酷開網絡大屏指數研究院趙磊：增長無處不在，OTT 領航家庭經濟數字化轉型
（原標題：酷開網絡大屏指數研究院趙磊：增長無處不在，OTT 領航家庭經濟數字化轉型）
來源：GrowingIO 2020增長大會（上海）
作者：趙磊，酷開網絡大屏指數研究院院長
大家好，我是酷開網絡大屏指數研究院的趙磊。
今天和大家分享的主題是，“增長無處不在，OTT 如何領航家庭經濟數字化轉型”。今天分享的本質，就是在產業當中落地一個切實可行的增長框架，把我們怎麼做增長的歷程和一些經驗給大家做一下分享。
1.關於酷開網絡
首先，給大家簡單介紹一下酷開網絡。酷開網絡做的是電視機裡面的操作系統，涉及影視、廣告、遊戲、應用分發等增值業務。
2009年我們做了第一臺互聯網電視。2013年發佈了酷開品牌電視，發佈售賣的時候創造了一個吉尼斯世界紀錄。2017年愛奇藝投資酷開，提供更好的運營服務，也實現了團隊的更新、所有年齡層的覆蓋。2018年百度投資酷開，爲酷開提供內容資源及技術支持。
現在，酷開網絡已經成爲了粵港澳大灣區的獨角獸企業，估值超過百億。隨着大屏時代到來與客廳經濟的迴歸，酷開網絡率先發布系統8無界空間，藉助物聯網實現空間賦能，爲用戶打造智能化、規範化的電視場景。
很多人說自己不怎麼看電視了，但是我最近看電視還是比較頻繁的，因爲電視已經不再是以前單向信息傳遞的工具了。現在電視可以和用戶互動，推薦的內容都是和我平時的愛好相關。還有物聯網設備，通過電視都可以控制。隨着技術的發展，在家庭中會逐漸形成一個規範化場景，我開會用電視、玩遊戲用電視、投屏用電視，交互場景越來越多。
2.酷開網絡的增長框架
未來，由於有了智能物聯網的設備，電視的使用會越來越頻繁，科技給家庭生活帶來了一些不一樣的東西。看到了這個前提，所以 OTT 行業的增長有無限可能。
2.1 OTT 行業面臨的挑戰
但是，酷開網絡在探索行業增長道路時，遇到了兩大尖銳問題。和我們相同的產業化公司，同樣會遇到類似問題。
第一個問題，當前粗曠的運營方法，難以滿足用戶的個性化需求。用戶希望是千屏千面，每個人給他的東西獨一無二的。
第二個問題，沒有更好的理解用戶的方法，業務的增長遇到瓶頸。今天我打開淘寶，我刷着刷着會發現我願意看了；今天打開抖音覺得這個內容挺喜歡，也願意看下去：這本身就是用戶理解能力，背後通過大數據技術、通過機器學習理解用戶。
但是落地到產業當中，如果我的企業不是創業公司、不是從0開始，而且我們有自己的業務系統，也做了一些業務數字化，那如何把增長思維加上，這是一個很關鍵的問題。我們也可以明天就落地增長，但是這些增長經驗賦能到我們的產業當中去，也是個問題。
我們認爲，OTT 行業中智能化理解用戶與增長引領相輔相成，所以我們選擇了一個相對複雜的框架，同時開啓數據智能化與增長驅動，利用數據賦能增長。
2.2酷開網絡的增長思維和框架
進一步思考，你會發現背後本質的問題，增長存在兩種思維，一種是流量思維，一種是超級用戶思維。
流量思維，即把用戶當作流量，這是傳統模式。在流量思維指導下，企業通常一手抓渠道，一手控制價格。超級用戶思維，該思維模式認爲用戶全生命週期價值遠大於單次獲客。
在超級用戶思維的指導下，業務人員會針對用戶不同的生命週期，建設差異化流量、提升用戶使用率，以維持用戶完整的生命週期。這樣的增長是健康的、可持續的。
當我們理解了這個後，也提了一個把目標和方法融合在一起的指導思想：
一切增長都需要落地到產業中！
這是非常關鍵的。落地到產業中的增長方法很多，很多時候會停留在理論上；大家覺得很好，但是沒法落地。具體該怎麼做呢，給大家分享一下我們酷開網絡的方法。
