刘波成

例1：一个积分抽奖，1000积分抽一次，抽奖可得积分、VIP会员、实体书等，需要让大家积极抽奖、获奖相对公平且公司不会亏，你会怎么设计？

一、思路
分析题目-题目任务-核心考点-解决任务
二、分析题目
* 题目主题——设计一个积分抽奖活动
* 已知条件——积分抽奖，消耗的是积分，获得的是积分/VIP会员/实体书
三、题目任务
*“抽奖积极”说明需要在奖品或抽奖策略上可以吸引用户持续抽奖
* 参与积分抽奖的用户“获奖相对公平”，说明每位用户【抽奖付出 】【抽奖收获】两者相减的值要尽量一致
* “公司不会亏”，说明用户总积分消耗＞用户总获得。
四、核心考点
这题考的是成本核算，即积分/VIP会员/实体各值多少钱。
由于题干没有给出积分/VIP会员/实体书价值多少元，而题干中说1千积分抽一次，为了方便解题，这里我假设1000积分=1元（也可以是1000积分=X元，我这里写1元是为了大家可以理解起来更方便）；实体书这个我们可以选30元一本的；1天VIP会员假设为10元（也可以是1天VIP=Y元，我这里写10元是为了大家可以理解起来更方便）。
五、解决任务
我会设计这个积分抽奖有12个抽奖项目（如下图所示）：
【有实际获得】的抽奖项，有5项：【2千积分】=2元、【5千积分】=5元、【1万积分】=10元、【1天VIP】=10元、【实体书】=30元
【无实际获得】的抽奖项，有7项：6个【感谢参与】、1个【iPhone 11】
用户抽一次奖付出1元（题干说的抽奖一次1千积分，为了方便解题，我假设1千积分=1元）
我之所以设置一个抽奖项为【iPhone 11】（或其他高单价大众商品也可以）是为了提高用户参与抽奖的积极性，有助于完成任务1。
（注：由于【iPhone 11】成本高昂，题干要求”公司不能亏“，可以考虑抽奖后期（用户总积分消耗＞iPhone 11成本时）才会有机会抽中，抽奖活动前期只做展示，不会抽中。）
下面来完成任务2和任务3：
为了“公司不会亏”抽奖原则需定为：总体来说用户总消耗＞用户总获得。
* 路径1：固定顺序：【感谢参与】*1次–【2千积分】*1次–【感谢参与】*1次，对公司来说获得=3（用户抽了4次奖）-2（得到2千积分）=1元
* 路径2：固定顺序：【感谢参与】*4次–【5千积分】*1次–【感谢参与】*1次，对公司来说获得=6（用户抽了6次奖）-5（得到5千积分）=1元
* 路径3：固定顺序：【感谢参与】*9次–【1万积分】*1次–【感谢参与】*1次=11-10=1元
* 路径4：固定顺序：【感谢参与】*9次–【1天VIP】*1次–【感谢参与】*1次=11-10=1元
* 路径5：固定顺序：【感谢参与】*29次–【1本实体书】*1次–【感谢参与】*1次=31-30=1元
每一位用户抽奖，会按权重随机出现上述一个抽奖路径，当其中一条路径完成后会随机切换到另外一条路径。
固定抽奖项出现的顺序，可以实现任务3。
每条路径，公司得到的都是1元，可以实现任务2。
各路径出现的权重：
* 路径1：30%
* 路径2：25%
* 路径3：20%
* 路径4：20%
* 路径5 ：5%
为什么要设置权重？
因为任务1要求“用户抽奖积极”，如果经常抽到【感谢参与】&经常抽不到奖品，会导致用户玩几次就会放弃。所以路径5，【感谢参与】次数最多的一条路径的权重是最小的。因此这也是为了解决任务1。
综上，任务1/2/3都可以完成了~

