如何把新用户变成老用户？

当在线教育进入下半场，以留存为核心的精细化运营，是各家教育机构和教育运营人提高竞争力的关键，希望对你有所启发。

谈到产品增长，很多人都关注流量，但其实更应该关注留存率，即留存用户占当时新增用户的比例，因为产品只有较高的留存率，才有可能获得长期稳定的增长，尤其是用户规模的增长。

《硅谷增长黑客实战笔记》的作者曲卉曾在书中举过这样一个例子：假设a公司和b公司从零起步，a公司月留存率80%，月新增500万用户；b公司月留存率95%，月新增250万用户。6个月后，a公司依旧领先b公司，而3年之后，b公司将反超a公司。

这就是留存的复利效应，它将保证发展处于相对劣势的一方拥有反超的机会，以时间换空间，而能实现这一战略目的的前提，就是拥有较高的留存率。如果把a公司和b公司换成任意一家其他企业，依然同理。

所以，留存率是产品增长需要关注的核心指标之一，那如何才能保证留存率？只需把握一点——把新用户变成老用户。

老用户不一定是付费用户，而是长期活跃的具有黏性的用户，具体表现为对产品有较高的使用频率和较长的使用时间。所以，把新用户变为老用户要从提高他们的使用频率和延长他们的使用时间入手。

想要新用户愿意高频且长期使用你的产品，就要让他们体验到产品的核心价值及“啊哈时刻”，这是新用户转变为老用户的关键动力。此外，还有其他几个驱动方式，笔者总结了如下三种。

个性化推荐

所谓个性化推荐是根据每个用户的需求或兴趣持续提供他们喜欢的内容和产品，操作前提是用户画像足够清晰，用户需求足够明确。

当我们想要深入了解一个用户时，可采用的方式主要有两种，一种是一对一与用户进行深度交流，另一种是基于用户行为的大数据进行算法分析。前一种方式多用于高客单价消费阶层的C端用户和B端用户的长期维护，因为彼此有较强的信任关系，且对用户需求的掌握相对精准，所以在推荐新产品时，会有很大的成交概率。后一种方式则是内容型App和交易型App的主要留存手段，如今日头条和抖音的内容算法推荐、淘宝和京东的购物车商品算法推荐等，都是通过精准的内容和产品推送，吸引客户持续阅读和下单。

接下来，笔者以内容类App为例，从用户入手，简单分析通过个性化推荐提升留存率的过程。

➢ 选择内容标签

一般在促活阶段，系统会引导用户选择感兴趣的内容标签，这是个性化推荐的前提，也是数据记录的起点。例如，假如笔者注册一个内容类App的账号，选择了历史、搞笑、科技三个标签，进入正式界面就会看到依据这三个标签推荐的几条内容，这些内容多数是优质的。在这种情况下，标题吸睛、含有关键词、配图诱人等都是吸引笔者点击内容的关键因素。

➢ 记录浏览行为

只要用户点击并浏览文章，系统就会开始记录用户的行为，如记录用户阅读文章的速度，记录用户点击相关的文章的频率，以及记录用户是否有对这些文章进行点赞、分享、评论、收藏等。

➢ 优化推荐模型

记录用户行为后，系统会将其转化为数据输入到算法模型里。同时，因为用户的行为一直在被记录，更多维度的数据会将算法模型持续地优化下去，更多符合用户需求的内容也会涌现出来，从而让用户花越来越多的时间去使用产品。

事实上，今日头条和抖音能够崛起，就得益于个性化推荐带来的增长效果，尤其是抖音，借此在短短几年内就跻身互联网大规模流量池之一，成为兵家必争之地。

笔者在刚接触抖音时，就瞬间被系统推荐的有炫酷特效的视频所吸引，后来因为经常浏览这类视频，系统就持续推荐同类视频，导致笔者每次打开抖音都会花费几个小时的时间进行浏览，相信有很多朋友也都有过类似的感受。可见，算法的个性化推荐能让用户投入足够的时间到产品中，这必然会推动留存率的提升，为变现提供可能。

精细化召回

精细化召回是提升留存率最基本和最稳妥的手段之一。在做用户分层时，我们往往依靠用户分层模型，常用的用户分层模型有如下几种。

• 分群模型：将某一层用户按照某一维度进行划分，比如将注册用户按照年级或地区分群，另外还可以按照多个维度进行分群，常基于两个维度，画四个象限，然后再定义每个象限的用户属性。

• 金字塔模型：根据业务流程或参与度等指标对用户进行分层，分层后用户整体分布呈金字塔状。如按照“下载→注册→付费→复购”模型可将用户分为新用户、兴趣用户、付费用户、忠实用户等。

• RFM模型：取最近一次用户行为时间（Recency）、用户行为频率（Frequency）、用户行为带来的“总收益”（Monetary），从这三个维度划分用户层级，并据此分类和设定运营指标。

