增长黑客&病毒营销&用户裂变背后的病毒系数K

作者: 樂桀朱康 | 来源:发表于2019-04-10 16:51 被阅读8次

增长黑客&病毒营销&用户裂变背后的病毒系数K
裂变！裂变！微信流量的薅羊毛
网页设计 - 收藏集 - 掘金
《增长黑客》小记
邀请好友类活动怎么用到病毒系数K
焦点领动【功能升级】2020年4月第一周：新增全站AMP功能
#读书笔记#流量池DAY-6高小玉
经历了一场裂变的实操，才知道“纸上得来终觉浅”
用户增长深度剖析
《增长黑客》阅读笔记：增长黑客的崛起

导读：创业公司成功的一个非常重要的因素是找到一个低成本获客的方法。所以每个营销人员都绞尽脑汁试图通过产品或服务创造爆发式的黑客增长，产生大量积极的口碑和一大批新客户。然而事实上只有极少数公司实现了真正意义上成功的病毒式增长。但无论如何，我们还是需要介绍病毒营销背后的一个核心关键点，即病毒因子/病毒系数K-Factor。几乎所有的增长黑客、用户裂变和病毒营销背后，都离不开它。以下是关于病毒系数K的快速入门，是一篇略有难度的技术性文章。

一、初识病毒系数K

想象一下，你有一个新产品，计划通过病毒营销来获取用户。你有10个朋友是第一批种子用户，他们开始邀请朋友来注册你的产品。

变量名	描述	示例值
Custs(0)	初始种子用户	10
i	每个用户发送的邀请数量	10
Conv%	每个用户邀请成功转化率	20%

病毒系数K值相关要素和变量（示例）

表格中和病毒系数K值相关的三个要素和变量分别是：

Custs(0)，即初始种子用户Customer；
i，即每个用户发送的邀请数量Invitation；
Conv%，即每个用户邀请成功转化率Conversion Rate；

我们需要计算的第一件事就是每个现有用户能够成功带来多少新用户，这是一个非常重要的变量，被称为病毒系数K。计算病毒系数K的公式非常简单：将每个用户的邀请数乘以邀请成功的转换率，即：

K = i * Conv%

现在让我们来看看在你新产品经历病毒感染的第一个周期，K是如何影响用户增长的。我们最初的10个客户将分别发出10个邀请(i)，每个人邀请成功的转化率是20％(Conv%)，病毒系数K=1020%=2，即每个现有用户带来了2个新用户。*

因此，第一个周期后的总用户数将等于初始种子用户10，加上新的20，等于30。

初始用户数量是10
每个用户能够有效传播的用户量是10，转化率是20%，也就是每个人能够成功转化2个新用户
第一轮增长周期完成后，总的用户量是10 + 20 = 30个

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">病毒增长系数K在增长过程中的影响</figcaption>

上面的数据显示了在初始用户量为10，增长系数为2的情况下，在经历12轮增长后，总用户量从10变成了81910。

在实际场景中，每一轮的增长过程，老用户所能带来的新用户转化效率会远低于他们的首次转化。因此，在上面的模型中，每一轮增长的用户量，都来自于上一轮的新用户所带来的转化。

病毒系数K有什么用？

K会告诉你，你的产品在营销推广过程当中用户裂变、用户自增长的效果。

我们说过，病毒系数K=每个现有用户能够带来多少个新用户。

0≤K<1，代表了用户不会自增长，无病毒营销和用户裂变可言，因为平均每个用户，将无法带来另一个完整的用户。这是亚线性增长。
K=1，代表了用户将自动线性增长，因为平均而言，你的每个现有用户能够成功带来一个新用户。
K>1，用户将以指数方式增长，也就是我们说的病毒营销/用户裂变，因为平均而言，你的每个现有用户将带来多个新用户，这是超线性增长。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">病毒系数K将决定你的产品是超线性（K>1）还是亚线性（K<1）增长</figcaption>

如果你的病毒系数K值>1，那么恭喜你，你做了一个很好的病毒营销和用户裂变。但病毒系数K值也并不代表全部，不同类型的产品还是需要分别看待的。我将在本文的第4部分深入探讨这一点。

