用户增长策略：用留存率与搜索画像优化内容分发

简介面向产品运营与用户增长从业者的PDF文档聚焦小红书从20人初创到1.8亿用户的增长路径。资源围绕AARRR模型下获客成本上升与留存收益的平衡重点拆解低龄用户留存差的问题通过按学龄细分、搜索行为分析、Feed流推荐匹配、广告渠道定向等维度给出数据驱动的优化思路。包体为1个PDF文件大小647KB适合作为增长策略、数据分析、用户运营等场景的参考资料。已有152人学习下载。文档内含完整分析框架包括不同年龄段用户留存分布、拉新渠道分布、高频搜索词点击率、用户兴趣特征等关键数据解读并总结了针对百度SEM、广点通信息流投放的年龄定向优化建议能帮助读者理解社交电商平台精细化留存的方法。1. 留存成本倒挂之后增长策略从买量转向拆用户那份关于小红书增长策略的文档现在回看最有价值的其实不是“从 20 人做到 1 亿 8 千万用户、用时 1644 天”这个结果而是这条曲线背后怎么用数据不断修正策略。文档里有个反直觉结论关于低龄用户留存差团队先假设是学生上课不能带手机、只能周末用所以平日留存差但把次日留存和周末留存拉到同一张表里看时周末留存并没有反弹。一个逻辑上非常合理的假设仅用两列留存数据就被推翻了。这个案例适合做用户增长、数据分析、推荐策略或广告投放的读者反复看因为它把 AARRR 从模型变成了可以逐层验收的指标组合从渠道、内容、分发三个方向各自给出可执行的优化路径。2. AARRR 取舍下的低龄用户拆分与留存基线计算2.1 获客成本翻倍时留存率为什么要跟着翻倍AARRR 模型在获客成本洼地期可以直接顺序执行先买量、再激活、后留存的压力不大。但文档里给出的算术关系值得先记下以前 1000 元可以拉来 100 个用户留存率 10%最终留下 10 人现在同样 1000 元只能拉来 50 人如果还想留下 10 人留存率必须从 10% 提到 20%。获客成本涨了多少留存率就要按同等比例补回来否则整体 ROI 会直接倒挂。这条逻辑也解释了为什么文档里讨论“低龄用户留存差”时第一反应是看渠道。低龄用户大多来自百度 SEM 和广点通信息流这类用户是花钱买进来的如果次日留存明显低于大盘那每一分投放都在直接制造亏损。只优化素材创意或出价解决不了问题得回到用户本身去看发生了什么。2.2 用学龄拆掉“18 岁以下”这个过期标签文档里有一个关键操作把“18 岁以下”拆成 12 岁及以下、13-15 岁、16-18 岁三个学龄段。原因是不同学龄的用户在内容偏好、使用场景、可支配时间上差异太大揉在一起看只会得到一个平均后的假象。实际操作中第一步是给用户表补一个学龄分组字段。有人会用年龄字段WHERE age 18直接圈选但这个边界太粗。按学龄切分的常见做法是维护一个用户的birth_date或age在分析层做映射而不是把“低龄”写成固定的age 18。这样后续做任何按年龄 breakdown 的分析时都能保持同一套口径。2.3 一张 SQL 表同时出具次日留存与周末留存次日留存和周末留存要放在一起看才能判断“工作日不能玩手机”的假设是否成立。下面是一段适用于 MySQL 系方言的查询WITH user_seg AS ( SELECT u.user_id, CASE WHEN u.age 12 THEN 12岁及以下 WHEN u.age BETWEEN 13 AND 15 THEN 13-15岁 WHEN u.age BETWEEN 16 AND 18 THEN 16-18岁 ELSE 19岁及以上 END AS age_group, DATE(u.reg_time) AS reg_date FROM users u ), login_mark AS ( SELECT l.user_id, DATE(l.login_time) AS login_date FROM login_log l ) SELECT us.age_group, COUNT(DISTINCT us.user_id) AS new_users, COUNT(DISTINCT lm_next.user_id) AS next_day_users, COUNT(DISTINCT lm_weekend.user_id) AS weekend_users, COUNT(DISTINCT lm_next.user_id) / COUNT(DISTINCT us.user_id) AS next_day_retention, COUNT(DISTINCT lm_weekend.user_id) / COUNT(DISTINCT us.user_id) AS weekend_retention FROM user_seg us LEFT JOIN login_mark lm_next ON us.user_id lm_next.user_id AND lm_next.login_date DATE_ADD(us.reg_date, INTERVAL 1 DAY) LEFT JOIN login_mark lm_weekend ON us.user_id lm_weekend.user_id AND DAYOFWEEK(lm_weekend.login_date) IN (1, 7) GROUP BY us.age_group;逻辑说明user_seg负责按学龄切片并记录注册日期login_mark把登录行为折叠成“用户 日期”粒度避免重复计算同一天多次登录。