1704200430
除了收益之外，增长团队还应该用其他方式来划分群组，这也是我们在讨论破解留存时所推荐的做法。分组方式应该包括（但不限于）：地点、年龄和性别、客户购买商品的类型或者使用的功能、获客渠道（是通过谷歌广告还是推荐计划）、使用哪种设备访问网站或App（台式机还是移动设备，是使用微软Windows系统还是苹果系统）、使用的是哪种网络浏览器、在某个时间段内访问网站或App的次数、用户第一次购买或者第一次采取行动的日期等。同样，在这个阶段重点不是寻找留存规律，而是寻找每个群组和收益之间的关联，从而帮助团队找到试验想法。
1704200431
1704200432
我们来看一看HotelTonight的例子。这个移动App可以使临时需要住宿的用户以很低的折扣预订酒店房间。它根据用户使用App时联网的方式[是通过Wi-Fi（无线局域网）还是通过3G或4G网络连接]来创建群组并分析不同群组的购买行为，结果有一个出人意料的重大发现：那些通过3G或4G网络使用App的用户订房率是那些在Wi-Fi环境下使用App的用户的两倍。（使用Wi-Fi预订不是应该更容易吗？）因此它提出了一个假设：相比使用不稳定的数据连接，用户使用Wi-Fi更容易在其他旅游网站上进行比较购买，因为数据不稳定时竞争对手的网站速度很慢而且不可靠，用户会更愿意使用HotelTonight来预订房间，但如果使用网速很快的Wi-Fi，那么用户就会进行比较购买。基于这个洞察，HotelTonight只向那些不是使用Wi-Fi的用户投放定向广告，最终提高了那些看到广告的新用户的购买率。3
1704200433
1704200434
对于电商企业来说，除了按照顾客的消费额来划分群组以外，其他重要的划分方式还包括顾客购买量、订单的平均金额、所购商品的类型、第一次购物的日期、在某个时间段内的购物次数（比如每月或每年）以及他们通常购物的月份或年份。比如，团队发现，90天内只购物一次的用户中在接下来的12个月里消费额达到甚至超过500美元的比例是55%，但90天内购物两次的用户这个比例是95%。因此，团队可以设计一些试验鼓励所有在90天内购物一次的用户在这期间购物两次。比如，团队可以在用户第一次购物30天后通过邮件向他们提供巨大的折扣或者特殊优惠（例如免费配送），然后60天后再发送一次这样的邮件。
1704200435
1704200436
对于广告收益模式的公司来说，更细地划分用户群可以让它们试验不同的变现手段，既可以进一步变现已经创造很高用户参与度的广告版面，还可以改善参与度较低的版面的广告效果，进而实现增加营收。例如，一家媒体公司的增长团队可能发现，用户在网站上的逗留时间达到或者超过两分钟的话，那么他们点开广告的可能性是那些逗留时间不足两分钟的用户的三倍。了解到这一点后，增长团队可以设计试验来增加不常使用网站的用户在网站上的逗留时间，例如可以在用户读完一篇文章后向他们展示相关度更高的文章。或者，团队可能发现许多读者停留很久的网页并没有特别有效的广告内容，如视频库页面或者篇幅很长的文章。这时团队就可以试验在这些页面上使用新的广告类型或者改变广告的展示位置，比如用户浏览视频页面时在两个视频之间展示广告或者用户在阅读长篇文章时在文章内部插入广告。
1704200437
1704200438
SaaS公司的用户一般是企业，它们需要重点分析的用户群组就应该是不同类型的企业，因为有些公司财力雄厚，所以它们更愿意购买价格更高的计划和附加功能。比如“调查猴子”（SurveyMonkey，一家网络调查公司）就按客户类型进行群组分析。这家网站专门为各类企业提供可以满足不同目的的问卷调查服务，它的用户包括进行市场调研的营销团队、衡量用户满意度的用户服务团队，以及为科研论文做问卷调查的学生等等。这家公司增长团队负责人埃琳娜·韦尔娜和她的团队发现（可能并不意外），来自教育机构和非营利组织的客户和大学生购买专业付费版本的比例不及其他类型的用户。于是他们试验专门向这几类用户提供折后计划，以提高他们从免费用户转为付费用户的比例，进而提高他们创造的收益。
1704200439
1704200440
用户最愿意付费购买的软件功能也会有群组差异。例如，大公司可能拥有自己的内部用户关系管理软件系统，因此它们可能愿意出高价购买能够与现有系统轻松整合的软件，而没有现成系统的创业公司可能更看重获得开箱即用的功能，而不会考虑系统整合这个问题。
1704200441
1704200442
如果你的产品或服务面向国际市场，那么公司还应该按国别来分析变现，因为不同国家的支付方式以及服务收费标准可能不同。比如，德国用户也许更有可能使用某几种支付方式进行购买，而俄罗斯用户却可能使用另外一种支付方式，从而导致不同的国家的变现率有很大差异。同理，有些商业模式可能在某个国家更容易被用户所接受。比如，美国用户很容易接受订购服务，但是在其他国家可能就没那么容易了。增长团队可以试验在不同国家使用不同的支付方式来提高每个国家的变现。4
1704200443
1704200444
认识你的用户
1704200445
1704200446
正如前面所讲，有很多划分群组的方法可以帮助我们获得新洞察。为了更好地变现，增长团队要做的第一步是按照某些相同特征对用户进行大致分类。这些特征可能包括：用户来自同一地区，有着相同的经历，消费水平大致相同，有相同的产品需求，或者是几个因素的组合（其中很多都是我们在讨论群组划分时提到过的）。创建分组的目的在于更好地想出满足客户特殊需求的方式。许多营销者可能非常熟悉用户画像这种做法，即为每个群组中最具代表性的客户创建虚拟档案。例如在英曼，我们找出了四种主要的用户类型：工作经验不足3年的房产中介；有5~10年工作经验的房产中介；房产经纪人；特许经营管理和技术专家。这些组别代表了我们的客户群中最常见的聚类，增长团队可以有针对性地设计实验来增加每个群组带来的营收，比如，试验个性化的邮件沟通方式、着陆页以及促销折扣等等。
