全定量增长模型如何搭建？（实战案例分享）
在运营数据分析时最常用的分析方法主要有四种——AARRR模型、全链漏斗型、因子分解型和全定量增长模型。因其特性不同，应用领域也各不相同，在本文中，作者简单介绍了前三个模型，并将重点聚焦在了全定量增长模型，欢迎大家讨论。
了解完北极星指标体系构建方法，大家有没有对自己的工作有一个思维上的认知呢？接下来我们进行一下北极星指标体系的实战操作。
AARRR模型是最容易搭建的模型，他可以快速显示出影响北极星指标的所有因素，但是问题在于他的指标比较粗，没有定量的描述每个因素对北极星指标的影响，也没有指出每个因素之间的相互关系。这一模型往往是在指标模型1.0时使用。
全链漏斗模型和因子分解模型不仅可以找到北极星指标的影响因子，也可以确定指标的数值，并用简化的公式进行表达，可以帮助大家找寻机会点和进行简单的计算；但是他搭建过程较为复杂，需要的数据较多，而且不能预测未来趋势和进行假设分析，在指标模型中可以作为2.0版使用。
最精细的增长模型是：全定量增长模型，他分解出了影响增长的因素以及对应的细分指标，并把所有的指标组合在Excel中计算北极星指标。
我们不仅可以用全定量增长模型观测历史数据，预测未来北极星指标数值，而且可以进行假设分析，量化不同指标变化对北极星指标的影响，但是他的缺点是组装和维持起来比较费力，需要耗费相当长的时间，它适合有一定数据基础，需要精细化运营的团队。
在运营过程中，如果我们能一次性投入一定的精力，规划出一个稳定的全定量增长模型图表，对于运营的长期监控和使用存在一定的价值。
我们通过一定的案例来了解全定量增长模型：
假设某APP的北极星指标为月活跃用户数，计算北极星目标使用的数据为月新增用户数、月留存率两个指标。我们来看一下具体的计算过程：
01 模型的输入数据
1. 用户新增数量明细表
主要变量为：不同渠道获客数、K因子、激活率三个指标；
时间维度为：基于历史情况对未来进行估计；
K因子即为每个老用户能带来多少新客户，是用户推荐渠道的相关参数。
我们单独对用户推荐数、月初活跃用户数进行一下讲解：
用户推荐数=月初活跃用户数*K因子；
而下个月的月初活跃用户数即为：上个月的月初活跃用户数+用户推荐数；
2. 留存率
基于历史平均数，计算出每个月的留存情况，作为第二个数据输入表。
02 月活的输出工作表
基于上面的两个表，我们计算出了如下的一个表，可以顺利的计算出每个月的新增、活跃数据，并能够进行未来月份新增、活跃的预测。
看到上面的模型，你对模型有没有一些初步的概念，全定量模型主要是通过对多个因子的计算，整合形成我们的最终表，然后构建最终的北极星指标完整表。
从上面的流程可以知道，数据的整个过程是从细到粗构建北极星指标体系，效果非常明显，但是耗时也是非常长的。
03 利用定量增长模型进行假设分析（what-if Analysis）
假设分析是定量增长模型的一个常规用法，我们通过一个案例来分析具体的用法：
问题：现在是9月份，到年底前，如果想最大程度提升月活，应该做哪些增长实验？
我们把上面两个方案分别放到全定量增长模型中，分析两个方案的好坏，如下图，我们把10月份的预算费用修改成15000元，对应模型中的数据就会发生变化：
同时我们发现12月份的活跃数量变化为：
图中可以看出12月份的用户活跃量变成了25227，较之前有所提升。
记录结果之后我们进行实验2的分析，同样的步骤我们修改了新增表中的激活率，得到如下数据：
我们发现，修改激活率之后，我们的月新增活跃数量也发生了变化，而对应的12月份月活跃用户数则变化为25558。
我们对两个数据进行比较分析：
发现两者的MAU提升相差不大，但是实验2的成本相对较高，所以我们采用实验2进行方案优化。
通过上面的分析有没有对全定量模型有一个深入的认知呢？
笔者认为，这样的模型是一个经典的技术、业务融合的模型，这样的分析可以在SQL、python的基础上实现固化，同时也可以在Excel的基础上进行开发，模型中所用的指标也不一定是新增、留存，各个业务线可以根据自己的需求，调整其中的自变量，输出需要的值。
04 迷你增长模型构建
整体的增长模型构建完成后，我们需要根据整体的增长模型梳理我们自己的迷你增长模型，梳理自身的资源、自身负责业务线的流程、寻找迷你增长影响因子，并基于这些迷你因子确定可行方案，排出优先级等～
我们还是用一个案例，简单进行分析，假设我们已经制定好了北极星指标，我们该如何分配我们的资源呢？
某APP的北极星指标是：总销售额。
在落实到各个部门，甚至各个团队的时候，我们可以根据这个
Copyright ©2015~2024 www.kingtall.com 网站ICP备案号：粤ICP备14001765号-1
