"买卖"，依赖的是用户之间的关系。用户关系理论上是网状的，一个用户可能会有n个好友，好友可能还会有n个好友形成一个网络图，我们希望结合用户之间的关系数据来挖掘用户之间的亲密度，结合雇佣机制的调整（比如参与玩法应该返多少钱等），来提高用户的活跃度。

这里面有如下几个环节：

第一，我们要构建用户的好友关系。最开始一版，主要是确定用户的一度好友关系，就是用户的直接好友关系有哪些，通过好友数来量化用户之间的相互关系，把关系比较紧密的用户推出来；

第二，这个策略上线之初效果不错，但是一段时间之后用户参与度也会下来，原因就是用户的关系相对固定，"买卖"之后就不再活跃了。之后，我们又通过二度好友关系的挖掘来补充新的好友；

第三，我们不但要评估好友之间的数量，同时也要评估好友之间的质量。因为用户之间的行为是有层次的，我们希望在用户数量基础之上，再通过质量的评估来优化拉活的雇佣效率。

4. 用户召回

接下来介绍用户召回，用户召回要解决的核心问题是延长用户生命周期。

（1）基础能力

用户召回一般涉及到一些权益，或者可能会对用户产生打扰。所以，在做用户召回之前，首先要定义出用户流失。找到了流失用户，才有可能进行干预和策略召回。由于不同业务的用户活跃周期是不一样的，有的产品用户活跃频次比较低，有的产品用户活跃频次可能相对高一点，所以要结合产品来定义适合本业务的流失定义。

（2）数智能力

有了基础能力之后，我们可以再提供一些高级的能力，比如是否可以在用户流失之前，识别出哪些用户有流失倾向，在用户流失之前进行干预；比如用户已经流失之后，怎么基于用户流失之前的数据，提升用户的召回效率等。这里涉及两个能力，其中，流失预测的核心在预流失用户的预测和干预，流失召回的核心在已流失用户的触达和承接。

（3）案例介绍

• 流失预测

最好的流失召回是在用户流失之前做干预，因为这时候还能触达用户，干预的效率相对也是高的。由于用户还没有真正流失，所以需要基于用户的历史行为进行准确的预测，预测哪些用户可能会流失，之后进行特定的干预。

这里会分为两部分：

第一部分，流失预测建模。预测建模指的是，以预测计算日前的MAU用户作为训练样本，以这段时间用户是否流失作为lable来训练模型。之后，对预测日前一天的MAU做预测，预测完之后观察用户在后七天是否会流失。

第二部分，干预阶段，对预流失用户进行差异化的干预。预流失用户是业务的历史用户，我们可以根据对用户的理解做定向的干预，比如某个用户是权益偏好型的用户，就可以通过满减红包的方式去做弹窗；如果某个用户是低价敏感型的用户，就可以通过一些限时秒杀的方式进行引导；如果某个用户是互动敏感型的用户，就可以通过元宝激励的方式进行干预；

• 流失召回

已流失用户的核心是触达和承接，在触达和承接之前，首先要对本业务的用户流失进行定义。这里我们主要用到了两种方法，一是回流曲线，二是拐点分析法，来找到适合我们业务的一个流失周期。

找到流失用户之后，就要通过各种手段进行触达和承接。已流失用户可以进一步细分，包括有端用户和无端用户。针对不同类型的用户，可以使用不同的方式进行流失召回。比如，对无端用户会借助到厂商的能力、三方的能力，以及生态的能力，去做无端用户的触达；对有端用户可以做投放，这时候可以把前面提到的数据策略，比如人群定向、出价优化等能力结合上。

召回触达之后要做用户承接，承接也可以用到前面提到的数据策略，比如动态路由、差异化承接等能力。

今天的分享就到这里，谢谢大家。