例2：某新闻资讯APP的留存率是这样，想在半年内让DAU达到100万，需要多少获客成本？

这是一道经典的获客成本预估的问题。
在解决题目之前，建议先思考问题的动机和目标，即“做对的事情”
（1）DAU达到100万的动机是什么？现在是否是合适时机？是否有其它路径可以满足诉求？
（2）DAU达到100万的可行性？是否可健康发展？
（3）DAU达到100万，是否别的助力可用，比如产品侧关于留存的优化路径和方法？
针对已有条件来解答问题，即“把事情做对”
获客成本 = 目标所需获客人数 * 单用户获客成本
（1）单用户获客成本
单用户获客成本，受获客渠道选择、渠道定价、投放时间、投放物料、市场竞争等显性影响。
（2）目标所需获客人数，即可以让第180天DAU达到100万的累计新增用户数
Customer_sum = New_Customer(1) + New_Customer(2) + … + New_Customer(180)
New_Customer(n)为第n天的新增用户数。
“单用户获客成本”和“目标所需获客人数”，受诸多因素影响，波动不确定。实操阶段，会“预估、分阶段测试、调整”这样流程循环。预估的话，建议先简化问题，以最简单模型剖析问题，再关注条件的改变。
简化题目，给题目加上假设
假设：每天定额获客，单用户获客成本为固定值A，在第180天到达DAU目标。
在这个假设下，利用日活计算公式，把问题简化为：1000000=DAU(180) = New_Customer * (1 + R(2) + R(3) + … + R(180))
R(n)为产品第n天的留存率，暂为未知数。
我们需要根据已有的留存数据推算未知的留存数据，这样就可以知道每日定额获客的New_Customer值。
题目说的是新闻资讯的APP，其留存曲线一般用幂函数来拟合，以日为单位计算留存。用已有的留存数据画出折线图，然后用幂函数近似趋势线，推算到留存函数为y = 0.9345 * x^(-1.411)
据此：NewCustomer = 1000000/(1 + R(1) + R(2) + … + R(179) ) = 1000000/2.6365 = 379291。
所以，总获客成本 = NewCustomer * 180 * A。
关注条件的改变
分阶段关注条件的改变，然后调整策略，比如按月来观察：
（1）产品留存状态的改变，尤其是留存曲线的拟合是否用幂函数，还是多项式来拟合？
（2）获客成本的优化，及定向渠道可获取用户量是否能满足诉求，去调整拉新的策略
根据留存和获客成本、可获取获客数量去逐步调整下次的策略，让目标达成的成本最优化。