绝大多数关于分析病毒系数K值的文章，到这里就结束了，让很多人感觉病毒系数K值是很简单的一个事情。错了，病毒系数K值其实是比较复杂的，接下来我会逐渐深入分析。

二、病毒系数K值进阶

如果你曾经开始计算病毒系数K，你会遇到的第一个问题是——

计算什么时间段内的病毒系数K？

因为选择不同的时间段，病毒系数K是完全不一样的。

病毒系数K=每个现有用户能够带来多少个新用户

所以我们也可以说，病毒系数K=新加入的新用户/现有用户

要计算病毒系数K值，这里需要涉及到一个时间段的概念，即循环周期，或者说是病毒感染周期Cycle Time，它是指新邀请一个用户需要花多长时间。所以病毒系数K值一定是在一个时间范围内的。

这里我们要谨记——

病毒感染周期Cycle Time的不同，分子即新加入的新用户数量不同；
病毒感染周期Cycle Time的不同，分母即现有用户的不同；
病毒感染周期Cycle Time的不同会导致分子和分母的变化，由此导致病毒系数K的不同；

让我们来看一个例子——

第1个月

活动：用户A，B和C看到广告后，注册。

image

病毒系数K @截止第一个月月末=0，因为用户A，B和C没有转化任何新用户。

第2个月

活动：用户D，E，F看到广告，注册……在第二个月月末，有了6个现有用户。

image

病毒系数K @截止第二个月月末=0，因为用户A，B，C，D，E和F都没有转化任何新用户。

第3个月

活动：用户A，D和E成功邀请到新用户，分别为G，H和I。与此同时，J，K和L是从广告中注册来的。同时用户G又成功邀请了一个新用户M。这样一来，第三个月月末有13个用户。

image

那么我们来计算，病毒系数K @截止第三个月等于多少？

在第3个月末，有13个用户。其中——

用户A，B，C，D，E，F这6个是“成熟用户”（待了至少一个月）；
用户G，H，I，J，K，L，M这7个是“不成熟用户”（待了不到一个月）；
用户J，K，L这3个来自广告；
用户G，H，I，M这4个来自现有用户邀请。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">第三个月用户情况细分</figcaption>

我们知道现有用户成功邀请了4个新用户，分别是G，H，I和M。根据“病毒系数K=新加入的新用户/现有用户”这个公式，我们来计算下病毒系数K @截止第三个月等于多少？

注意：在这里，因为成功邀请一个新用户需要多少时间，即病毒感染周期Cycle Time的不确定，所以上述的公式中，分子和分母都是无法确定的。我们要根据情况去分析。

分母取决于用户邀请新用户所需的时间，这称为“循环周期，或者说是病毒感染周期Cycle Time”（详见下文）。这里我们计算的分母，指的是处于病毒感染周期内、能够邀请新用户进来的那些用户。

好，我们现在计算@截止第3月月末的病毒系数K。

假设1：病毒感染周期CT是2小时，计算病毒系数K

在这种情况下，病毒感染周期CT（即表示成功邀请一个新用户所需要花的时间）是2小时，时间足够短。截止到3月底，共有13个用户，每个用户都有机会邀请新用户，从中不需要剔除掉任何用户，因为它们之间根本没有差异（因为每个用户都满足超过2小时这个要求）。我们已经知道了，最后成功进来的新用户是4人（G，H，I，M），截止到3月底，符合条件的“现有用户”总人数是13人，所以K值=4/13=0.31。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">假设1：病毒感染时间CT是2小时，不需要剔除掉任何用户</figcaption>

假设2：病毒感染周期CT时间是1个月，计算病毒系数K

在这种情况下，病毒感染周期CT（即表示成功邀请一个新用户所需要花的时间）是1个月。那么到第3个月末，只有A，B，C，D，E和F这6个用户（成熟用户，时间超过1个月）有机会邀请人，所以你的分母，即符合条件的“现有用户”是6，你的病毒系数K=4/6=0.67，对吗？不对！因为新用户M是G邀请的，但是G是不成熟用户（第3个月才被邀请进来的，待了不到1个月），所以你的分子必须排除受G邀请的M，在这种情况下，你的病毒系数K=3/6 = 0.5。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">假设2：病毒感染时间CT是1个月（剔除3月份进来的不成熟用户）</figcaption>

假设3：要求从第2个月开始计算，同时满足病毒感染周期时间CT是1个月，计算病毒系数K

在这种情况下，要求从第2个月开始计算，同时必须满足病毒感染周期CT（即表示成功邀请一个新用户所需要花的时间）是1个月。那么在分母中，我们先剔除掉第1个月的用户A，B，C，再根据CT病毒感染周期需要1个月这样一个要求，只有D，E和F这3个用户有机会邀请人（G，H，I，J，K，L，M都是第3个月才进来的，没待到1个月），所以你的分母，即符合条件的“现有用户”是3，同时剔除掉分子中的G和M，那么你的病毒系数K=2/3 = 0.67。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">假设3：排除第1个月（时间不符合要求）和第3个月（不够成熟）的用户</figcaption>