我們建設了一個“增長+AI ”雙驅動的閉環框架。上層是基於增長，建設了一套科學的、數字化的、以“可視化”驅動的閉環流程，指導我們用試驗驅動業務增長。下層是把過程中學習到的經驗通過模型、通過智能化的方式沉澱下來，形成一個閉環反過來指導業務。閉環一旦建立起來，增長就沉澱在我們產業當中，就形成了一條可行的路徑。
當然，要想實現數字化驅動增長，還需一套完成的解決方案。酷開網絡規劃解決方案時，發現四大關鍵因素，我們將之稱爲“四個力”：
滲透力：酷開網絡的品牌與內容，甚至是用戶深度。
價格力：在市場上以最優的價格打動用戶。
沉澱力：沉澱用戶之後挖掘全生命週期價值。
現在市面上有很多關於增長的書籍，它們有的把增長框架分爲不同階段。實際上我認爲，企業做增長只需找到適合自己的階段足以，能夠抽象出兩三個環節最好。
增長的本質，在於理清如何挖掘流量價值；如何提升線上線下轉化；如何沉澱數據。在酷開網絡驅動增長的解決方案中，我們將其概括爲明道、取勢、優術、踐行四大階段。
2.1明道：家庭用戶洞察與精細化場景流程
第一點，明道，洞察家庭用戶以及每一個精細化的場景。
電視前的用戶應以家庭爲單位衡量，而不僅僅是電視機、或是單獨的個體。因此我們圍繞家庭場景建設了12大類、96小類的標籤體系，涵蓋使用場景、電視使用情況、互動方式、興趣偏好、組成結構、文化觀多樣維度。
只有通過全量精細化標籤並實時計算更新，才能完整地描述用戶畫像、洞察用戶痛點、發揮用戶數據價值。進行用戶標籤的最終目的，是發現我們的用戶是誰。
在圍繞用戶進行產品設計和功能迭代時，我們很容易犯下一些錯誤。比如把我們自己需要的功能或把競爭推手推出的功能當成用戶需求的功能。實際上，這些都不對。我們必須關注我們的的用戶是誰，用戶背後的受衆是誰。只有正確認識用戶，洞察用戶需求，纔能有效制定增長策略。
有了這些能力後，我們就可以洞察用戶的這些領域，具體包括：
用戶：誰是我們的超級用戶？哪些是潛在的超級用戶？
市場：用戶購買的aha時刻是什麼？購買時間分佈如何？
消費動機：市場趨勢如何？對於目前產品和服務，是否會有新的市場？
消費路徑：用戶購買路徑如何？如何從付費率、ARPU 值、留存角度優化消費路徑？
以上四個方向都可以通過挖掘數據獲得洞察。但在增長實操中，並不需要把所有的方向找出來。我始終認爲，做增長應該要明白聚焦的概念，找到突破點纔是關鍵。
2.2取勢：指標管理體系建設，挖掘精細化流量價值
第二點，取勢；這個很關鍵，叫做指標體系建設，來挖掘精細化流量的價值。
我們內部建立了一個金字塔，從最底層的 MVP 到快速成長，到業務穩定，到增長驅動，最後到最頂層的價值。
每一層都有指標要求，我們內部稱爲2583法則：
2就是指標定義的兩大原則，
5就是五個分層，
8就是八種指標定義的方式，
3就是指標拆解的三種方式，OSM+UJM+場景化。
舉個例子，上圖就是我們常用的指標體系分層設計思路，OSM+UJM。首先找到你的目標（Object），然後找到你的策略（Strategy），最後確定你的度量（Measurement），刻畫出你用戶的全生命週期。
結合分層，就可以得到這個的數據指標體系，從一級指標往下拆解二級指標、三級指標甚至四級指標。在這個分層指標體系中，需要有數量上的要求。有人說我的一級指標有二三十個，這個沒有任何意義，指標越多不一定是好的事情。
指標體系最大的價值，就是有一套科學的方法，能夠讓我們進行正向和逆向的回溯，減少無效指標的干擾。下面我結合酷開網絡的案例給大家講解一下。
最開始我們通過一些用戶行爲，建設指標的過程當中，你就和策略相關，你會關注一些關鍵行爲，最後成爲了北極星指標。而北極星指標可以逆向回推。
我講的這個案例，在座的大部分人肯定想自己都能做，相信這個事情很簡單。但是，難的地方在哪裡？你的公司、你的團隊能否始終如一的去做這些事情？我們內部的指標是強管理的，所以我們團隊在內部做這些事情的時候覺得還是困難的。如果你的團隊把指標管理的非常好，我相信搭建指標體系對你來說就不是什麼問題。
