《裂变》游戏可谓是互联网产品界的当红炸子鸡。很多产品都是或者希望通过裂变来实现用户增长，那么如何分析和预测这种病毒式增长对用户数量的影响？我们应该学会建立一个病毒式增长模型。
作者：原子大(微信号微信官方账号：eason0124)
最近“裂变”游戏可谓是互联网产品界的一个热门炒鸡。随着前几天网易云音乐《你的荣格心理原型》屏幕再次被刷屏，很多产品都在或者希望通过裂变实现用户增长。
但是，如何分析和预测这种病毒式增长对用户数量的影响？我们需要建立一个增长模式。下面带你一步一步用5000字搭建成长模型。
本文翻译自Rahul Vohra的系列文章《How to Model Viral Growth》。这个系列是我见过的对病毒式增长模型分用户运营是什么析最透彻的裂变和聚变，所以推荐给你，希望能对你有所启发。
一、什么用户增长是病毒式产品？
做一引爆用户增长个产品，需要通过各种渠道获取新用户增长用户。但或许，最吸引人的渠道还是现有用户本身。
病毒式产品的裂变增长大部分来自于其现有用户吸引新用户。用户可以简单的推荐这个产品(“你看这个产品，很酷/有用户运营的主要工作内容用/有趣！”)，或者直接使用产品(“我要在P裂变电视剧ayPal上给你寄钱！”)来吸引另一个用户运营的主要工作内容用户。
病毒传播最著名的例子之一是YouTube。
在它获得巨大流量之前，你很可能会裂变在新闻网站或个人博客上找到嵌入的YouTube视频。当你看完视频后，你将被邀请通过电子邮件发送给你的朋友，你也将获得将视频嵌入你裂变海报的网站的代码。如果你不想分享，YouTub用户运营思维导图e会推荐其他你可能喜欢的视频。
在很大程度上，你会观看其中的一部，并与你的朋友分享。然后，你的朋友会看视频并分享给他们的朋友。通过这种“病毒循环”，YouTube迅速获得了用户。
那裂变和聚变么我们如何预测病毒产品的性能呢？
比如：获得一百万用户需要多长时间？我们的产品能达到1000万用户吗？
为了回答这些问裂变题，我们需要建立一个病毒模型。
二、最简可能性模型
假设我们有5000个初始用户，这些初始用户会带来多少新用户？
常裂变电视剧见的情况如用户运营的四个方面下：有的用户喜欢我们用户运营主要做什么的的产品，有的不喜欢；有的用户会邀请很多好友，有的不会；一些用户可能会在一天后邀请他们的朋友，而另一些用户可能需裂变反应要一周…
我们裂变排除所有这些不确定性，假设平均有五分之一的用户会在第一个月成功带来新用户，那么用户运营和产品运营的区别我们的病毒系数就是1/5=0.2。我们的前5000个用户会在第一个月吸引5000 * 0.2=1000个新用户。这1000个新用户会在第二个月再吸引1000 * 0.2=200个新裂变用户，然后第三个月再吸引200 * 0.2=40个新用户，以此类推。用户运营和产品运营的区别
按照上面的计算，如下图所示：我们的用户会一直增长，直到我们拥有625裂变是什么意思0个用户。
如果我们的病毒系数是0.4会怎么样？
同样，我们正在以下降的速度获取用户。但这一次，我们的增长将持续到大约8，300名用户。
如用户增长模型果我们的病毒系数是1.2会怎么样？
这一次，我们正在以越来越快的速度赢得裂变海报用户。
事实上，通过一些简裂变营销单的数学，我们可以得到以下结论：用户运营主要做什么的
假设初始裂变用户数为x，病毒系数v小于1，我们会以递减的速度获取用户，直到拥有拥有x/(1-v)个用户。
假设病毒系数大于1，我们会以显著的增长率获取用户。
看到这里，你可能会说，这不简单，我们只需要用户增长让病毒系数大于1就可以了。但是，事实上，并没有这么快.