次日留存取注册次日是否有登录记录周末留存取注册后任意周六或周日是否有登录记录。参数说明age字段如果缺失可直接用TIMESTAMPDIFF(YEAR, birth_date, reg_time)现算DAYOFWEEK在 MySQL 中 1 是周日、7 是周六其他数据库要换成EXTRACT(DOW FROM ...)或strftime(%w, ...)等对应函数。文档中按这个口径拉出的结果有个关键现象12 岁及以下和 13-15 岁用户的次日留存显著低于大盘且周末留存没有反弹16-18 岁用户则与大盘基本持平。如果只看“18 岁以下”这一个合并值两个低留存群体被高中生稀释结论就会偏掉。提示周末留存的定义建议锚定“注册后的第一个周末”而不是所有包含周六或周日的时间窗口。否则新用户可能已经流失了两周某天偶然回访也会被算成周末留存指标会失真。按文档结论整理出的等级示意如下学龄分组次日留存周末留存与大盘差异12 岁及以下明显偏低同样偏低无反弹显著劣于大盘13-15 岁明显偏低同样偏低无反弹显著劣于大盘16-18 岁接近大盘接近大盘无明显差异19 岁及以上大盘基准大盘基准基准2.4 拉新渠道分布百度 SEM 与信息流的年龄定向留存分析的下一步是把用户质量回溯到渠道来源。文档拉了一张“不同年龄段拉新渠道分布”表发现低龄用户占比最高的渠道集中在百度 SEM 和广点通信息流占比超过六成。这意味着该渠道的流量质量本身没问题但用同样的素材和定向去触达低龄用户现阶段是在浪费预算。对应动作是投放侧收紧年龄定向。常见做法是在广告平台的定向设置里把年龄范围的最小值从“不限”或“18-24 岁”调高并对“低龄高占比”渠道单独建计划用更窄的年龄组做小流量验证。关键不是完全不投而是让投放策略先和内容供给能力对齐。3. 搜索点击率画像用数据把“来看什么”变成可观测指标3.1 为什么搜索行为比用户访谈更适合做留存归因要回答低龄用户来平台想看什么有两个途径用户访谈和搜索行为分析。访谈成本高、样本量有限且用户表达出来的需求往往经过自我美化而搜索是主动且强意图的行为用户搜什么就代表他当下想解决什么问题几乎不带社交表演成分。文档选择用搜索画像来回答这个开放性问题落地成本低而且可以直接量化。搜索画像的价值不只在于列出 Top 词而在于能看出“需求供给差”用户高频搜的词平台内容库里是否有足够内容承接搜索结果是否让人满意。后面会用到“搜索点击率”和“无点击占比”两个指标来量化这个差值。3.2 按年龄段构建搜索词画像先做一个最基础的搜索词分组让不同年龄段用户的兴趣浮出水面import pandas as pd log pd.read_csv(search_log.csv, parse_dates[search_time]) log[age_group] pd.cut( log[user_age], bins[0, 12, 15, 18, 120], labels[12岁及以下, 13-15岁, 16-18岁, 19岁及以上], rightTrue, ) grouped log.groupby([age_group, search_word], as_indexFalse).agg( search_pv(search_word, count), click_pv(clicked, sum), ) grouped[click_rate] grouped[click_pv] / grouped[search_pv] grouped[no_click_rate] 1 - grouped[click_rate] top_words ( grouped.sort_values([age_group, search_pv], ascending[True, False]) .groupby(age_group) .head(20) )逻辑说明pd.cut中的bins定义学龄边界labels与区间顺序对应clicked列是布尔或 0/1 整数表示这次搜索后有没有点击搜索结果。search_pv是搜索次数click_pv是被点击的次数搜索点击率用二者相除得到。参数说明rightTrue表示区间的右边界闭合即 13 岁会被归入 13-15 岁而不是 12 岁及以下如果业务上希望“整岁生日当天算下一个学龄”把right改成False即可。年龄段边界建议收敛到和业务运营口径一致否则后续和渠道、内容团队对数据时容易对不上。按文档中的输出这份画像能清楚看到四个群体的差异。年龄段高频搜索主题可读出的需求15 岁以下简笔画、动漫、头像、明星内容消费型找壁纸、头像等轻素材16-18 岁穿搭、护肤、减肥开始关注外形管理19-23 岁彩妆、护肤、穿搭消费决策前置接近购买29-33 岁结婚、食谱、装修生活阶段驱动的实用内容3.3 无点击占比 40% 与 20%给内容缺口定阈值搜索点击率只能反映“搜索结果是否被认可”要定位供给缺口还需要引入“无点击占比”这个派生指标。