什么是病毒式产品？这篇文章告诉你

最近，“裂变”游戏可以说是互联网产品行业的热门炸鸡。几天前，随着网易云音乐的“你的荣格心理原型”再次出现，许多产品正在或希望通过裂变实现用户增长。但如何分析和预测病毒式增长对用户数量的影响呢？我们需要建立一个增长模型，让我们用5000字一步一步地建立增长模型。本文翻译了Rahulvohra的系列文章《HowtoModelViralGrowth》，这一系列是我见过的最彻底的病毒式增长模型分析，所以我推荐给你，希望能激励你。一、什么是病毒产品？我们需要通过各种渠道获得新用户才能生产出产品。但也许，最迷人的渠道是现有用户本身。病毒产品的大部分增长来自于现有用户吸引新用户，用户可以通过简单的推荐(“看看这个产品，它很酷/有用/有趣！)，或者直接使用产品(“我想在PayPal上汇款给你！)吸引另一个用户。YouTube是病毒传播最著名的例子之一。您很可能会在新闻网站或个人博客上找到嵌入的YouTube视频，直到它获得了巨大的流量。看完视频后，您将被邀请通过电子邮件将视频发送给您的朋友，您还将获得将视频嵌入您网站的代码。如果你不想分享，YouTube会推荐你可能喜欢的其他视频。在很大程度上，你会观看并与你的朋友分享其中一个。然后，你的朋友会看视频，和他们的朋友分享。YouTube通过这个“病毒循环”快速获取用户。那么我们应该如何预测病毒产品的性能呢？例如：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？要回答这些问题，我们需要建立一个病毒模型。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？常见的情况是：有些用户喜欢我们的产品，有些用户不喜欢；有些用户会邀请很多朋友，有些用户不会邀请；有些用户可能会在一天后邀请朋友，而另一些用户可能需要一周的时间。。。我们排除了所有这些不确定性。假设平均而言，五分之一的用户将在第一个月成功带来新用户，我们的病毒系数为1/5=0.2。在第一个月，我们最初的5000个用户将吸引5000*0.2=1000个新用户，这1000个新用户将在第二个月再吸引1000*0.2=200个新用户，然后在第三个月再吸引200*0.2=40个新用户，依此类推。根据上述计算，在我们拥有6250名用户之前，我们的用户将继续增长。如果我们的病毒系数为0.4，图2-1会发生什么？图2-2也是如此，我们以不断下降的速度获取用户。但这一次，我们的增长将持续到大约8300名用户。如果我们的病毒系数是1.2，会发生什么？图2-3这一次，我们以不断增长的速度获得用户。事实上，通过一些简单的数学，我们可以得出以下结论：假设初始用户数为x，病毒系数v小于1，我们将以递减的速度获得用户，直到我们拥有x/（1）-v）名用户。假设病毒系数大于1，我们将以显著增长的速度获取用户。看到这里，你可能会说，这并不简单，我们只需要让病毒系数大于1。然而，它并不是那么快。首先，我们的模型有很多问题，例如，随着我们获得越来越多的用户，我们最终将面临没有新用户可以获得的问题。其次，真正的病毒式增长是非常罕见的，很少有产品能在一段时间内使病毒系数超过1。通过与其他企业家、投资者和增长黑客的讨论，我发现0.15至0.25的可持续病毒系数良好，0.4优秀，约0.7优秀。然而，我们刚刚证明，当我们的病毒系数小于1时，我们将以不断下降的速度获得用户，直到它不再增长。这不是我们想要的结果，那么缺少什么呢？我们忽略了其他可以获取用户的渠道：新闻、应用商店、直接流量、客户收集营销、付费广告、搜索引擎优化、明星代言、街头广告等。下面，我们将考虑模型中的这些因素。三、混合模型混合模型包括非病毒传播渠道。一些非病毒传播渠道，比如新闻，会让我们的用户数量飙升。但其他渠道，如应用商店，对用户增长的贡献将相对持续和稳定。我们的模型需要尽可能简单地包含不同的类型。因此，我们将考虑以下三个非病毒传播渠道：新闻：优秀的新闻发布会可能会吸引7万新用户。