首先，我们的模式存在很多问题。比如，随着我们获取越来引爆用户增长越多的用户，我们最终将面临没有新用户可获取的局面。
其次，真正的病毒增长是非常罕见的，很少有产品能在一段时间内让病毒系数超过1。
通过和其他创业者、投资人、成长黑客的讨论，我发现了这个结论：对于互联用户运营策略有哪些网产品，0.15到0.25是可以持续的。
续病毒系数是不错的，0.4是优秀的，大约0.7是卓裂变战争越的。然而，我们刚刚裂变反应已经证明了，当我们的病毒系数小于1时，我们会以不断下降的速度获取用户，直到不再增长。这并不是我们想要的结果，所以这其中缺少了什裂变么呢？
我们用户运营是什么忽略了可以获取用户的其他渠道：新闻、应用商店用户运营策略有哪些、直接流量、集客营销、付费广告、搜索引擎优化、明星代言、街头广告等等。
下面，我们就把这些因素考虑到模型中来。
三、混合模型
混合模型包括了非病毒式传播渠道。
一些非病毒式传播渠道，比如：新闻，将使我们的用户数一下飙升。但另一些渠道，比如：应用商店，对用户增长的贡献会相对持续且平稳。
我们的模型需要尽可能裂变战争的包含不同类型并尽可能的简单，因此，我们将考虑以下3种非病毒式传播渠道：
- 新用户运营的四个方面闻：优秀的新闻发布会很可能会吸引70,000名新用户。
- App store搜索流量：应用商店每月可提供40,000次下载。但并非所有下载用户都会运行、注册我们的App并有不错的首次用户体验。让我们假设60％的下载用户有很好的首次体验。
- 直接流量：由于我们的老用户会进行口碑传播，潜在用户运营是什么用户会直接找到我们的产品，这可能每月带来10,000次下载。让我们再次假设60％的下载者都有很棒的体验。
最后，我们用户运营主要做什么的假设应用商店搜索流量和直接流量都会保持不变。
让我们将病毒系数设置为0，看看如果我们的产品根本没有病毒式传播，用户增长会如何。
在今年年底，我们会有约450,000名用户，现在让我们加入病毒式传播。
在不错的情况下，病毒系数为0.2，在年底我们会有约550,000个用户。在病毒系数为0.4的情况下裂变，年底我们会有约70万用户。如果我们的产品非常卓越，病毒系数为0.7，那么在年底我们会有约120万用户。
放大系裂变营销数
上图说明了我所认为的病毒式增长：不在于病毒系数v，而是裂变营销放大系数 a = 1 /（1-v）。想要计算用户总数，我们要做的就裂变的定义是用非病毒式传播渠道获得的用户数＊放大系数。
该图显示了病毒系数的惊人潜力，即使它小于1：随着病毒系数的增加，放大系数呈双曲增长。也就是说，只要具备一个很好的病毒系数用户运营具体工作，我们可以不断加速放大非病毒式传播渠道的引流效果。
模裂变电视剧型存在的问题
在模型中增加非病毒式传播渠道很有用，但我们的模型仍然存在重大裂变战争问题。比如：我们假设获取的用户会永远留存下来。
但现实是残酷的：用户会随时停用、删除或遗忘某产品。因此，我们需要进一步优化模型。
四、混合模型（包括用户流失）
假设我们的病毒系数是0.2，并且我们有以下非病毒式传用户运营是什么播通道用户增长运营是做什么的：
发布新闻，吸引了70,000名初始用户
应用商店搜索流量，每月吸引24,000个新用户
直接流量，每月带来10,000个新用户
在模型中，让我们假设每月有15％的用户流失，数据如下：
在我们发布用户运营是什么的新闻提供初始用户高峰之后，我们的增长似乎放缓了。事实上，即使我们的非病毒式传播渠裂变道不断带来新用户，我们的病毒式传播渠道不断发挥他们的放大效应，从图中看，我用户运营的四个方面们的增长也可能会完全停止。
究竟发生了什么？
为了使效果更明显，让我们将病毒系裂变方程式数设置为0，将月流失率设置为40％。