例3：如何通过费米估算，解决Market Sizing估算问题？

1.费米估算：起源
有这样的一个故事：
在一次芝加哥大学课堂上，费米问学生。芝加哥市有多少调琴师，学生们一脸茫然。费米提示把这个问题“分解成一些便于操作的小问题，然后鼓起勇气作猜测和假设”。
芝加哥有多少居民？可靠的估算是300万；平均每个家庭有多少人？4人；多少家庭有钢琴？大概三分之一，那么全市大约就有25万架钢琴；一架钢琴隔多长时间需要调音？平均5年，那么芝加哥平均每年有5万架次的钢琴需要调音；每个调音师每天能为多少架钢琴调音？4架；假设他一年工作250天，那么他每年约为1000架钢琴调音。由此，费米和学生们推测，芝加哥市大概有50位钢琴调音师。
事后有人用电话号码簿加以验证，实际统计的结果与费米的猜测十分接近。
2.费米估算的原理
2.1费米估算的概念
费米估算指的是解决未知结果的估算问题，将复杂的问题拆解成小的、可知结果的部分。将拆解出来的简单部分赋予实际意义，如果还不能得出结果，那就继续再拆解，直到拆解后的所有部分问题变成一个常识问题或者是比较容易解决的，从而将一个未知结果的问题逐步变得清晰。
2.2平均律
在将复杂的问题拆解成小的、可知结果的部分过程中，可能会存在估算，那么这样的估算会不会给最终结果带来很大的误差呢？
比如前面例子中，费米估算芝加哥有1/3家庭有钢琴，如果当时估算的是1/4，那结果就会不准确了吗？
其实在费米估算过程中，我们不是只有一次估算，我们会产生一系列的估算。比如估算芝加哥有1/3家庭有钢琴，同时也会估算一架钢琴平均5年调一次音。这些估算有的过高有的过低，相乘之后会相互抵消，回归到较为准确的平均值。
费米估算不是万能的，有个很重要的前提，我们的估算值是有实际数据或者生活经验支撑的。估算值不能偏离实际结果太远，要从实际结果、常识出发。比如费米在估算芝加哥每个家庭有4个人，换成我们来估算的话，我们不能拍脑袋直接估算芝加哥每个家庭有10个人。
这种脱离实际常识、数据的估算其实是瞎猜，瞎猜怎么能对呢？
3.如何用费米估算Market Sizing问题
* 估算杭州每年奶茶店的规模大小？
* 估算杭州一家奶茶店一天卖多少杯奶茶？
* 估算杭州有多少家奶茶店？
这类问题称为Market Sizing问题，有些同学在面试时碰到这类问题，如果没有提前了解这类题型，难以找到比较好的回答思路。
这类Market Sizing题型正好可以通过费米估算的法则来解决，将未知的数逐步拆解成已知的部分，从而将一个未知结果的问题逐步变得清晰。
Market Sizing问题在运用费米估算时，主要是通过需求端、供给端两个角度切入将问题拆解。这两个角度可以解决80%的Market Sizing问题，当然有些不涉及商品的规模、数量的问题，这两个角度可能解决不了。
那就需要对这个问题进行数学分析，列出公式，从而拆解。
费米估算步骤：
* 明确问题
* 分析是需求端问题还是供给端问题，或者两个角度都不是
* 问题拆解，列公式
* 计算
对问题进行拆解时，我们提倡按照不重不漏（MECE，Mutually Exclusive Collectively Exhausted）的原则 ，将问题层层拆解成子问题，从而找到问题的根源。在对问题进行拆解的时候，我们需要注意两个问题。
1)避免把未知数拆解成新的未知数，而应该使得拆解后的元素变得可解决
举个例子，在“估算杭州一家奶茶店一天卖多少杯奶茶？”中，我们从需求端出发，先是估算杭州常住人口为1000万，接着估算每天喝奶茶的人=常住人口*渗透率，假设渗透率是1%，估出每天喝奶茶的人是10万，每人每天喝一杯。然后估算杭州有1000家奶茶店，最终得出每家奶茶店一天卖100杯奶茶。
问题来了，我们刚刚拆解杭州奶茶店这个元素，我们估算是1000家，其实这是个特别关键的值。这个值直接影响到了每家奶茶店平均卖多少杯奶茶。但杭州有多少家奶茶店这个值其实也是个未知数（并不能通过常识或者数据得知，别跟我说去百度一下）。从一个未知数继续推出一系列未知数，这样无法得出最终结果。
所以拆解后的元素不能还是未知数，如果还是未知数则需要继续拆解，使得拆解后的元素变得可解决。
2)对拆解后的部分赋予数值时，避免改变数值真实范围
不改变数值真实范围指的是在赋予计算公式中各元素以实际意义的时候，不扩大或者缩小范围，按照数据或者经验来赋予较为准确的范围。