Appstore搜索流量：应用商店每月可下载4万次。但并非所有下载用户都会运行和注册我们的应用程序，并且有良好的第一次用户体验。让我们假设60％下载用户有很好的第一次体验。直接流量:由于我们的老用户会传播口碑，潜在用户会直接找到我们的产品，每月可能会下载1万次。让我们再假设60％所有的下载者都有很棒的体验。最后，我们假设应用商店的搜索流量和直接流量将保持不变。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传播，用户的增长将如何。今年年底，图3-1将有约4.5万用户，现在让我们加入病毒传播。图3-2病毒系数为0.2，年底我们将有约5.5万用户。当病毒系数为0.4时，我们将在年底拥有约70万用户。假如我们的产品非常优秀，病毒系数为0.7，那么我们将在年底拥有约120万用户。上图显示了我认为的病毒式增长:不是病毒系数v，而是放大系数a=1/(1)-v）。为了计算用户总数，我们需要做的是通过非病毒传播渠道获得用户数量＊放大系数。图3-3显示了病毒系数的惊人潜力，即使小于1：随着病毒系数的增加，放大系数呈双曲增长。也就是说，只要有良好的病毒系数，我们就能不断加速非病毒传播渠道的排水效果。在模型中增加非病毒传播渠道对模型存在的问题非常有用，但我们的模型仍然存在重大问题。例如，我们假设获得的用户将永远保留下来。但现实是残酷的:用户会随时停止、删除或忘记产品。因此，我们需要进一步优化模型。4、混合模型（包括用户损失）假设我们的病毒系数为0.2，我们有以下非病毒传播渠道：发布新闻，吸引7万初始用户应用商店搜索流量，每月吸引2.4万新用户直接流量，每月带来1万新用户。让我们假设每月有15个新用户％用户流失，数据如下:图4-1在我们发布的新闻提供初始用户高峰后，我们的增长似乎放缓了。事实上，即使我们的非病毒传播渠道不断带来新用户，我们的病毒传播渠道也不断发挥放大效应。从图中可以看出，我们的增长可能会完全停止。事实上，即使我们的非病毒传播渠道不断带来新用户，我们的病毒传播渠道也不断发挥放大效应。从图中可以看出，我们的增长可能会完全停止。到底发生了什么？为了使效果更明显，我们将病毒系数设置为0，月流失率设置为40％。图4-2表4-2在我们发布新闻后，我们的用户增长速度迅速稳定在每月3.4万用户。然而，在损失列中，由于我们每月损失一定比例的用户，我们的损失数量也会随着用户池的扩大和缩小而扩大和缩小。事实上，我们的用户池将倾向于一个固定的规模，因为最终的用户流失将等于用户增长。承载能力用户的增长和流失率直接决定了最终用户的数量，在这种模型中称为承载能力。承载能力的定义是：当失去用户的速度等于获得用户的速度时，公式如下U•l=gu是承载能力；l是每月的用户流失率(或一个月内失去任何特定用户的概率)；g是每月非病毒式增长率。因此，承载能力的计算公式如下：U=g/l，其中l≠为了使最终用户数量翻倍，我们有两种选择：将非病毒式增长率翻倍（例如，在非病毒式传播渠道中投入更多资金）。将损失率降低一半（例如，通过改善第一次用户体验，或将营销渠道集中在更准确的用户群中）。通常我们两者兼有。在我们刚才的例子中，g是每月34000用户，l是每月400用户。％。该公式预测，我们的最终用户数为34000/0.4=85000，如图4-2所示。接下来，我们应该如何修改具有病毒因素的承载能力公式来解释病毒传播？正如前面所说，当我们的病毒系数小于1时，我们可以将其解释为放大系数a=1/(1-v）。由于放大系数适用于我们的非病毒增长率g，我们可以直接将a放入公式中：U=a•g/l=g/（l•（1-v））其中l≠0且v<让我们回到第一个例子，我们的增长正在放缓。g是每月34000个用户，l是每月15个用户％，v是0.2。该公式预测我们的最终用户数为34000/(0.15)•(1-0.2)=283，000。这一结论与图4-1的发展方向正好一致。