在我们发布新闻后，我们的用户增长速度迅速稳定在每月34,000名用户。但是，在流失那一列，由于我们每月损失一定比例的用户，随着用户池的扩大和缩小，我们的流失数也会扩大和缩小。 事实上，我们的用户池将倾裂变和聚变的区别向于一个固定的规模，因为最终用户流失将等于用户增长。
承裂变是什么意思载能力
用户的增长和流失率直接决定了最终用户数量，在裂变此模型中称之为承载能力。承载能力的定义是：当流失用户的速度等于获取用户速度时的用户数量，公式如下
U•l = g
U是承载能力；l是每月的用户流失率（或者在一个裂变反应月内失去任何特定用户的概率）；g是每月的非病毒式增长率。
因此，可知承载能力的计算公式为：
U = g/l，其中l≠0
为了使最终用户数量增加一倍，我们有用户增长模型两种选择：
将非病毒式增长率提高一倍（比如：在非病毒式传播渠道中投入更多资金）。
将流失率降低一半（比如：通过改善首次用户体验，或者将营销渠道集中在更精准的用户群）。
往往我们会两者兼具。
在裂变方程式我们刚刚的例子中，g是每月34,用户增长模型000用户，l是每月40％。该公式预测出我们的最终用户数U为34,000/0.4 = 85,000，正如图4-2所示。
具有病毒因素的承载能力
接下来，我们该如何修改承载能力公式以解释病毒式传用户运营主要做什么的播？
前文说过，当我们的病毒系数裂变电视剧小于1时，我们可以把它解释为放大系数 a = 1 /（1-v）。由于放大系数适用于我们的非病毒式增长率g ，我们可以直接把a放进公式里：
U = a•g / l = g /（l•裂变的定义（1-v）） 其中l≠0且裂变战争v <1
让我们回到第一个例子，我们的增速正在放缓。在这里，g是每月34,000个用户，l是每月15％，v是0.2。该公式预测我们的最终用户用户增长数U 为34,000 /（0.15•（1-0.2））= 283,000。用户增长模型这个结论正好和图4-1的发展方向吻合。
五、留存曲线
假设我们的产品非常棒——人们在生活中离不开它，会在开始使用后的数月甚至数年都保留。对于这样一个好的产品，我们的之前的用户流失模型就太苛刻了，随着用户持续使用我们的产品，我们会更好地留住他们，因为会发生以下几种自我强化效应：
用户在我们的产品中留下的数据增多，转换到竞争对手会更加困难（例如：Dropbox和Evernote）；
用户在我们的产品上投入的时间增多，会养成使用户运营用习惯（例如：Uber）；
基于上述两种情况，用户与裂变海报我们的产品建立了情感联系。
现实中，我们的用户会展现出留存曲线，留用户运营策略有哪些存曲线体引爆用户增长现了用户运营和产品运营的区别用户在给定时间点仍在使用我们产品的可能性。
留存曲线取决于产品的类型和质量，以及我们对营销渠道的定位。比如：浏览器插件裂变海报，通过调查，我了解到不错的浏览器插件的留存曲线长这样：
一周后，可以留住80％的用户。一个月后，可以留住65％的用户。两个月后，可以留住55％的用户。长期看裂变反应，会留住约40％的用户，并且每月的下降速度非常缓慢。
六、病毒式传播曲线
在我们把留存曲线加入模型之前，让我们先考虑用户运营的四个方面留存曲引爆用户增长线对病毒式传播的影响。
到目前为止，我们假设我们的用户只会在第一个月邀请身边的好友。但是，如果40％的用户会长期使用我们的产品，并且持续邀请身边的好友，那么我们的用户数将实现病毒式增长。
换句话说，我们的用户运营是什么用户也将用户运营的主要工作内容展示出病毒式传播曲线，病毒式传播曲线体现了普通用户的病毒系数随时用户运营主要做什么的间如何变化。
为什么用户的病毒系数会随着时间用户增长而改变？
除了很大程度上取决于产品，也要考虑以下场景：
- 起初，用户会犹豫是否邀请好友使用，因为他们仍在测试我们的产品；
- 一旦用户爱上我们的产品，他们会快速邀请一群好友来使用；
- 很快，用户会邀请完身边可以邀请的好友；
- 偶用户运营思维导图而，用户会邀请他们刚认识的新朋友。