前文也谈论到，比如费米在估算芝加哥每个家庭有4个人，换成我们来估算的话，我们不能拍脑袋直接估算芝加哥每个家庭有10个人。我们的估算值应该是有实际数据或者生活经验支撑的。
在面试的时候碰到这类估算问题，千万别直接说可以百度查找等这类回答，或者转牛角尖死磕某一数据的准确性。
面试官通过这类题目考察的其实是面试者的分析方法和逻辑，对于问题拆解的边界考虑，答案可能并不是那么重要，这个思考过程才是面试官想要的。
4.案例分析
4.1估算杭州每年奶茶店的规模大小？
4.1.1明确问题
Q:问的是杭州每年奶茶店的规模大小，规模大小具体指的是什么？
A:规模大小指的是奶茶店的销售额大小
Q：奶茶店的销售额是指仅仅销售奶茶的收入，还是包括奶茶店里别的饮料和面包等食品？
A：奶茶店的销售额指的是所有饮品（不统计面包这类食品）
4.1.2分析是需求端问题还是供给端问题，或者两个角度都不是
这个问题问的是杭州每年奶茶店的规模，是一个地域的市场规模，这类问题一般可从需求端（消费者）切入，因为杭州常住人口是一个可知的数字。初步判定可从需求端出发。
4.1.3问题拆解，列公式
杭州每年奶茶店的规模大小=杭州常住人口*渗透率*50*饮品单价*每人每周续购杯数
从需求端将未知问题拆解成元素后，我们发现：
杭州常住人口：杭州常住人口数是已知的，这属于常识，目前是1000万左右。
渗透率：渗透率指的是有多少比例的人会选择喝奶茶，这个比例需要我们估算。估算的时候要避免改变数值真实范围，不能估算的太离谱。这里主要是考察边界问题，我们在回答的时候可以说通过样本估算。比如我随机选择100位朋友，看100位朋友中有多少人是符合条件的，从而估算出渗透率。这里还有一个关键问题，不同年龄段的人喝奶茶的频率是不一样的。根据生活经验，年轻人喝奶茶次数会比中年人喝老年人高，所以我们可以通过MECE法则将杭州常住人口分为小孩、年轻人、中年人和老年人，计算公式依然没有变，最终相加各类型的规模大小即可。
每人每周续购杯数：解决办法同上
52：指的是一年约有52周，是已知数
饮品单价：根据我们的生活常识，蜜雪冰城的奶茶均价8元，喜茶的奶茶均价在30元一杯。所以饮品单价我们可取15元一杯。
4.1.4计算
杭州每年奶茶店规模大小
=（150*0.1*15*1*52）+（300*0.4*15*1.5*52）+（400*0.1*15*0.5*52）+（150*0.05*15*0.5*52)=170625万
估算出杭州每年奶茶店的规模大小约为17亿。
4.2估算杭州一家奶茶店一天卖多少杯奶茶？
4.2.1明确问题
Q:奶茶指的是店里所有饮品？
A:是的
4.2.2分析是需求端问题还是供给端问题，或者两个角度都不是
这个问题如果也从需求端出发，会发现很难拆解出有意义的元素，因为店里的顾客人流是不确定。所以一般这种要从供给端出发，看奶茶店能提供多少杯奶茶。因为一般情况下，供给需求是平衡的。
4.2.3问题拆解，列公式
杭州一家奶茶店一天卖出奶茶杯数=工作时长*一窗口每小时卖出多少杯*售卖窗口
从供给端将未知问题拆解成元素后，我们发现：
工作时长：早上9点到晚上9点，一共12小时，已知数
一窗口每小时卖出多少杯：以天为单位，存在高峰和低峰期。根据生活经验，估算高峰期为12-14点和18-21点，低峰期为9-12点和14-18点。同时根据生活经验，制作一杯奶茶需要3分钟，高峰期一窗口每小时卖出15杯，低峰期一窗口每小时卖出5杯。
售卖窗口：预估一个奶茶店有售卖窗口（制作机器）有3个。
4.2.4计算
杭州一家奶茶店一天卖多少杯奶茶
=（5*15*3）+（7*5*3）=330
估算出杭州一家奶茶店一天能卖330杯奶茶
5.总结
碰上这类问题，可以从上面总结的四个步骤来分析：
1.明确问题
2.分析是需求端问题还是供给端问题，或者两个角度都不是
3.问题拆解，列公式
4.计算
面试官考察点不会是我们最终的答案准不准确，而是看我们对问题进行拆解时合不合理，看我们能不能对我们的估算给出合理的解释。这类题型不必太在意细节和纠结于数字的精准度。
当然啦，如果是面试时第一次碰到这类问题还是很难快速找到思路，所以日常的时候可以刻意分析下这类题型，学会费米估算对我们来说受益匪浅。
费米估算在极其有限的条件下，通过拆解未知并利用身边的信息来求解出结果。费米估算也给到了我一些启发，即便有些事情看上去无法确定，但可以通过分析拆解，逐步逼近结果。面对不确定性，我们不应停滞不前，而是要懂得抓住身边有价值信息，快速决策。

