传统企业的本质增长增长存在两种思维：一种是流量思维，另一种是超级用户思维。现在市面上有很多关于增长的书籍，它们有的把增长框架分为不同阶段。实际上增长的本质，在于理清如何挖掘流量价值、如何提升线上线下转化、如何沉淀数据。

在用数据驱动增长的解决方案中，我们将其概括洞察场景化、核心增长指标确定、优化转化、A/B测试迭代寻找突破口阶段。上篇将洞察场景化，核心增长指标确定，做好了后期增长迭代的基础。

一、优化转化率：分析引擎体系建设，提升转化率

以前我们认为，分析引擎体系可以在实践中不断迭代。但是在具体实践中得到的结果改变了我们原有的认知。建设分析引擎应该先规划好再去做。因为一旦规划和引入策略框架后，我们的业务也会随之调整。建设分析引擎时一定要先基于模型、分析引擎的概念进行宏观设计，再进一步指导微观业务。

1）建立分析用户引擎推荐模型

W网络的分析引擎下图所示，我们建立了用户模型、营收模型、行为模型和产品模型等模型，这些体系为我们后期的分析提供了非常大的帮助。而且当我们有了模型，未来的增长实验要沉淀什么、要分几个步骤，都将有据可循。

整体来看，W网络的分析引擎经历了六个阶段的发展：

1. 以数据展示趋势、同环比为主的纯报表分析；
2. 以用户流量的漏斗分析为主的精细化分析；
3. 从用户的生命周期寻找增长点的数据模型分析；
4. 在数据模型基础上进行人群分层的增长策略分析；
5. 增加时间维度形成更多维度的多因子增长策略分析；
6. 把时间波动趋势和用户流量波动相结合的趋势分析与预测。

数据分析其实就是解魔方的过程：一开始是一阶魔方，就像一个骰子；然后是二阶魔方，魔方的一面有四个方块；然后是三阶魔方，一面升至九个方块。我们不停地增加维度去拆解它。基于人的主观判断，一般人就玩到三阶魔方，厉害的人可以玩到四阶魔方。再往上更高阶的魔方就更难了，所以说未来一定是基于模型的方式来驱动整个分析引擎体系的建设，因为它的整个决策都是非常可观的。

2) 优化增长驱动的用户推荐算法引擎

如何对推荐的效果、推荐的参数等调整，就基于整个增长框架的不断调优，最终形成增长闭环，才能更好的提升转化率。

举一个交叉推荐模型的例子

我们从用户的行为特征，包括用户特征、影片特征、上下文特征等出发，抽象出模型进行推荐。过去我们在做交叉推荐模型的时候，往往在模型处理与策略调优这一环节停下。但是现在我们继续往下走，借助模型实现自动化策略的下发与沉淀。

在智能化推荐的过程中还有很多单独的分析模型可以拆解出来，赋能独立的业务。我们拆出四个模型：付费潜力预测模型、产品包预测模型、折扣敏感预测模型和营收预测模型，分别回答重点关注哪些人群、适合什么样的策略、使用什么价格、预期收益如何这四个问题。拆解出来后就可以实现产品投放的全自动化运营。通过实际测试，我们发现机器的推荐效果会比人推荐好很多。

3）关注用户全生命周期，利用交叉推荐模型，提升转化率

数据和模型等计算和推荐的切实执行，让我们的增长实验让流量再生。只有建设与数字化增长范式相匹配的组织架构，才能保障增长顺利落地，并持续为业务赋能。

当组织体系足够敏捷时，便形成了企业级敏捷。团队间的弹性、适应性会变得更强，小步快跑的增长实验也拥有了更多的空间。弹性组织为企业未来的发展方向提供可能，这也是增长的价值。

二、A/B测试快速迭代发现产品迭代突破口

W网络公司的会员产品的核心指标是购买会员转化率，会员运营团队遇到的问题是付费页面的转化率较低，多次调整落地页素材后，仍然找不到优化的方向。了解该影视会员产品的用户流转地图后，决定进行A/B测试为快速迭代做准备。

1） A/B测试策略“脑暴”

在A/B测试中，我们将用户平均分为四组：

实验用户组：将A组作为对照组，对B组方案强调“折扣”要素、对C组方案强调“会员权益”要素、对D组方案强调“活动紧迫性”要素，对每组人群下发不同的付费页面，对比四组人群的付费转化率差异，找到影响转化的关键要素。

测试方案：我们发现，对照组的方案信息堆砌，所有权益、折扣信息分散在页面各处，没有集中火力触达用户。而三个测试方案分别聚焦折扣信息、权益信息和紧迫性信息。

2）数据对比实验四组人群的付费转化率

从数据展示中，得到影响付费转化率的文案要素——紧迫性，也就是说强调活动优惠的时效性，营造紧迫氛围，会更有利于刺激用户转化。

在此基础上，我们还从本次A/B测试中得到了一些用户洞察，例如：

• 新功能更新会导致新用户付费转化率下降。
• 活动对新用户的付费驱动力下滑。
• 低价并不是万能，高价带来的付费用户的占比更高，且一年后解约率更低。

通过这些洞察，W网络公司开展了多项A/B测试，这也是付费转化率提升了超过90%的秘诀

三、总结

洞察场景化、核心增长指标确定、优化转化、A/B测试迭代寻找突破口阶段这四个阶段构成了一个循环，企业增长需要不断地在这些阶段之间循环，以持续优化产品并推动增长。

每个阶段都依赖于前一个阶段的输出，并且每个阶段的成果又为下一个阶段提供输入。通过这种迭代和数据驱动的方法，团队可以更有效地实现产品增长和业务目标。