用户增长是一件个性化非常强的事情，淘宝在增长中执行的诸多策略或许拿到其他场景就完全没有效果。但另一方面，这些策略背后的思考路径和执行过程中总结的经验，是有参考意义的，有机会给读者在日常增长工作中带来一些提示。所以，本文不会出现太多实现细节，更多关注在策略制定背景和设计逻辑上。
所以本文从我们对用户分层的定义开始，重点分享淘宝过去一段时间在“拉新”和“召回”两个方面的思考和经验。
用户增长公式
我们站在平台视角，根据活跃情况对用户进行区分。第一个层面是MAU和非MAU，更细节的又各自有所区分。
非MAU用户，即过去30天没有在平台出现过的用户，是用户增长流量引入的目标用户：
MAU用户，如上图中着色部分，分为三层：
- 新增用户：顾名思义，是我们平台的纯新用户。就是从【潜在用户】转化而来的，平台用户纯增量。
- 召回用户：指回访的流失用户。是从【流失用户】转化而来的。
- 活跃用户：过去30天有产品访问行为，且当月又有访问的用户。
实际上，按照用户活跃情况仍然能继续细分。例如，对流失用户还可以细分为：月度流失、季度流失和年度流失，等。
拆分了MAU的用户成分，再看MAU的数学描述，由三个部分求和而来：
- MNU：只得是本月MAU增量，就是上图中横线以下的部分，包括新增用户和召回用户。
- 上月新增用户留存，只上月的MNU本月有留存下来，转化为活跃的用户。上图中的r指的是留存率。
- 上月活跃用户未流失，上月的活跃用户，本月仍有回访，未流失的用户。上图中的 λ指的是流失率。
通过对用户成分的拆分和用公式描述MAU，我们基本能够找到MAU增长的抓手是什么。而本文则会重点从MNU入手，介绍淘宝在MNU引入上的一些策略。
流量引入体系
淘宝用户增长的流量引入体系由三纵两横构成。
三纵，即业务流程维度拆分的引流的三个阶段
- 用户触达。分为二方和三方两种用户触达方式，是最外侧直接接触目标用户的系统。
- 连接体系。目标用户被触达后，通过转化，将成为MAU用户，连接体系负责高效稳定引入用户。
- 用户承接。用户通过连接体系进入平台，用户承接将有效帮助用户落地，为接下来的用户成长打下基础。
两横，即业务应用之下的基础设施和平台建设
- 用户总线。主要负责域内域外用户信息互通和信息流转。
- 用户平台。分别针对【人】和针对【行为】，是以数据为核心的两个基础设施系统。
本文后续内容个，将针对上述的五个部分分别介绍技术策略。对笔者认为更具有参考意义的部分，会用较大篇幅，其他的则一笔带过。
策略1 —— 智能投放
三方流量引入的主要手段仍然是广告投放，但有别于常规广告投放，用户增长广告投放目标的目标是：高质量MAU增量。
上图为常规广告投放流程。广告主会以不同的采买方式够得渠道方的流量，通常的PD/PDB/RTB等类型，而不同的流量类型在质量上也会有所区别。最终，广告主将以CPM或CPC等结算规则进行结算。
- 用户访问渠道后，渠道将会向广告主发起竞标请求；
- 广告主通过对流量的识别分析，给出反馈，决定是否投放；
- 如果选择投放，渠道侧将会按广告主的要求给用户进行素材曝光。
至此，最传统的广告投放流程就结束了。而上文提到用户增长的广告投放目标是高质量MAU，其中【高质量】是一个很重要的限定。所以，近年来渠道方提供了更先进的结算规则oCPX，即【可优化的CPX】。通过这种方式可以在成本一定的情况下，很大程度上提升广告主获取到流量的质量。即增加了上图中虚线一下的路程。
- 当渠道触达了用户（例如，用户发生了素材点击），渠道方会通知广告主；
- 广告主接到通知后，启动对该用户的跟踪。一旦该用户访问广告主的产品并完成既定行为，广告主将反馈渠道方；
- 渠道方把广告主的这次反馈作为素材推荐模型的正反馈，对模型进行优化。
在这个流程中，我们认为有两个核心，这两个核心也是【智能投放】的重点：
- 对人的认识。识别出用户增长的目标用户，做出准确判断，精准触达用户。
- 对素材的认识。在认识人的基础上，叠加对素材的理解，做出高效的素材个性化推荐，提升触达效率。
流量筛选（离在线人群服务）
在日常广告渠道对接中，我们发现不同渠道的技术能力和技术策略有非常大的差异。有些渠道技术能力非常强，能够对用户做出精准的识别，能非常好的帮助广告主进行精准触达；而更多的渠道不具备这样的技术能力，或者其关注重点不在于此，广告主必须提供流量筛选能力。
在这样的背景下，我们整合了大量数据源，建立起用户增长目标用户档案。一方面协助不具备流量删选能力的渠道进行精准的用户触达，另一方面为素材推荐提供数据支持。
工程上，提供离线和在线两种服务。通过工程手段把流量筛选规范化，每一个接入的渠道都会通过流量筛选服务进行精准用户触达。流量筛选作为渠道对接的一个必选流程，大大提升流量质量，降低了广告投放的渠道成本。
海量素材（素材个性化服务）
除了人的问题，素材问题更加棘手。常规的广告投放中，素材推荐往往发生在渠道方的系统上，很少有渠道会允许广告主自主进行素材推荐。这就要求渠道方要对广告主平台上的素材进行深刻理解，才有可能做出高效的推荐。但事实情况并不乐观，即使是技术能力最好的一些渠道系统，也只能允许广告主上传几张素材图片而已。素材曝光就是从这几张素材图片中选择，可以想见效率之低。根据我们的经验，这些素材的曝光点击率一般都在2%以下。
提升素材的曝光效率，一个基本条件就是素材数量。事实上淘宝有强大的素材能力，我们有海量的商品、权益和品牌信息；并且我们的设计师有丰富的经验，知道什么样的模板效率更高；更有先进的NLP算法支持我们做出高效的文案，这些元素通过工程能力的组合可以产出海量素材。
此外，基于对素材背后不同元素的深刻理解，淘宝的个性化推荐也非常强大，能够给出非常高效的素材推荐。
所以，在素材问题上，一方面对允许广告主自主推荐的渠道，我们接入自己的个性化推荐算法。基于背后的用户档案和海量素材，最高可以做到10%以上的曝光点击率。另一方面，对于不允许广告主自主推荐的渠道，我们正在寻求一种更先进的合作方式，即我们通过海量素材服务，赋能渠道推荐系统，实现高效用户触达。这也需要我们和渠道的共同努力。
举个例子
上图展示的就是我们在“抖音”平台上尝试的智能投放案例。图中三张素材图片都是通过工程能力，结合货品和设计师的模板合成而来的。而图示用户所看到的“女士冬装”也是基于算法对用户和素材的认知，进行的个性化推荐。