文档中实际用到了两类词无点击占比超过 40% 的高频搜索词以及无点击占比低于 20% 的高频搜索词。前者表示大量用户搜了但什么都没点后者则表示内容承接得不错。实现上就是在上面的grouped结果后追加一组筛选no_click_high grouped[grouped[no_click_rate] 0.4].sort_values(search_pv, ascendingFalse) no_click_low grouped[grouped[no_click_rate] 0.2].sort_values(search_pv, ascendingFalse)逻辑说明no_click_high得到的是“搜索量大但没人点结果”的词优先看这些词能直接暴露内容供给断点no_click_low则是做得好的对照组用来验证分析方法本身是否合理。如果所有词的点击率都低要先怀疑搜索结果页的技术实现而不是内容不足。参数说明40% 和 20% 这两个阈值来自文档中的取数习惯实际使用时建议先看整体分布再定避免因类目差异导致误判。比如商品词天然点击率高于明星词直接套同一个阈值会把明星内容一刀切掉。3.4 明星内容和真实需求之间的错位文档里对这个指标组合的解读值得注意范冰冰、迪丽热巴这类明星名字搜索量不小但年轻用户的无点击占比明显更高而减肥、护肤、美甲这类词的无点击占比很低。这说明低龄用户搜明星词时想找的可能是粉丝团、八卦等方向而平台提供的是明星工作之外的生活化内容比如用什么化妆品、喜欢吃什么零食二者并不匹配。这个发现单独看是内容供给问题但它直接影响留存用户因为某个搜索意图进来连续几次搜不到想要的结果就会觉得平台“没有我想看的信息”随后在 Feed 流里的活跃度也会下滑。做内容策略时这种“搜索点击率低 无点击占比高”的组合词应该被纳入内容生产的负面清单而不是继续加大投放。注意搜索无点击占比只能定位“不满意的搜索”不能直接回答“用户想看什么替代内容”。需要配合搜索后行为跳出、改搜、浏览时长做交叉验证否则可能把内容缺口归因错了方向。4. Feed 流分发匹配度兴趣标签、内容丰满度与喜好偏差4.1 从兴趣标签的头部和尾部看年龄差异新用户注册时会选择兴趣标签作为后续推荐的种子这个选择行为本身就是有价值的用户表达。文档从两个角度对比了 13-15 岁用户和 30 岁以上用户头部集中度和尾部厚度。13-15 岁用户前四名标签占比只有 20%30 岁以上能达到 30%反过来年轻用户排名靠后的 4-5 个标签合计占比超过 2%年长用户则低于 1.5%。这说明年轻用户兴趣更分散不容易用少量标签概括。推荐系统如果按标签做硬匹配年轻用户很容易被局限在几个头部类目里感知到的内容多样性不够。想量化这种差异可以直接算每个年龄段的标签选择分布import pandas as pd tag pd.read_csv(interest_tag.csv) tag[age_group] pd.cut( tag[user_age], bins[0, 12, 15, 18, 120], labels[12岁及以下, 13-15岁, 16-18岁, 19岁及以上], ) tag_cnt tag.groupby([age_group, tag_name], as_indexFalse).size() tag_cnt[pct] tag_cnt.groupby(age_group)[size].transform(lambda x: x / x.sum()) tag_cnt tag_cnt.sort_values([age_group, size], ascending[True, False]) head_cr tag_cnt[tag_cnt.groupby(age_group).cumcount() 4].groupby(age_group)[pct].sum() tail_ratio tag_cnt[tag_cnt.groupby(age_group).cumcount() 4].groupby(age_group)[pct].sum()逻辑说明cumcount() 4取每个年龄段下前四个标签算头部占比剩余标签计入尾部。head_cr和tail_ratio分别对应文档中“头部不集中”和“尾部不长尾”两个判断。参数说明头部取前 4 个标签是文档中的口径如果业务标签体系有 20 个以上可选标签可以改成前 5 或前 10但要保证所有年龄段比较时用同一规则。4.2 内容丰满度选定标签后有没有足够的笔记可看用户选了兴趣标签只是第一步平台能不能在这个标签下提供足够的可消费内容是留存的关键。文档用“内容丰满度”来衡量对比用户选择的标签分布和实际笔记曝光分布。时尚穿搭被最多人选择曝光也最多这是合理的音乐、游戏等品类选的人同样不少但曝光明显偏少说明这些类目的内容供给严重不足。这种不匹配对用户感知的影响是直接的注册时选了一个兴趣标签进入首页后连续刷不到相关笔记预期立刻落空。