以上的例子只是为了说明，你需要计算什么时间段内的病毒系数K？因为选择不同的时间段，病毒系数K是完全不一样的。

三、深入理解病毒系数K

病毒系数K=每个现有用户能够带来多少个新用户。

K = i * Conv%

i，即每个用户发送的邀请数量Invitation；
Conv%，即每个用户邀请成功转化率Conversion Rate；

让我们来看一个例子。

首先，假设我们发送了所有邀请Invitation，共计1000个。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">1000个邀请Invitation</figcaption>

那么要计算i，你需要知道Custs(0)即初始种子用户Customer的人数，好，我们假设Custs(0)有800人。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">800个初始种子用户Custs(0)</figcaption>

因此：i = 1,000/800 = 1.25，这代表每个用户发送的邀请数量是1.25个。

接下来，假设邀请只有1/10实际被接受了。因此，你的1,000个邀请在该产品上实际获得了100个新用户。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">1/10的邀请成功率</figcaption>

因此：Conv% = 1/10 = 0.1

最终，你的病毒系数K=i * Conv% = 1.25 * 0.1 = 0.125

同样地，你也可以说，800个用户带来了100个新用户

即，平均1个用户能够带来100/800个新用户

故，病毒系数K=新加入的新用户/现有用户=100/800=0.125

这里如果对病毒感染周期CT没有特殊说明或要求，我们默认是计算短时间段内的病毒系数K值。

四、病毒系数K值的含义

为了获得真正的爆发式黑客增长或病毒营销式的用户裂变，这意味着你需要通过自己已有的初始用户Custs(0)去超线性地获取用户，即病毒系数K值>1，换句话说，你添加的每个用户随后能至少带来一个新用户。病毒系数K值>1是你成功的标志性信号。在这种情况下，你必须将注意力转向病毒循环时间/病毒感染时间Cycle Time，我将在本文稍后介绍。

但也不是说病毒系数K>1就一定保证成功。

比如你做的是2B 端的产品，即便有受邀的新用户进来，如果他感觉用户体验不好或者他感受不到产品的真正价值，那么即便你前期通过现金或者红包等激励方式邀请新用户进来，确实做到了病毒营销，病毒系数K值也很可观的超过了1，但是由于你的新用户感受不到你的产品价值，所以他们是不会为你的2B业务增加任何价值的，他们的付费转化率和留存率都会很低，久而久之，在后期，你的病毒系数K值会降低，最终小于1。

我们可以来看几个现在很多人对于病毒系数K值的错误认知——

病毒系数>1意味着你可以达到市场-产品匹配Market Product Fit

这种错误认知的根源在于它没有认识到市场-产品匹配Market Product Fit的实际决定因素。市场-产品匹配Market Product Fit意味着你应该做的是专注于市场Market中的问题Problem，然后寻找解决方案Solution或做出一个产品product。留存曲线是完全可以表明Market Product Fit的。留存率是与其紧密相关，留存率高，说明产品有价值，用户的生命周期价值就长，你从中就能获得更长的用户生命周期营销。而一旦如果你无法提高用户留存率，那么这很可能会限制你的用户和业务增长，也在某种程度上说明了，你的产品价值是不足够吸引用户的。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">留存曲线反馈市场-产品匹配Market Product Fit</figcaption>

所以市场-产品匹配Market Product Fit最注重的是产品和服务的价值，最关键的是留存分析和留存客户数，而不是病毒系数K值，当然如果你的客户留存高，同时病毒系数K值又大于1，那么恭喜你，你的病毒营销真的很成功。但是如果你留存率低，紧靠着红包/现金/奖品等激励机制和营销活动将你的病毒系数维持在1以上，那么其实是毫无意义的，因为用户是冲着红包和奖品等激励来的，而不是冲着你的产品。这就是为什么那么多共享产品失败的原因，因为从一开始他们就是靠补贴和奖励做的病毒营销，即便将病毒系数K>1，但并没有专注于产品价值本身，等投资人的钱花完了，没有补贴和奖励了，平台上的用户也就流失了。

