用户增长（User Growth，简称UG），其概念和“增长黑客”一样传自于美国，从趋势上看，最终也会成为各大互联网公司的标配。实际如何，自然还是看岗位的变化。当前来说，专职做UG的人比较少，很多招聘用户增长的岗位，描述的也不尽合适。自然，对于UG概念的理解，并没有标准一说，医微达下文所述的也仅仅是在实际项目中总结的一些经验，后续也会结合当前在看的几本增长方面的书，分享一些相关观点。

首先先说一下裂变增长，医微达认为在某种程度上，其本质就是增长黑客所倡导用户增长。但在当下微信严控传播跳转情况下，如果你还像微商一样去刷朋友圈，不仅会让其他用户产生厌恶心理，最终也不会带来多少真正的用户流量。

正向、积极的增长应该是让用户“自愿”的分享，达到“自愿”分享，必须要满足“K（驱动力系数）大于1，也即是服务价值大于付出行为。而且实际上，医微达认为用户增长不单单就是从字面上理解的就是增长用户，虽然这的确是最重要的核心价值。

说了这么多，那么到底该如何做用户增长？接下来结合一个实际项目进行一定的阐述。

1. 确定活动目标，或者说是业务目标

确定目标不仅仅是运营活动需要做的，其他项目或功能模块也是需要考虑的。但是医微达认为这个目标不是简简单单的说需要达到DAU多少，或者GMV多少。都是需要和季度规划或者年度规划（中大型），小项目中，当然考虑一个活动周期就差不多了。这个目标指定牵扯到公司具体业务，暂不做扩展。

2. 确定目标用户

是什么样的人在用你的产品，这些人有哪些特点，有哪些诉求？

当前手机应用的车主用户以男性为主，且以“31~45”年龄段占比最大。医微达认为此类用户从职业、家庭、社会等方面来说都已经比较成熟和沉稳，不会轻易对一些应用产生依赖，更关注的是应用有无解决其关心的问题。

进而提炼出用户群体比较在意的三个关键点：

医微达由用户群体的关键点，进而决定了我们活动交互方式，不会过多运用时下年轻人可以接受的一些前卫交互方式，只是会在不影响用户操作和体验的基础上，增加一部分微交互的惊喜点。

利益相关者地图分析（Stakeholder Maps）：

从上图医微达可知，我们所关注的用户主要在于本应用的忠实用户和手机应用的车主忠实用户。目前行业通用的用户生命周期模型把用户分为五个阶段，即“新手阶段”、“成长阶段”、“沉默阶段”、“流失阶段”和“忠诚用户”。

用户分布金字塔。

毫无疑问，多数运营活动的目的普遍集中在新手阶段，只要新手阶段的衡量指标数据是可观的，该活动一般就认为是成功的。但是，往往最终于ROI或者GMV相关的，一般集中于成长阶段和忠诚用户。这也在一定程度上反映了，当用户增长到一定程度之后，运营用户就会成为企业盈利的关键要素。

3. 梳理团队设计流程，确认团队角色和工作定位

（1）一般团队存在的流程

该流程不能说一定存在问题，只能说，很多时候是会有问题的，医微达发现各个岗位虽然各司其职了，可是，上中下游之间合作不密切，就会很容易出现理解偏差，从而出现各种delay的事情。

（2）可能比较合理的流程

下方流程也不一定适合其他团队，医微达建议不要生搬硬套。合适团队协作的，才是最好的。

4. 走查活动关键节点，确认影响元素

（1）从frog行为模型中获取用户参与的关键节点

任何一个活动，都无法避免分析用户参与的行为，而影响用户参与活动的因素，又受到两方面原因影响：参与的动机和参与的困难度。

当活动激励或奖励产生巨大动机时，且参与路径简单，用户参与的行为会大幅增加；相反，则会降低。而影响动机的因素，无非，活动激励（活动驱动）、产品或平台驱动（平台所提供的服务已影响用户生活）、品牌驱动（对于某个品牌已经有比较深的信任），而影响参与能力的因素，主要在于活动交互操作上。

（2）从驱动用户公式中寻求关键节点

k =（服务基本价格 + 包装溢价）/ （用户价格付出 + 用户行为付出）

1. k是驱动力系数；
2. k ≥ 1 驱动公式可让用户执行；
3. 同类竞品，k值越高的运营方，转化用户的能力越强。

在公式中「服务基本价格」和「用户价格付出」基本上是可以等值为货币值得量化数据，而「包装溢价」和「用户行为付出」是用户纯主观判断的变量，运营方可以通过操控这两个值来改变k值得大小，更强的驱动用户，或者在同类产品中更具竞争力。

结合上两方面总结，医微达得到本次活动需要细化和统一的关键节点：

5. 用户裂变模型

用户裂变模型其最终决定因素在于投放的渠道与推广方式，当然，并不是说选择一种，其他就不会发生了，之所以列出，是为了后续做数据统计与分析，并最终获取本次活动效果数据。

6. 活动总结分析

在《增长黑客》中，提出了AARRR的用户增长模型，将增长分为5个阶段：获取、互动、留存、变现、传播。通过递进式的引导，实现持续的增长闭环。医微达认为在活动结束之后，可以将用户分布金字塔与AARRR用户增长模型一起进行比较分析，从而得出在用户增长每个阶段真实的活动指标效果。