第三，優術，指的是分析引擎的建設。
最開始建設分析引擎的時候，我們考慮過兩種方法：第一種，直接在業務中沉澱分析引擎；第二種，先規劃好分析引擎再去做。以前我們認爲，分析引擎體系可以在實踐中不斷迭代；但是在具體實踐中，得到的結果改變了我們原先的認知。建設分析引擎，應該是先規劃，再去實踐。因爲一旦規劃和引入策略框架後，我們的業務也會隨之調整。
因此在這裡建議大家，建設分析引擎時一定要先基於模型、分析引擎的概念進行宏觀設計，再進一步指導微觀業務。
目前酷開網絡建立了用戶模型、營收模型、行爲模型和產品模型等等，這些體系爲我們後期分析提供非常大的幫助。而且你有了模型，未來的增長試驗要沉澱什麼、要分成幾個步驟，都有據可循。
這是我們的分析引擎，總體而言，酷開網絡的分析引擎經歷了六大階段。從一開始的純報表分析、精細化分析、數據模型分析，再到增長策略分析、多因子增長策略分析，再到第六代的趨勢分析與預測。
我非常贊同 GrowingIO CEO Simon （張溪夢）的舉例，數據分析其實就是解魔方的過程。一開始就是一階魔方，就是一個骰子；二階魔方，一面有4個塊；三階魔方，一面有9個塊。我們不停增加維度去把它拆解下來。我們基於人的主觀判斷，一般人就玩到三階魔方，厲害的人可以到四階魔方。再往下更高階的就很難了，所以說未來一定是基於模型的方式來驅動整個分析體系的建議，因爲它的整個決策都是非常可觀的。
進一步，我們將智能推薦與增長框架相融合，一方面通過引擎快速找到用戶，另一方面基於增長框架進行推薦效果與參數的調優，爲用戶提供智能化推薦服務，最終形成增長閉環。
舉個例子，過去我們在做交叉推薦模型的時候，往往在模型處理與策略調優這一環節停下。但實際上，我們是可以往下做的，即藉助模型實現自動化策略的下發與沉澱。在這裡我也建議智能化做得不錯的企業，可以把後面的環節銜接起來，這樣能產生更好的效果。
同時，我們可以拆解一整套分析模型，單獨賦能獨立業務。我們拆了付費潛力、產品包、價格敏感、營收四個模型，進行產品價格投放的全自動化運營。經過酷開網絡實測，機器能夠產生比人更好的效果。
有了分析引擎，我會把它和我們的智能化銜接，比如以前我們的智能推薦。現在和我們的增長框架先融合， 一方面通過我們的“先知引擎”快速找到我們的用戶並進行推薦。那麼推薦的效果、推薦的參數怎麼調整，那就基於我們整個增長框架不斷調優，這就形成了一個閉環。
給大家舉一個我們做的交叉推薦模型的案例。我們從用戶的行爲特徵，包括用戶特徵、影片特徵、上下文特徵等出發，抽象模型進行推薦。以前我們做到中間這部分就停止了，但是現在我們繼續往下走，增加了下面策略下發和沉澱的環節。 如果智能化做的還不錯的朋友，可以嘗試把後面的部分接起來，效果還挺好的。
而且這個過程中還有很多單獨的分析模型可以拆解出來，賦能獨立的業務。我們拆了4個模型，從產品包、價格敏感度等等，拆出來它就可以實現產品投放的全自動化運營。而且我們實際測試了，機器的效果會比人好很多。
2.4踐行：關注用戶全生命週期，用增長實驗實現流量再生
第四，踐行，如何切實執行我們的增長試驗，讓流量再生。
我把增長實踐分爲兩大部分。一部分是我們通過什麼工具進行增長實驗；另一部分是如何進行組織體系建設。相比之下，我認爲建設企業組織體系更爲重要。只有建設與數字化增長範式相匹配的組織架構，才能保障增長這件事順利落地，並持續爲業務賦能。
當組織體系足夠敏捷時，便形成了企業級敏捷，就像上面這張圖各個小團隊融合在了一起。團隊間的彈性、適應性以邊界也會變得更強，小步快跑的增長實驗也擁有了更多的空間。
彈性組織爲企業未來一切的發展方向提供可能，這也是增長的價值。這是我認爲最重要的部分，建設一個企業級的明捷的組織體系來保障增長的落地。