1704200447
1704200448
调查用户的需求
1704200449
1704200450
增长团队还应该通过调查问卷直接向用户了解每个关键群组最希望看到的产品改进，比如，他们希望使用哪些可能的新功能、哪些新的计划档位或者希望如何改进特价商品的可选范围。毫无疑问，增加营收的核心在于向用户提供让他们觉得很有吸引力而且最能满足他们需求的产品和服务。当然，不同群组的需求也会不同。
1704200451
1704200452
提高用户消费额的最佳途径是向他们提供可购买的额外商品或者付费使用的产品功能，这一点应该是不言自明。（或者，对于广告商业模式来说，可以提供额外的体验和内容，让客户花更多时间浏览广告，从而提高客户参与度。）前面我们讲过特性蔓延的危害，现在我们则要强调它的反面——增加新功能。企业需要稳步而且非常谨慎地推出用户可以购买的新产品或者新功能，以持续增加营收。亚马逊马不停蹄地增加所售商品的种类以及每种商品类型包含的产品选择，脸谱网频繁推出新功能，这些都是最好的例子。增加产品或功能成功的关键是专注于向用户提供让他们觉得有价值并且愿意花钱购买的商品，而不是一味地推出公司自认为用户需要的选择。
1704200453
1704200454
增长团队应该通过问卷调查系统地向用户呈现他们对新产品或者新功能的构思，然后通过试验决定是否进行大规模推广。BitTorrent团队在问卷调查中向客户提的问题就很成功，这让他们成功地从诸多选项中选出最需要开发的功能。需要特别注意的一点是，他们的问卷调查并未采用开放式提问，而是给出了若干选项，让客户从中选出对自己价值最大的好处。你可以向一些参与问卷调查的用户提供带有新功能的免费产品，这样既可以激励用户参与问卷调查，也可以保证他们在问卷中的回答的确是他们的真实想法。
1704200455
1704200456
通过让用户给每个选项打分，最后可能得到两个或者几个不错的备选功能，增长团队可以建议将这些功能加入产品开发路线图中，以备下次使用。BitTorrent团队开发省电功能在很大程度上就是因为这个选项在问卷调查中得分最高，结果这项功能将日收益提高了47%。自动关闭App功能分数也很高，团队也对它进行了测试并且收到很积极的用户反馈。最后公司向所有App用户推出这项功能，结果日收益增加了20%。5
1704200457
1704200458
表8–1 针对新功能对用户开展问卷调查表
1704200459
1704200460
1704200461
1704200462
1704200463
注：参与五次问卷调查的用户将获赠包含所有新增功能的安卓版uTORRENT。
1704200464
1704200465
利用数据和算法为用户定制产品和功能
1704200466
1704200467
在第七章我们讨论过，个性化策略可以帮助你建立更加牢固的客户关系，从而留住客户。个性化同时还是一个很好的变现策略，比如在用户正在浏览的网站或者App上显示为他们量身定制的产品推荐或者通过邮件和移动推送向用户发送个性化推荐都是特别有效的做法。亚马逊在这方面又是领跑者。它的团队开发出了最强大的推荐引擎，可以在用户浏览网站时为他们提供个性化的产品推荐。这个算法程序可以根据用户的搜索历史和购买习惯以及其他相似用户的习惯等数据来选择向用户推荐的商品。实际上，所有的亚马逊用户看到的都是根据他们的喜好为他们量身定制的亚马逊，这让他们获得一种独一无二的用户体验。
1704200468
1704200469
一些推荐引擎极其复杂，比如说亚马逊、谷歌和网飞使用的推荐引擎就是这样。但也有许多推荐引擎是基于相对简单的数学知识。Looker这家商业智能软件公司的首席分析师科林·齐马指出，使用一个基于杰卡德系数（Jaccard index）或者杰卡德相似系数（Jaccard similarity coefficient）的简单公式就能就算出两个产品之间的相似度，从而帮助你向用户推荐他们可能购买的额外商品，因为公式的计算结果显示出人们通常同时购买这两样商品。
1704200470
1704200471
1704200472
1704200473
1704200474
杰卡德系数公式
1704200475
1704200476
这个公式看起来复杂，但其实很简单。它说的是两个商品之间的相似度等于A和B交集的元素个数除以A和B并集的元素个数。我们以食品商店App为例快速看看这是怎样计算的。假设这个App团队想要验证他们的一个假设：在App上向用户推荐常常一起购买的商品将提高每次购物的平均订单金额。为了使推荐更有效，他们需要计算人们在购买某种商品（比如花生酱）时同时购买所推荐的商品（比如果冻）的可能性比购买其他商品组合的可能要大。团队需要推荐用户最有可能一起购买的商品组合来提高用户接受推荐并且将推荐商品加入购物车的可能性。
1704200477
1704200478
杰卡德系数中交集的元素个数是同时购买花生酱和果冻的人数，并集的元素个数是单独买花生酱或者单独购买果冻的人数之和。例如，你发现有30人同时购买花生酱和果冻，而100人单独购买花生酱或者单独购买果冻，那么你所得到的杰卡德相似性分数就是0.3，这个数值代表的相似度已经很高了。相反，花生酱和洗衣粉的相似指数肯定要低得多。
1704200479