例4：假设你是中介，有 3 个房客，有 3 个房间，房型、大小各不相同，三个人的偏好也不同。如何让租客租到相对最满意的房子并且让房东获得最大收益？

思路：题目任务——目标用户——用户场景——用户需求——解决方案
题目任务：
1. 租客租到相对而言最满意的房子；
2. 房东获得最大利益。
用户场景
由于题目是“3个房间”，而非“3套房子”那么我们可以初步假设，房东这套房子是合租房。
目标用户
此案例中一共有5个用户角色，3种用户类型，「我」是中介，3位租客，1位房东。此题针对的目标用户是后面4位。
用户需求
分为租客需求与房东需求。
租客需求：租到相对而言满意的房子，偏好主要体现在以下方面：
1. 价格；
2. 大小；
3. 房型；
4. 房子位置；
5. 新旧程度；
6. 交通情况；
7. 周围配套；
8. 隔音情况（合租有的是板隔间）；
9. 房东友好（不会恶意扣押金/随机涨租）；
10. 房源稳定（不会半路被赶出来）。
由于题干说了“三个人的偏好不同”，所以以上10点，三人都有不同的优先级倾向。
说明一下，其中的第9和10点，蛋壳和自如都有租客反应有出现恶意扣押金/随机涨租/半路被赶的事例，依然还是有人愿意租这两个平台的房子，不是说这些租客喜欢被“欺负”，只是其他方面的偏好优先级更高，所以这两点也纳入进来。
房东需求：获得最大收益，租客友好/稳定/爱干净/不爱搞事情。
解决方案
我们称3个房间分别为A房/B房/C房，3位租客称为甲/乙/丙。
任务1：「租客租到相对而言最满意的房子」的解决方案
制作一张表格，表格首行依次为A房/B房/C房，表格首列依次以下10项为：价格/大小/房型/房子位置/新旧程度/交通情况/周围配套/隔音情况/房东友好/房源稳定。让甲乙丙根据自己对不同房间的偏好进行打分，打分区间为1~10，1为最不满意/5为一般/10为最满意。
根据题干说“三个人的偏好不同”，故3人的打分对各房间是不会出现相同的情况，根据打分的高低即可给甲乙丙安排到相对而言最满意的房子。
因为题干只说了有3个房间（没有说可以租别的房子），并且“租到相对而言最满意”，所以这里就只针对这3个房间做分配，可能甲乙丙对其最高分房间不一定“绝对满意”，但确实是“相对而言最满意”了。

任务2：「房东获得最大利益」的解决方案
* 租房一般都是押N付M，N和M在合理区间寻求最大化；
* 管理费/服务费在合理的区间寻求最大化；
* 月/季/年付，租金设计价格梯度，月付租金最贵，季付次之，年付租金最划算，但年付这种方式如果一年内搬走或转租不退押金；
* 首月0元或低价住，后面再通过高额租金/管理费/服务费/物业费等方式盈利（按照合同约定的租金/管理费/服务费/物业费，不要合同期内涨租做黑心房东！！）
* 如果房东不仅仅这套3房房源，TA还有其他空房源的话，可以让甲乙丙拉新，若甲乙丙的朋友租了房东其他房源，甲乙丙可以获得分润。
* 甲乙丙搬走时需清理房间，若不清理，则须交清洁费，清洁费可以在合理区间内定高一点。如果甲乙丙明知贵但还不自己清理，那也没办法对吧，就跟自己不去买东西，让别人跑腿一样。