在这个场景下，用户的病毒系数会有短暂的初用户运营和产品运营的区别始延迟，然后会快速增加，接着用户增长模型快速减少到稳定但较低的速度。
我们可以对这个曲线的每部分都进行建模，但可以聚焦到最主要的趋势：病毒系数随时间而用户运营的主要工作内容变小，因为用户会邀请完可以邀请的好友。
让我们用几何衰变来建模：每个月，病毒系数是上个月的一半。 例如：病毒系数在第一个月可能是 0.2，第二个月是 0.1，第三个月是 0.05，依此类推：
如果裂变和聚变的区别我们把用户生命周期中所有的病毒系数相加，就会得到终生病毒系数裂变v’，为 0.2 + 0.1 + 0.05 + … = 0.4。
我们之前的直觉继续适用：
- 对于互联网产品，可持续的终生病毒系数v’在0.15至0.25是不裂变电视剧错的，0.4是优秀的，0.7是卓越的。
- 我们的放大系数 a 现在为1 /（1-v’）。
七、组合模型
截止到目前，我们升级了模型：结合了非病毒式传播渠道，保留曲线和病毒式传播曲线。公式比以前更复杂，下面我们就把它们变得直观些。
除了用户增长图，我们还做了下面的图表，用于比较各个增长渠道用户运营的四个方面，以及其对用户流裂变方程式失的影响。
想知道这些因素如何相互作用的最好方法是做数字游戏并观察图表的变化。用户运营的主要工作内容在观察增长渠道与流裂变营销失的对比时，我们可以尝试以下方法：
（用户运营主要做什么的1）提高留存曲线
将第1裂变的定义个月留存设用户运营置为90％，第2个月留存设裂变和聚变的区别置为80％，第6个裂变方程式月留存设置为60％。
我们看到不仅流失减少了，病毒式增长也增加了。因为当用户停留时长增加时，他们会邀请更多的好友。
（2）提高病毒式传裂变方程式播曲线
将第1个月的病毒系数设为0.35，因此终生病毒系数会为裂变反应约0.7。
这对病毒式增长渠道产生了巨大影响，该渠道从每月约20,000名用户增加到每月约40,000名用户。但对用户总数影响不大，因用户运营主要做什么的为从长远看，我们仍会流失40％的用户。
（3）再加入一个新闻发布
将第6个月的“发布新闻”设置为100,000。
我们可以清楚的看到图里的峰值，裂变的定义相应用户运营地，它导致了流裂变海报失峰值。不久之后，可以看到病毒式增长迅速飙升然后缓慢下降，因为没有更多新用户了，并且我们的新用户也没用户运营是什么有更多好友可以邀请。
八、用户运营和产品运营的区别局限性
我们永远不要满足任何模型，因为它们都有局限性，我们的模型可以改进的以裂变和聚变下方面：
- 我们假设非病毒式传播渠道保持不变，事实并非如此：平台增长，新竞争对手和口碑传播都会带来很大影响。
- 我们考虑了数量有限的渠道，事实上，我们会有更多非病毒式传播渠道和病毒式裂变是什么意思传播渠道。
- 我们假设6个月后停止流失用户。不幸的是，不管是自然流失还是用户转向竞争对手，我们一直会流失用户。幸运裂变的是，当我们获得了数据后很容易建模：要做的就是将留存曲线延长到6个月之后。
- 我们保守地假设用户用户增长模型在6个月后停止病毒式增长。同样，当我们获得数据时，很容易建模：用户运营的主要工作内容所需要的只是延长我们的病毒式传播曲线。
- 我们假设留存曲线和病毒式传播用户增长模型曲线不会随时间而改变。事实并非如此：随着我们不断测试和迭代产用户运营主要做什么的品，我们的留存曲线和病毒式传播曲线也会得到改善。
最引爆用户增长后，我们再回顾一下文中的模型是如何一步步优化的：开始为最简可能性模型，后来引入了非病毒式传播渠道用户运营思维导图，迭代为混合模型，接着进一步引入了用户流失，升级为混合模型，最后引入留存曲线和病裂变和聚变的区别毒式传播曲用户增长线，成为组合模型。
当然，正如文章最后所说，每个裂变的定义模型都有其局裂变营销限性，我希望本文可以为你捋清建模思路，从而对你的用户增长有所帮助和启发。
