6个产品增长模型：经典，但就怕你不知道！-技术圈

在产品经理的工作中为什么提“模型”的概念呢？

其中一个原因与互联网产品的信息属性有关。

互联网产品的生命过程中，会有大量抽象、虚拟、碎片化的内容需要思考、沟通、提炼。

工具总是不断推陈出新，增加（或者打补丁）各种功能，但思维模型和分析方法，却隽永而美好。

于是我们需要借助一些形象化的模式，把相关信息表述出来。

模型(model)，是指对于某个实际问题或客观事物、规律进行抽象后的一种形式化表达方式。

任何模型都是由三个部分组成的，即目标、变量和关系。模型的呈现可以是公式、可以是实物、可以是图表等。

Engagement Index模型

大家对于Engagement Index模型可能还比较陌生，但对于它的应用场景你肯定不会觉得陌生。

无论是给用户打标签（尤其是CDP或者DMP给用户打标签）所用的方法，还是CRM给销售线索打分，又或是评价一个流量或者人群的质量，无一不是基于这个模型或是以这个模型作为思想。

Engagement Index模型的思维，即权重化部分甚至所有的用户交互行为。

例如，每发生1次转化，就需要看商品介绍页面100次，那么查看商品介绍页的行为每发生一次，就值10分。

这是手工计算的Engagement Index。

放在AI这么热门的今天，Engagement Index有可能就是机器来计算了，计算的方式，跟我们后面要讲到的归因模型比较类似。

比如，我非常喜欢的一款全渠道营销管理与自动化工具Marketin——可能了解的朋友同样不多，但这个产自中国的工具制作的非常良心且用心——的用户标记及销售线索打分的功能，就是基于这个模型。

转化漏斗模型

转化漏斗模型本身仍然在进化。

主要的进化是从以流量为核心的转化漏斗，进一步扩展为以人为核心的转化漏斗。

以人为核心的转化漏斗的区别在于，考虑到今天数字世界的极为膨胀和碎片化的趋势。

这个模型的实际使用功能常常由DMP或CDP实现，普通用户行为工具较难完成相关数据的抓取，也就很难构建模型。

3 MOT模型-归因模型-消费者旅程

1、MOT模型

MOT模型用来表述消费者发生的关键性转变，归因模型则描述引发消费者关键转变的渠道或是场景，而消费者旅程则从更“普遍性”的角度描述同一消费者跨触点的行为。

MOT的意思是Moment of Truth，描述消费者被营销或者激发之后发生的行为变化的关键时点。

2、归因模型

归因模型解决两个问题：

第一、对于一次成功的转化，各个渠道或触点各有多少的功劳；

第二、描述各个渠道或触点对该转化进行贡献的先后关系甚至因果关系（但因果关系还需要人进行分析才可能得出）。

3、消费者旅程模型

消费者旅程模型则是更加“泛化”的归因模型。

归因模型仍然强调要发生最终的转化，因为归因二字，实际上是英文attribution（功劳归属）的意思，所以它的作用是回溯转化之前的渠道和触点。

但消费者旅程模型则直接描述消费者在不同触点上的行为和先后发生的次序。你可以认为消费者旅程模型是流量的路径模型升级为“以人为核心”的“高级”版本。

4 细分模型及各种常用的细分场景

它是一类思维方式的总称。细分本身并无什么玄妙之处，我也无须解释。

常用的细分模型还是有一些典型的类别的，掌握如下这些（还包括太多太多我没有写进去的）常用的细分方式，对我们的工作有事半功倍之疗效。

(1)流量渠道细分——最常用的方式就是我们模型二：Engagement和ROI模型所用的方法。

(2)流量与落地页细分——对于分析流量和承接端的匹配那是超级有用。

(3)人群细分，尤其是注册与非注册人群——CDP、DMP的根本。而我本人，则喜欢对更显性的人群做细分，例如，已经注册和未注册人群的差异。

(4)UI和内容的细分——用于辨识不同UI和内容对于人的行为的影响。常常用于分析和优化转化，尤其是微转化领域。

(5)行为细分——热图。

(6)AB测试——本质上也是利用UI或者UX的差异，人为故意地建立行为的细分，并且AB测试已经不仅仅扩展到UX，随着人群细分能力和CEM相关技术的提升。

细分极为重要，各种细分场景也多到数不清，而且很多其他模型本身就是一种细分。

善于进行细分是一种能力，体现了营销和运营工作的基本素质。

5 流量优先级模型

流量优先级决定了你能获得的流量质量的好坏。

进行引流操作，必须理解这一模型和背后的原理。

高优先级的资源往往具有更好的质量。因此，反过来讲，如果广告主希望获得更高的优先级，那么在预算一定的情况下，应想办法让广告主的eCPM得以提升。

对于任何非CPM和CPD的广告资源，广告主提升媒体eCPM的好方法是提升CTR（对于CPC类广告），或是转化率（对于CPA类广告）。

媒体普遍采用的监督学习的机器学习方式，进一步强化了这种趋势。

6 用户忠诚与流失相关的模型

这个模型同样不是一个，而是一组，包含多个模型：留存曲线、RFM、流失预测模型等。

1、留存曲线

留存曲线是描述一个细分人群（通常用时间细分，或者用人群源细分），随着时间留存的情况。

下面两个图，第一个是示意图，第二个则是具体真实数据例子中的图。留存曲线比较直观的展现了不同群体留存的情况，从而帮助我们分析什么属性或者什么原因能够有更好的留存。

2、RFM模型

它基本上用excel就能完成模型的建立，但作用却非常巨大。

RFM用三个维度R（Recency，新近度）、F（Frequency，频次）、M（Monetary Value，现金价值来衡量用户的价值。

下面三个图都是很棒的分析，最后一个是输入数据后，工具直接实现的。这个工具感觉不错（我没用过）。

3、流失预测模型

流失预测模型，是用历史流失发生的数据，训练数据模型，从而预测未来的流失，最常用的模型是决策之类的数据挖掘方法。

这个模型普遍应用于零售、游戏、高频次的互联网服务等。我的大课堂会介绍，不再赘言。

总结

这6组模型（事实上是150个具体的模型）还在不断发展，甚至淹没在新的模型中。但仍欢迎大家提出自己的见解，或者提出自己认为重要的模型。

——往期推荐——

B端产品经理，必须了解“企业架构”

一个好的产品，需要“深度思考”！