做精细化运营时有两种处理方式要么运营团队重点补内容要么在产品端暂时把内容不足的品类从新用户兴趣选择中拿掉避免用户抱着期望进来却得不到满足。4.3 用曝光占比和喜好占比计算分发偏差指数分发匹配度是最后一层验证。文档采用热力图方式从曝光分布和喜好分布两个维度看同一品类在不同年龄段的差异。以穿搭为例平台分发给 13-15 岁、19-23 岁、34 岁以上用户的曝光量没有太大区别但用户的喜好度点赞、评论、收藏差别非常大。这就是典型的分发机制问题内容本身没有年龄属性但分发策略把大众化内容平均地推给了所有人。可以用一个量化脚本来落地判断import pandas as pd feed pd.read_csv(feed_delivery.csv) feed[exposure_ratio] feed[exposure_cnt] / feed.groupby(category)[exposure_cnt].transform(sum) feed[interact_score] feed[like_cnt] 2 * feed[comment_cnt] 3 * feed[collect_cnt] feed[prefer_ratio] feed[interact_score] / feed.groupby(category)[interact_score].transform(sum) feed[bias_index] feed[exposure_ratio] - feed[prefer_ratio]逻辑说明exposure_ratio表示某品类下某个年龄段获得的曝光占该品类总曝光的比例interact_score用加权方式把评论、收藏两种高成本行为加了更高权重prefer_ratio代表该年龄段对这个品类的真实喜好占比。bias_index是二者的差值大于 0 表示平台给它分了相对更多的曝光但用户并不买账。参数说明评论权重 2、收藏权重 3 需要结合业务调整。如果产品更看重收藏行为可以把收藏权重调到 5如果只看点击直接用click_cnt / exposure_cnt也能做出一个简化版本。热力图在分析阶段是可视化工具但落地到监控里时只需要盯 bias_index 的变化方向。按文档结论整理如下品类曝光分布喜好分布判断时尚穿搭各年龄段接近年龄差异较大分发大众化需按年龄细分音乐整体曝光偏少年轻用户喜好更高内容供给不足游戏整体曝光偏少年轻用户喜好更高内容供给不足美妆护肤各年龄段接近年长用户偏好集中可考虑提高年轻用户曝光占比5. 把分析结果变成投放定向、内容出库和监控指标分析做到这里已经回答完三个问题但这个案例真正的价值在于行动项。文档给出的方向很明确投放侧对低龄用户占比超过 6 成的百度 SEM 和广点通信息流设置更严格的年龄定向内容侧补充音乐、游戏等供给不足的品类或者在补齐之前暂时从注册兴趣标签里拿走推荐侧调整 global popular 内容在不同年龄段的分发比例。最值得落地的技巧是把结论转成可监控的指标阈值而不是一次性报告。这里有一个可以直接复用的思路从高点击率搜索词里建立“投放题材词库”从无点击占比超过 40% 的词里建立“内容风险词库”。投放团队做素材时优先使用前一个词库里的题材比如减肥、祛痘、护肤、粉底液因为这些词已经被验证有内容承接能力后一个词库则直接标记为暂不建素材。落地监控时可以这样操作CREATE TABLE growth_strategy_monitor AS SELECT stat_date, SUM(CASE WHEN no_click_rate 0.4 THEN 1 ELSE 0 END) AS risky_kw_cnt, SUM(CASE WHEN no_click_rate 0.2 THEN 1 ELSE 0 END) AS healthy_kw_cnt, AVG(CASE WHEN age_group IN (12岁及以下, 13-15岁) THEN next_day_retention END) AS junior_retention, AVG(CASE WHEN age_group 16-18岁 THEN next_day_retention END) AS senior_retention FROM daily_search_and_retention GROUP BY stat_date;逻辑说明这个表把两组关键信号收敛到一行risky_kw_cnt衡量内容风险词数量变化healthy_kw_cnt衡量内容承接是否变好junior_retention和senior_retention分别跟踪低龄与高中生的次日留存。把这四个字段放入周报看板策略是否生效就只看趋势。把它拆成每周循环的动作是周一跑上一周的搜索词画像比较“内容风险词库”的个数有没有下降再跑一次分发偏差指数看 bias_index 大于 0 的品类是否有收敛最后看低龄用户和大盘的次日留存差是否缩小。三个动作分别对应内容、算法、留存三个团队谁有问题在数据上直接暴露。把无点击占比 40% 和分发偏差指数大于 0 这两个阈值写进周度看板下一周的优化点会在数据里自动浮现。本文还有配套的精品资源点击获取