有了前面這些方法，我們在做一些活動的時候會怎麼去分析和優化呢？
我們在電視機上有一些新媒體營銷活動，比如右邊這個大轉盤抽獎活動。這個大轉盤活動參與的人數還是很多的，我們也是真金白銀往外給用戶送獎品，用戶還挺喜歡這個活動形式。
我們羅列出整個用戶旅程的全部路徑和步驟，在上圖左邊，然後拆解所有的指標進行分析。然後進行測試，並且和歷史數據進行對比。
分析上面兩個漏斗，你會直觀發現這次活動的數據是下滑的。但是下滑的原因是什麼，我們一開始不知道。這個頁面已經改了N個版本，這次也不知道引入的是哪個版本。
我們做的第一個用戶行爲分析，研究用戶在頁面上的點擊分佈，如上圖。我們發現登陸按鈕點擊較高，通過同期活動點擊熱力圖對比來看，這次大盤登錄按鈕有15% 的點擊率。很有可能是用戶進來之後還得登錄，登錄失敗了很多人就流失了，這是極有可能的。
以前我們分析到這一步就結束了，但是現在不是這樣的。第二步，我們會結合用戶的行爲去判斷有點擊用戶和無點擊用戶是否有特徵差異。
通過這個圖，我們基於用戶活動參與的心理時間成本，得到一些洞察：
抓住用戶進入活動後的20秒黃金時間點，增長一個有效的互動交互環節能有效地提升用戶活動參與度
在40秒內能夠讓用戶有效地開啓活動環節
在2分鐘內，能讓用戶完成一次活動或遊戲的互動。
這也是一個很重要的模型參數，我們稱之爲魔法數字，是用戶參與活動的心理時間成本。把這個參數抽象出來，未來是可以複用的。
第三，基於全量精細化的人羣，我們可以洞察所有對我們感興趣人羣具備什麼樣的特徵。他們的時間段特徵、家庭畫像特徵、行爲特徵，而這些將來會是你參與活動之後所能沉澱下來的經驗；基於這些沉澱的經驗，指導你二次改進產品和運營。
這三點彙總起來，就形成了我們的改進方案：我們先找到用戶羣體；然後瞭解到用戶的需求；最後，設計一個從宏觀角度基於數據決策來講非常科學有效的一種活動方式。一個是優化登錄流程，另一個是優化活動節奏的流程，減少多餘環節。
整個優化後的效果非常好，大幅度促進了流量的轉化和復購，促進了業務增長。上圖中的箭頭，就是我們發現問題後趕緊修復的時間點；修復優化後，整體量就上來了。
因爲這只是一次簡單的小活動，峰值會逐漸下去；如果我們同時開展很多長期性的活動，你會發現未來的波峰會持續保存。如果你加了自動化推薦的能力，由機器去推薦給合適的用戶，那未來它效果的持續性一定是遠高於人工運營的效果。
增長心得
最後和大家分享一下我們做數據驅動和增長的心得。
第一點，流量。通過今天的拆解，我們其實更懂得流量思維和超級用戶思維的差異，更注重超級用戶的運營，讓用戶能更長久地留在我這裡。
第二點，轉化。轉化一定是有一套科學體系的，而且當轉化複雜的時候拍腦袋決策會形成彼此之間的干擾，所以我們要分層分析轉化。在不同的節點做轉化分析，研究這些節點之間是否有關聯，並通過指標來驗證。
第三點，數據沉澱。我非常贊同 Simon 說的，每個企業都要有自己的數據銀行。數據銀行的最終價值不是說你把你之前的數據存下來，那個沒有太大作用；而在於你存了一份活的數據，這個數據能夠協助你沉澱經驗，指導下一次的投放、運營和產品設計。
最後和大家分享一下我的幾點大方向上的心得。
首先，我覺得增長真的是一種思維方式，他給我們一些傳統的思維方式帶來一個新的改變，而它也確實要結合我們每個產業每個產品自身的特點要做落地。
其次，流量精細化、策劃驅動轉化，數據沉澱是發揮增長長效機制的基礎。
最後，數據模型化、智能化是未來增長的核心驅動力。現在大數據技術包括 AI 技術其實是已經進入了應用階段，而我們的起點如果從模型化和智能化來做的話，我覺得現在是一個非常棒的點，這些也是未來驅動增長的一個核心競爭力。
以上就是我分享的全部內容，謝謝大家。