用户增长模型：预测获客与流失的趋势

用户增长模型：从零开始预测获客与流失趋势

无论你在运营一款APP、一个社区还是SaaS产品，理解用户数量如何随时间变化都是决策的基础。本教程将带你构建可落地的用户增长模型，即便没有深厚的数据科学背景，也能掌握核心逻辑并开始预测未来趋势。

1. 什么是用户增长模型？

用户增长模型是一种用数学语言描述用户数量如何变化的框架。它不追求绝对精准，而是帮助我们回答三类关键问题：

• 如果维持现有获客效率，下个月活跃用户会达到多少？
• 流失率上升一个百分点，会导致用户池萎缩多快？
• 要达到季度增长目标，每日需要投入多少新用户？

最经典的模型将用户池比作一个漏水的水桶：新用户是流入的水，流失用户是从桶底漏出的水。净增长正是流入与流出之差。

2. 核心方程式：基础增减模型

从最简单的情况开始：假设你只关心一个周期内（如一个月）的总用户量变化。

公式：

期末用户 = 期初用户 + 新增用户 − 流失用户

看似简单，但力量的来源在于对新增和流失的细化。

2.1 定义你的关键指标

• 新增用户 (Acquisition)：周期内首次完成关键行为（如注册、激活）的用户。
• 流失用户 (Churn)：周期内离开的用户。定义流失必须明确条件，例如“连续30天未登录”或“取消订阅”。
• 净增长：新增 − 流失。

初学陷阱：很多人把下载量当作新增，把卸载当作流失。真正的增长模型关注的是活跃用户，需要根据业务设定“活跃”和“流失”的清晰标准。

3. 引入速率：获客率与流失率

用户量很少从零线性增减，更常见的视角是通过速率来建模，这能反映内在的成长健康度。

3.1 流失率的两种计算方式

• 阶段流失率 (Period Churn Rate)
  适合周期性结算的场景。
  流失率 = 周期内流失用户数 ÷ 期初用户数 × 100%
  若月初有1000用户，月内流失50人，则月流失率为5%。

• 连续流失率 (Instantaneous Churn Rate)
  适合需精细时间刻度的产品（如SaaS）。常转化为日流失率或周流失率。日流失率可以简单估算为月流失率除以30吗？不可。要用指数衰减模型反推.

3.2 获客率与增长因子

获客速率通常不以现有用户基数为基础，所以更习惯看绝对获客数，或用病毒系数和邀请率来建模。

在基础模型中，我们直接用“每日/每月稳定新增数”来观察趋势。当获客本身依赖现有用户传播时，模型会升级为病毒式增长模型（第7节介绍）。

4. 手工搭建第一个预测表

让我们在电子表格里做一个最基础的月度预测，理解长期走向。

假设：

• 初始用户：10,000
• 每月新增：固定1,200人
• 月流失率：5%

步骤：

1. 第一个月末：流失 = 10000 * 5% = 500
   月末用户 = 10000 + 1200 - 500 = 10,700
2. 第二个月：流失基数变为10,700，流失 = 10700 * 5% = 535
   月末用户 = 10700 + 1200 - 535 = 11,365
3. 持续计算后，你会注意到增长速度在放缓吗？

这是因为流失量随基数变大而增加，新增却固定。每个产品都有一个承载平衡点：当 新增 = 流失量 时，用户数停止增长。在这个例子里，平衡点的用户量为：1200 ÷ 5% = 24,000。

4.1 练习：寻找你的平衡点

用当前数据计算：平衡用户量 ≈ 日均新用户 ÷ 日流失率。如果这个数字比你预期的小，说明要么提升新增，要么降低流失。

5. 考虑用户生命周期与留存曲线

月流失率5%不等于每个月恰好5%的老用户离开，流失模式通常是前期快、后期慢。更精确的模型需要用到留存曲线。

5.1 用留存数据预测未来用户

如果知道每天新增用户的后续留存率：

• 第0天新增100人
• 第1天留存率40%（留下40人）
• 第7天留存率20%（留下20人）
• 第30天留存率12%（留下12人）

把每日新增队列的留存曲线叠加，就能算出未来任何一天的总活跃用户：

某日活跃 = Σ(过去每一天的新增人数 × 该队列在该日对应天数的留存率)

这被称为队列留存叠加模型，几乎所有成熟的增长预测都建立于此。

简化版操作：如果无力维护复杂队列数据，可以用平均留存寿命近似。平均用户寿命 = 1 / 流失率。月流失率5%，平均寿命约20个月。这可以用来粗略计算用户终身价值。

6. 加入获客成本与投资回报视角

模型不止预测人数，还能连接商业决策。

获客投入模型：

• 每获客成本 (CPA)：例如5美元
• 月预算：10,000美元 → 每月新增2,000人
• 将新增人数输入预测表，观察不同预算下的增长曲线。

同时结合用户生命周期价值 (LTV)：

LTV = 用户平均每月贡献收入 × 平均寿命

若LTV远高于CPA，加大投入就可能加速增长。若低于CPA，增长越快亏损越大——模型提前预警。

7. 高级扩展：病毒式增长模型简述

当现有用户能带来新用户时，增长可能呈现指数形态。基本公式为：

新增 = 外部获客 + 现有用户 × 邀请率 × 转化率

其中 邀请率 × 转化率 也被称为病毒系数 (K因子)。

• 若K因子 > 1，理论上可实现指数增长。
• 实际中，病毒传播会遭遇疲劳，需要引入饱和因子。

对初学者，先完全掌握基础增减与流失速率，再逐步添加病毒分支。不要一开始就追求复杂公式。

8. 常见误区与校准技巧

1. 把“注册用户”当成模型基底
   注册后从未激活的用户属于噪声，应使用“活跃用户”作为建模对象。

2. 忽略季节性波动
   周中和周末、假期与工作日常有明显差异。使用7日移动平均或同比数据过滤噪声。

3. 用单一总流失率掩盖新老用户差异
   新用户流失率往往远高于老用户。分开计算并预测，准确度大幅提升。

4. 模型一次建成便不再更新
   每周用实际数据回测预测偏差，调整假设（如流失率、获客数），保持模型鲜活。

9. 你的行动清单

从今天起就可以开始构建模型：

1. 定义你的“活跃用户”和“流失”条件，团队达成一致。
2. 拉取过去6个月的周活跃用户数据，计算平均周净增长和流失率。
3. 在Excel或Google Sheets中建立基础增减模型，延伸未来12周。
4. 对比预测与实际，在第三周进行第一次校准。
5. 逐步收集新用户留存数据，为升级到队列模型做准备。

用户增长模型不是一次性的数学作业，而是一个持续演进的决策工具。掌握它，你就能从“感觉增长还行”进化为“我知道下个季度会达到哪个数字，以及需要做什么来改变趋势”。

继续学习建议：下一步可深入研究“同期群分析”教程，学习如何计算不同渠道用户的真实留存率和生命周期价值，这将让你的模型预测力再上一个台阶。