病毒系数K<1是是毫无价值的

这是第二个谬论。如果企业能够以低于客户生命周期价值(Customer Lifetime Value, CLV，有时也称为终身价值Lifetime Value, LTV)的客户获取成本(Customer Acquisition Costs, CAC)去获得新用户，则企业可以获利。换句话说，CAC <LTV就意味着盈利。此模型在企业销售方案中应用最为强大，因为CAC和LTV易于计算，但对于所有类型的业务通常都是如此，参考阅读：《什么是客户生命周期价值CLV，以及该如何计算它？》、

病毒系数K<1不会影响你实际支付的获客成本CAC。假设我做2B业务，我支付1000元来获得10个客户，这10个客户都购买了我的产品，且都成功邀请了另外1个客户。因此，对于最初购买的10个客户，病毒系数K= 1/10（病毒系数很低，小于1，但是却是付费客户，我能够盈利），CAC = 100元，每个人的实际CAC = 1000元/（10 + 1）= 91元。我本该花100元但实际只花了91元就可以获得一个付费客户。

所以说，对于那些商业模式不清晰，没有盈利点可图的公司，若病毒系数<1，那么这种伤害是致命的。但是对于那些商业模式清晰，有利可图，特别是2B的公司来说，病毒系数<1是完全没有影响的，增长黑客、病毒营销、用户裂变也不该是这类公司的首要指标。

病毒系数>1意味着你会获得无限指数增长

关于这一点，它可能是真的，但它只能在有限的时间内成立。一旦开始占用市场，指数增长就一定会减少，病毒营销和用户裂变不可能一直进行下去。

因为现实情况中，存在两个原因，首先一个之前提到的循环周期，或者说是病毒感染周期Cycle Time，它是指新邀请一个用户需要花多长时间。邀请新用户加入可能需要一个很长的周期时间，而且这会随着时间的推移越来越难，比如活动的吸引力逐渐减弱，因此“指数增长”实际上只能在可预测的短时间段内呈超线性关系。一旦时间一长，用户邀请就会很困难。其次，即便在一开始，病毒系数K>1，但如果你的产品没有价值，用户在你的产品上得不到你想要的东西，用户的付费转化率和留存率就会降低，你的病毒营销和用户裂变就会越来越弱，病毒系数K值最终小于1，导致增长量趋近于0。

五、病毒周期时间及用户随着时间推移的变化情况

每一次新进来的新用户越多，你的病毒系数K值就越高，这意味着病毒系数K值是你复合用户数的变量。

那么用户随着时间推移，是怎样的变化情况？

如果你对数学感兴趣，可以看看下面这个病毒传播公式——

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">病毒传播公式</figcaption>

Custs(t)，即一段时间后的总用户量Customers after Time
Custs(0)，即初始种子用户Initial Customers
K，即病毒系数Viral Coefficient
t，即病毒传播总时间Time
ct，即病毒循环/传播/转化周期Cycle Time

当我们用ct表示转化周期，那么在时间点t可完成t/ct轮转化，便可以计算在时间点t的总用户量：

image

我在这里不重新推导这个病毒传播公式，我们直接根据公式来看一张表，t=30天时和t=90天的用户数量，假设Custs(0)= 1,000，再赋予其不同的病毒系数K和ct假设值。假设的病毒系数K值列在左侧的黑框中，ct的值（以天为单位）列在顶部的黑框中，每个相应单元格中显示的值显示使用每个假设计算的用户数量。

image

<figcaption class="wp-caption-text" style="box-sizing: border-box; margin: 0.5075em 0px; padding: 0px; border: 0px; outline: 0px; font-size: 13px; vertical-align: baseline; background: transparent; overflow-wrap: break-word; display: block; text-align: center; font-style: italic; color: rgb(153, 153, 153);">t时间点的总用户数与病毒增长系数K的t/ct阶乘正相关</figcaption>

K<1，亚线性增长，即一个用户无法完整的带来一个新用户。此时，你要活得增长，就是提高病毒系数K值。
K≈1，情况慢慢好转。
K>1，超线性增长，此时减少循环/传播/转化时间，即减少ct值比继续增加病毒系数K值来得更有价值。从上面的模拟数据可以看出，转化周期对于在病毒增长过程中影响非常大，越短的转化周期，带来的增长越猛烈。从公式中可以可以看出，t时间点的总用户数与病毒增长系数K的t/ct阶乘正相关，所以缩减转化周期比增家转化系数更能有效的提高增长。