五、保留曲线假设我们的产品很棒——人们在生活中离不开它，开始使用后会保留几个月甚至几年。对于这样一个好的产品，我们以前的用户流失模型太苛刻了。随着用户继续使用我们的产品，我们将更好地留住它们，因为以下自我强化效应将发生：用户在我们的产品中留下的数据将更难转换为竞争对手（例如：Dropbox和Evernote）；用户在我们的产品上投入的时间越来越多，会养成使用习惯(例如:Uber）；基于以上两种情况，用户与我们的产品建立了情感联系。实际上，我们的用户会显示一条保留曲线，这反映了用户在给定时间点仍然使用我们产品的可能性。事实上，我们的用户将显示保留曲线，这反映了用户在给定时间点仍在使用我们产品的可能性。保留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。例如：浏览器插件，通过调查，我了解到浏览器插件的保留曲线很长：图5-1周后，可保留80个％的用户。一个月后，你可以留住65％的用户。两个月后，可以保留55个月％的用户。从长远来看，它将保留约40人％用户，而且每月的下降速度都很慢。在我们将保留曲线添加到模型中之前，让我们先考虑保留曲线对病毒传播的影响。到目前为止，我们假设我们的用户只会在第一个月邀请他们的朋友。但是，如果40％如果用户长期使用我们的产品并继续邀请他们的朋友，我们的用户数量将实现病毒式增长。换句话说，我们的用户也会展示病毒传播曲线，这反映了普通用户的病毒系数随着时间的推移而变化。为什么病毒系数会随着时间的推移而变化？除了很大程度上取决于产品外，还应考虑以下场景：一开始，用户会犹豫是否邀请朋友使用，因为他们仍在测试我们的产品；一旦用户爱上我们的产品，他们会很快邀请一群朋友使用；很快，用户会邀请他们可以邀请的朋友；偶尔，用户会邀请他们刚认识的新朋友。在这种情况下，用户的病毒系数会有短暂的初始延迟，然后迅速增加，然后迅速降低到稳定但较低的速度。我们可以建模这条曲线的每一部分，但我们可以关注主要趋势：病毒系数随时间变小，因为用户会邀请可以邀请的朋友。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。比如第一个月病毒系数可能是0.2，第二个月是0.1，第三个月是0.05，等等:图6-1如果将用户生命周期中的所有病毒系数加起来，就会得到终身病毒系数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，0.15到0.25的可持续终身病毒系数V是好的，0.4是优秀的，0.7是优秀的。我们的放大系数a现在是1/(1-v’）。到目前为止，我们已经升级了模型：结合非病毒传播渠道，保留曲线和病毒传播曲线。公式比以前更复杂，让我们把它们变得直观。除了用户增长图，我们还制作了以下图表来比较各种增长渠道及其对用户流失的影响。知道这些因素如何相互作用的最好方法是玩数字游戏，观察图表的变化。在观察增长渠道与损失之间的比较时，我们可以尝试以下方法：（1）增加保留曲线，将第一个月的保留设置为90％，第二个月的保留设置为80％，第六个月的保留设置为60个％。图7-2显示，病毒式增长不仅减少了损失，而且增加了损失。因为当用户停留时间增加时，他们会邀请更多的朋友。(2)提高病毒传播曲线，将第一个月的病毒系数设置为0.35，因此终身病毒系数约为0.7。图7-3对病毒式增长渠道影响很大，从每月约2万用户增加到每月约4万用户。但对用户总数影响不大，因为从长远来看，我们仍然会损失40英镑％的用户。(3)再加一个新闻发布，将第六个月的“发布新闻”设定为1万。图7-4我们可以清楚地看到图中的峰值，相应地，它会导致峰值的流失。不久之后，我们可以看到病毒式增长迅速飙升，然后缓慢下降，因为没有更多的新用户，也没有更多的朋友可以邀请我们的新用户。8、我们永远不应该满足任何模型的局限性，因为它们都有局限性。我们的模型可以改进以下几个方面：假设非病毒传播渠道保持不变，事实并非如此：