例5：怎么应对推荐系统的冷启动？

这个问题无论是从技术层面、商业层面、还是业务层面，都会有不同的解决方法。
最近，在做一个APP频道内的内容feed流，也遇到了冷启动问题，下面是最近思考得出的一些可行的思路。
推荐系统冷启动阶段其实也可以不那么的“冷”。
先了解一下什么是冷启动？
没有官方的定义。对于推荐系统来讲，因为需要用到用户，物品和事件三种数据，其中任何一种数据的缺失都会导致推荐系统的冷启动。当然一般都是缺用户数据。
所以冷启动最直接的原因就是缺少可用的数据。那么，解决问题的办法也是对症下药。

01、排行榜、热榜等热门效应应对冷启动。
这个是最常见的一种应对冷启思路。推荐系统的本质目的是高效连接用户和平台上的物品，就其能够达成的目标来讲可以分为两种：
为用户发现“好”的东西
为用户发现“喜欢”的东西
那么在不知道用户喜欢什么的时候，最好的办法就是把平台上的“好”东西推给用户。
如何衡量，量化一个东西的好坏。常见的做法就是依据物品的一些单品特征来计算它的热度得分，然后按照这个得分进行排序。
比如对于视频，可以采用视频的完播量/率、转发量/率、点赞量/率、评论量/率等维度的特征进行计算；对于商品，可以采用商品的销量、关注量、收藏量、加购量等维度的特征进行计算。
热门推荐适合大多数的冷启动场景，但是需要注意品类的多样性和差异性。常见的加入随机性、干预穿插、品类配比等等方式来保证最后给用户呈现结果的丰富度。

02、有一些平时看似没有用的数据，实则蕴含很丰富的信息，上下文信息就是这其中的一类。无论你是否注册、是否登录，在你打开浏览器，或者打开APP的时候，包括你的设备信息、浏览器信息、环境信息、语言信息等等都已经自动上传到应用的数据后台了。
不同的领域对上下文信息的定义不同，但大意都是指和用户当前所处环境，场景相关的数据。
一个人在固定的设备、浏览器、环境、语言信息下的行为可能不能说明什么问题，但是当有几万、几十万甚至上百万的这样的数据的时候，那么它显现出来的一些规律性就有很大的价值了。
比如：有相关数据表明，一般在下午早上8点和下午4点上传的抖音视频会更容易获得传播。
另外，之前国外一家公司做的一个音乐推荐系统就是基于用户的国家信息来推荐不同风格的歌曲，这其实也是一种上下文信息的应用。
这可能就是统计学意义所在。

03、拿来主义在推荐系统的冷启动阶段同样适用，分为对内和对外两种：

对内
一般稍微大点企业都不会只有一条业务线，所以当面临冷启动问题的时候，不妨把眼界拓宽，看看其他业务是否有现成的数据可供对接，尤其是成熟的业务线。
在奉行拿来主义的适合，特别需要注意下面几点：
业务形态是否一致。比如同属电商业务，同属内容社区业务。
用户重合度是否足够高，这样才能保证你拿来的标签是可靠，可用的。尤其是在一个核心业务下面的垂直业务，一般用户重合度都很高。
拿来主义其实就是一种标签对接的思路，用相似的成熟业务标签来支持新业务的冷启动，这在背靠大树的企业是一种很常见的思路。比如淘宝APP、京东APP下的部分垂直频道。
对外
对外的话一般是指标签采买。需要关注两点：
采买标签的渠道需要足够垂直，尽量保证业务范畴一致；
需要验证标签的的准确性。比如之前我们给租房业务搭建房源推荐系统，需要用户的地理位置和购买力标签，对接了一家专门做租房线上交易企业的标签。在标签验证环节，把地理位置标签与用户常用的收货地址标签进行比对，购买力标签与用户经常购买的品类的价格进行比对，在一定程度上可以剔除脏数据。