• 生命周期模型：用户生命周期分为新手期、成长期、成熟期、衰退期、流失期五个阶段，可根据各阶段的特点，针对不同阶段的用户设计运营目标和策略。

以上就是常见的几种适用于提升留存率的用户分层模型，接下来重点讲解如何使用用户分层模型进行精细化召回，提升留存率。

精细化召回就是在用户分层和流程上做细节化的操作，从而保证整体召回效果，它的逻辑很简单，即设目标→分用户→找问题→定策略→迭代流程。

接下来我们就以活动激励作为召回策略，以实现某读书类App留存率的提升为例，讲述如何根据这套逻辑进行精细化运营。

• 设目标：根据流程引导读书类产品已有的用户参与活动，实现召回，目标为提升读书产品的DAU。

• 分用户：选择以上列举的用户分层模型进行分层，如通过生命周期模型对用户进行分析，并依据产品使用时长，得到5个有效用户层级，然后再根据数据对用户进行标签化管理。

• 找问题：观察不同层级用户的数量和标签，分析每个层级用户的实际需求和特点，如新手期用户就有对读书产品不够熟悉、黏性不强等特点。

• 定策略：为不同层级用户设置针对性活动，如对成长期用户采用正常促销策略、对成熟期用户采用“少量优惠+新书上架通知”的优惠策略、对流失期用户采用“大促活动+高频率推送召回”的策略。

• 迭代流程：根据策略设计具体的召回流程，并依据数据跟踪检验活动激励的效果，尤其是在节点、文案、布局、路径等方面，要根据数据结果，及时进行调整和优化。

无论哪种用户分层模型，都可以利用这套逻辑来设计具体的精细化召回策略，以提升产品的留存率。

设计任务体系

除了个性化推荐和精细化召回，还有一个能够提升用户黏性的留存策略，即设计任务体系。

它的原理其实很简单，就是将所有相关步骤拆成多个小任务，用户每完成一个小任务就可以获得可累积的虚拟奖励，以此促进用户持续完成任务，直至形成习惯，从而提升用户对产品的使用频率并延长用户投入产品的时间。

为什么任务体系可以让用户形成习惯？主要基于一个经典的产品运营模型：触发→行动→多变的酬赏→投入。

➢ 触发

所谓触发，就是让用户使用你的产品，但触发需要诱因，即吸引用户产生使用行为的主要动力。诱因有很多种，既有视觉上的，也有听觉上的；既有外部的，也有内部的。

由外部诱因产生的触发叫作外部触发，由内部诱因产生的触发叫作内部触发。很多时候，用户使用行为的“开启”都是由外部触发完成的。例如，你在朋友圈看到一张醒目的海报，海报文字内容为“1小时学会PPT版式设计”，而此时你正在发愁PPT的设计问题，于是在外部触发下，你扫码查看了具体的内容，“开启”使用行为。

而在任务体系下，通过短信、App的推送消息、公众号的模板消息等方式发送召回信息，则是最常见的外部触发方式。当用户看到这些渠道发送的任务信息时，常常会因为好奇而点击，由此进入执行关键行为的阶段。

➢ 行动

行动是该模型的第二个环节。所谓行动，就是用户出于某种期待做出的行为和举动，这种举动往往会在关键行为的引导步骤下发生。还以朋友圈的海报为例，扫码查看具体内容就是用户被触发之后的行动。

而对于任务体系的设计来说，让用户完成的每个具体任务就是该模型的行动环节，如签到、分享、阅读、回答等。其中，任务中规定的任意行为都要有简单的说明、引导或跳转，因为用户愿意做出行动主要出于两个动因：一个是该行为简单，易于操作，不需要付出较高的学习成本；另一个是用户有做出行为的主观意愿，一旦违背这两个动因，任务体系将失去作用。

➢ 多变的酬赏

前面提到，用户在做出行动时是有所期待的，这意味着我们要在对应环节回应这个期待，也就是对用户行为做出一定的反馈，即酬赏。

首先，酬赏是多变的。这个特点体现在用户做出行动的过程中，即让用户感到不断有惊喜出现。比如你在扫码查看课程内容时，发现大纲描述的内容非常符合你的需求，而你的预期是其与你以前看到的大多数大纲相似，这就是多变的酬赏。

对于任务体系来说，用户完成任务就会感受到多变的酬赏，例如：

• 阅读完一篇文章，恰好这篇文章质量很高，这是第一种酬赏；

• 完成任务，系统给予对应的虚拟奖励如50积分，这是第二种酬赏；

• 在查看积分奖励时，发现累积的积分可以用来兑换奖品或参与抽奖，这是第三种酬赏。

经过这三种酬赏的叠加刺激，用户更愿意进行下一个任务，直至完成全部关键行为。所以，在设计任务体系时，酬赏的形式至关重要，它决定用户的下一步行动，以及对产品的后续使用。

➢ 投入

投入是该模型的最后一个环节，即让用户有所付出，只有让用户对产品有所付出，才有可能启动下一次触发、行动和酬赏，让该模型实现循环。

典型的投入形式有：免费领课、付费下单、虚拟充值、兑换奖品及收藏文章等。

在设计任务体系时，将积分体系与商城兑换、现金充值等流程打通，以及完成任务后赠送和产品相关的奖励、权益等，都是让用户进行投入的有效手段。

通过使用该模型的框架进行分析，我们可以发现任务体系帮助产品提升留存率的底层逻辑，只要把握好从“触发”至“投入”几个环节的相关要点，就可以有效提升留存率。

以上就是留存环节中让新用户变为老用户的底层逻辑和相关策略，我们在运营不同类型的产品的时候，可以参考相关内容，进行更有效的策略设计。

作者：野生运营社区

来源：野生运营社区（dugu9bubai）