数据模型如何量化评估（全定量增长模型如何搭建）

数据模型如何量化评估（全定量增长模型如何搭建）假设某APP的北极星指标为月活跃用户数，计算北极星目标使用的数据为月新增用户数、月留存率两个指标。我们来看一下具体的计算过程：我们通过一定的案例来了解全定量增长模型：最精细的增长模型是：全定量增长模型，他分解出了影响增长的因素以及对应的细分指标，并把所有的指标组合在Excel中计算北极星指标。我们不仅可以用全定量增长模型观测历史数据，预测未来北极星指标数值，而且可以进行假设分析，量化不同指标变化对北极星指标的影响，但是他的缺点是组装和维持起来比较费力，需要耗费相当长的时间，它适合有一定数据基础，需要精细化运营的团队。在运营过程中，如果我们能一次性投入一定的精力，规划出一个稳定的全定量增长模型图表，对于运营的长期监控和使用存在一定的价值。

在运营数据分析时最常用的分析方法主要有四种——AARRR模型、全链漏斗型、因子分解型和全定量增长模型。因其特性不同，应用领域也各不相同，在本文中，作者简单介绍了前三个模型，并将重点聚焦在了全定量增长模型，欢迎大家讨论。

了解完北极星指标体系构建方法，大家有没有对自己的工作有一个思维上的认知呢？接下来我们进行一下北极星指标体系的实战操作。

AARRR模型是最容易搭建的模型，他可以快速显示出影响北极星指标的所有因素，但是问题在于他的指标比较粗，没有定量的描述每个因素对北极星指标的影响，也没有指出每个因素之间的相互关系。这一模型往往是在指标模型1.0时使用。

全链漏斗模型和因子分解模型不仅可以找到北极星指标的影响因子，也可以确定指标的数值，并用简化的公式进行表达，可以帮助大家找寻机会点和进行简单的计算；但是他搭建过程较为复杂，需要的数据较多，而且不能预测未来趋势和进行假设分析，在指标模型中可以作为2.0版使用。

最精细的增长模型是：全定量增长模型，他分解出了影响增长的因素以及对应的细分指标，并把所有的指标组合在Excel中计算北极星指标。

我们不仅可以用全定量增长模型观测历史数据，预测未来北极星指标数值，而且可以进行假设分析，量化不同指标变化对北极星指标的影响，但是他的缺点是组装和维持起来比较费力，需要耗费相当长的时间，它适合有一定数据基础，需要精细化运营的团队。

在运营过程中，如果我们能一次性投入一定的精力，规划出一个稳定的全定量增长模型图表，对于运营的长期监控和使用存在一定的价值。

我们通过一定的案例来了解全定量增长模型：

假设某APP的北极星指标为月活跃用户数，计算北极星目标使用的数据为月新增用户数、月留存率两个指标。我们来看一下具体的计算过程：

01 模型的输入数据

1. 用户新增数量明细表

主要变量为：不同渠道获客数、K因子、激活率三个指标；

时间维度为：基于历史情况对未来进行估计；

K因子即为每个老用户能带来多少新客户，是用户推荐渠道的相关参数。

我们单独对用户推荐数、月初活跃用户数进行一下讲解：

用户推荐数=月初活跃用户数*K因子；

而下个月的月初活跃用户数即为：上个月的月初活跃用户数 用户推荐数；

2. 留存率

基于历史平均数，计算出每个月的留存情况，作为第二个数据输入表。

02 月活的输出工作表

基于上面的两个表，我们计算出了如下的一个表，可以顺利的计算出每个月的新增、活跃数据，并能够进行未来月份新增、活跃的预测。

看到上面的模型，你对模型有没有一些初步的概念，全定量模型主要是通过对多个因子的计算，整合形成我们的最终表，然后构建最终的北极星指标完整表。

从上面的流程可以知道，数据的整个过程是从细到粗构建北极星指标体系，效果非常明显，但是耗时也是非常长的。

03 利用定量增长模型进行假设分析（what-if Analysis）

假设分析是定量增长模型的一个常规用法，我们通过一个案例来分析具体的用法：

问题：现在是9月份，到年底前，如果想最大程度提升月活，应该做哪些增长实验？

• 实验1：10月份，广告获客，预算提升50%，从10000元提升到15000元；
• 实验2：10月份，将新用户激活率提升5%，即从90%提升到95%；

我们把上面两个方案分别放到全定量增长模型中，分析两个方案的好坏，如下图，我们把10月份的预算费用修改成15000元，对应模型中的数据就会发生变化：

同时我们发现12月份的活跃数量变化为：

图中可以看出12月份的用户活跃量变成了25227，较之前有所提升。

记录结果之后我们进行实验2的分析，同样的步骤我们修改了新增表中的激活率，得到如下数据：

我们发现，修改激活率之后，我们的月新增活跃数量也发生了变化，而对应的12月份月活跃用户数则变化为25558。

我们对两个数据进行比较分析：

发现两者的MAU提升相差不大，但是实验2的成本相对较高，所以我们采用实验2进行方案优化。

通过上面的分析有没有对全定量模型有一个深入的认知呢？

笔者认为，这样的模型是一个经典的技术、业务融合的模型，这样的分析可以在SQL、python的基础上实现固化，同时也可以在Excel的基础上进行开发，模型中所用的指标也不一定是新增、留存，各个业务线可以根据自己的需求，调整其中的自变量，输出需要的值。

04 迷你增长模型构建

整体的增长模型构建完成后，我们需要根据整体的增长模型梳理我们自己的迷你增长模型，梳理自身的资源、自身负责业务线的流程、寻找迷你增长影响因子，并基于这些迷你因子确定可行方案，排出优先级等～

我们还是用一个案例，简单进行分析，假设我们已经制定好了北极星指标，我们该如何分配我们的资源呢？

某APP的北极星指标是：总销售额。

在落实到各个部门，甚至各个团队的时候，我们可以根据这个北极星目标拆分成一个个的小目标，然后基于小目标构建自己的迷你指标体系：

迷你指标体系构建完成后，我们需要做的就是梳理现有的资源，进行策略构建。

如图，我们针对每个指标梳理了可行方案，并确定了对应的资源和优先级。

基于上面的分析，我们可以很清晰的了解自上而下指标体系的应用，但是如果我们接到的任务是一个已经完整细分之后的指标呢？我们该如何做出符合老板预期的方案呢？

通常的策略是我们需要要从细分指标向上推导出北极星指标，然后向北极星指标的方向构建我们的方案策略：

如上图，我们的任务是发一条召回推送，正常的思维应该是通过团队目标，确定出公司的北极星目标是提升DAU，那么，个人发送召回推送时选择的目标值即为召回客户并完成观看的数量，而不仅仅是发送一个召回推送这么简单。

上面是北极星指标和细分指标划分的清楚的公司，我们应该怎么细分任务并进行资源分配，但是，如果我们所处的公司并没有一个完整的指标体系，或者你的老板没有明确出一些指标逻辑的时候，我们需要想办法揣测老板具体想要什么？

那么，我们要做的可能就是需要从公司目标/部门目标的角度来细分指标，比如：增加收入、降低成本，每个公司都是要强调收入和成本的，如果没有明确的方向，可以试着向这些一定准确的目标设计细分任务，初步设计出这样的方案后，再去和你的老板讨论方案，就能够试探出老板的方向目标，进而优化你的工作方向，回到第三部分，设计细分目标，进行资源细分等。

作者：livandata；个人公众号：livandata，欢迎大家关注沟通~

本文由 @livandata 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。