04、提升推荐系统的时效性。
这种严格来说不属于解决冷启的一种思路，但是，一定程度上能够缩短冷启的周期。
不知道大家有没有注意到当你从淘宝APP首页猜你喜欢区域点击一个商品，进入该商品的详情页，并且浏览时间比较长的时候，再返回的时候，会有一个与你刚刚浏览商品相似的商品移动上来。
我第一次发现的时候，着实被惊艳到了。
如果能提升推荐系统的时效性，甚至做到实时，那么在用户打开应用，第一次与平台的物品进行有效交互的时候，就已经能够产生新的推荐列表了。
这个策略的背后需要考虑的因素很多，比如有效交互的定义、接口的性能、计算的能力。
05、历史数据的复用。
成熟的业务推荐系统一般都会有一个冷启动数据池，会选择过往冷启效果比较好的物品加入到数据池以备下次冷启。
历史数据不能简单的全盘复用，需要考虑一定的过滤策略。比如当下的环境政策、业务规划、平台计划等等，尽量能够保证各方权益的平衡。

例6：用户生命周期运营策略？如何挽回流失用户？如何提升用户价值？如何包装价值产品，产品包装的重点是什么？用户留存低、活跃差怎么办？

一、用户生命周期的介绍和运营策略
用户生命周期包括引入期、成长期、成熟期、衰退期、流失期。
1、引入期：验证产品是否满足市场需求，如果满足市场需求，就将潜在的用户转化为自家产品的用户，主要任务为拉新，即用户注册和下载量。
引入期策略：
（1）精准定位用户和发掘获客渠道，把钱花到点子上就是CPS的合作，判断一个渠道好坏看是否有同量级平台再重复投放
（2）简化落地页注册下载流程，给用户注册下载的理由，所有注册流程在一个页面完成，通过利益驱动，引导用户注册
（3）设置新手任务，新手大礼包、送优惠券等运营手段
2、成长期：用户完成首次转化算为成长期，主要任务是活跃和转化，促进用户对平台形成习惯和依赖。
成长期策略：提升活跃、促进转化，让用户形成习惯。
（1）搭建平台活动、内容、用户体系
（2）持续情感维系，通过内容和获得持续情感沟通
（3）激励用户活跃，利益、荣誉、情感、安全，提升用户离开平台的物质成本和心理成本
（4）反向指导拉新策略（根据数据调整拉新的渠道）
3、成熟期：用户是否购买了平台全品类产品，同时也邀请好友来购买，主要任务是活跃、转化和制造留存。
运营策略：交叉营销，鼓励传播
（1）多样化的用户需求场景
（2）搭建完善的推送渠道，健全Push、短信、邮件、站内信等推送渠道
（3）持续性平台话题
（4）鼓励用户传播
4、衰退期：主要任务，提高留存率，活跃率
需要通过各种利益刺激、产品服务、产品配置等挽回用户，并做好用户流失预警
运营策略
（1）建立用户流失模型
（2）及时唤醒用户，活动通知，生日送券等方式提醒用户，唤回用户使用欲望
5、流失期：主要任务，提高留存率，老用户召回
对已经流失的用户，对其重新唤回，提高用户留存率
运营策略:
（1）做好流失用户分类和流失分析
（2）重新定位，利益刺激，活动通知，生日送券等方式提醒用户，唤回用户使用欲望
二、如何挽回流失用户
流失用户一般包括三类用户：新手用户、成长用户、成熟用户
挽回策略：
1、追求利益的用户：利益刺激、活动召回、荣誉召回（礼品免费领）
2、对产品功能疲劳的用户：场景唤起、情感诉求、请求帮助、好友召回、荣誉召回
一般以利益刺激为主
三、如何提升用户价值
（一）用户精细化运营——RFM模型
1、重要价值客户：最近消费时间近、消费频次和消费金额都是高，VIP
运营策略：配套各种专属服务及优先体验
2、重要保持客户：最近消费时间远、但消费频次和消费金额都很高
运营策略：加强联系，消息推送，电话访问
3、重要发展客户：最近消费时间较近、消费频次不高、但消费金额高
运营策略：该类用户忠诚度不高，需要推送一系列优惠活动，精选活动，加强与用户直接联系
4、重要挽留客户：最近消费时间远，消费频次不高，但消费金额高
运营策略：可能是要流失的用户，应当采取挽留措施，加强联系（消息短信推送，推出有力的新活动）
（二）用户精细化运营——分层
1、重要核心用户：
运营策略：
收益：打折扣、实物奖、高收益
荣誉：等级、大V
服务：专属客服、专属通道、优先购买
2、重要客户：优惠券、红包等，引导用户向重要用户转化
3、普通用户：功能使用引导，新手大礼包，新用户下单立减等，引导用户向主要用户转化
四、APP产品初期如何实现用户增长
（一）内容引流：自媒体和社群
自媒体：
1、官方媒体矩阵：服务号、订阅号、微博、博客、社区的内容输出
2、新闻自媒体矩阵：虎嗅、百家、搜狐、今日头条等冷启动必做
3、优化SEO：百度、知道、贴吧等，优化关键词、提高引流，非常适合冷启动，精耕细作
4、公司内部：官方网站与APP广告位，短信通道，站内信等
5、视频类渠道：短视频抖音、快手
社群：
1、微信群、QQ群等官方群矩阵
2、垂直社群，垂直社区用户质量往往极高，对营销打击大，较好的方式是找KOL进行植入营销
3、综合聚集地：知乎、豆瓣、天涯等
（二）口碑推广：关键点在内容和媒介
1、粉丝渠道，移动互联网时代，人人都是口碑媒介，粉丝推广
2、事件营销：事件营销的焦点是要传播，引爆；如策划的活动事件引起媒体关注并报道，加上一些软文推波助澜，口碑传播效应非常见效
3、名人、意见领袖：微信大号与微博大号，用户转化率比较高
（三）活动增长
1、“有钱”：基于用户的利益刺激
新人福利：用户注册时，赠送一些红包、优惠券、积分、礼品等，刺激用户注册转化
老带新邀请：分享邀请好友，给用户返佣+红包等，结合排行榜引导，像邀请瓜分红包，拼团、团购、解锁、砍价等
2、有趣：主要引起用户兴趣，引起情感共鸣激发用户自传播，像柏拉图性格分析，西瓜足迹等
（四）付费渠道
1、线上广告；搜索渠道（百度竞价）、联盟广告（百度网盟）、导航广告、平台广告（广点通、今日头条）
2、APP广告：应用市场（百度、华为、应用宝等安卓市场）、联盟广告（积分墙、返利联盟等）、预装（手机厂商）
3、社会化广告：微信大号、微博大号、社群
4、户外广告:分众广告、地铁广告、公交广告、其他
五、如何包装价值产品，产品包装的重点是什么
1、根据受众分析产品的卖点
2、产品的价值=产品特点+带来的体验+体验解决的问题
六、如何做营销推广，营销推广的重点是什么
1、找准推广渠道
2、了解受众用户，产品包装
3、建立信任
七、用户留存低活跃差怎么办？
1、提升产品价值和增强服务力度
2、增强用户成长体系引导，体验产品价值，形成习惯
3、增加活跃氛围的新功能，比如话题讨论，活动专栏
4、用户是否匹配，调整产品推广策略，引进匹配用户