今日头条用户增长的秘密你了解了多少？

在信息流推广火爆的今天，今日头条可谓是博人眼球啊，虽然大家对它的评论褒贬不一，但是在用户增长这方面，谁又能说它做的不好那？

根据数据统计，今日头条自2018年以来从 3.9% 猛增到 10.1%，增长了1 .6 倍，超过百度系、阿里系稳居总使用时长第 2 名。更意想不到的是头条系产品这种突飞猛进的增长速度还在持续，单今日头条资讯 App 每天还在保持 100万+ 的新增。

那么针对于头条这么强的用户增长率，究其原因，我们有没有想到是为什么那？又有我们值得学习的哪些技巧那？接下来，就由厚昌学院的小编来为大家分享一下其中的方法吧。

其实，头条之所以可以达到快速增长，主要是依靠它那强大的数据监控系统(花大价钱买数据)，任何产品的日活和增长数据都在它们的监控之下。

另外，为了帮助提升创新产品的成功率，头条内部甚至还研发出了一套增长引擎，在咱们还在纠结用哪条创意、哪个着陆页、哪个颜色按钮时，它们已经在同时进行几十组甚至上百组的 A/B 测试，帮助产品经理和运营们找到最优的方案了。

虽然，头条强大的数据监控系统我们模仿不来，他们的增长引擎我们也暂时研发不出来。但是帮助筛选最优方案的 A/B 测试，我们还是可以进行借鉴学习的。

　　今日头条的A/B 测试

A/B 测试对于竞价员或优化师而言，再熟悉不过。所以，一些概念性的东西就不说了，我们来看看：今日头条是如何开展 A/B 测试的?

今日头条的头条号具有“双标题”功能，这其实就是 A/B 测试的一种实践。

　　一篇内容可以起两个标题，那么一个标题废了，还有另一个标题撑腰。不像微信公众号，只有一个标题，一旦标题废了，阅读量基本上就完蛋了。

这套“动态”内容推荐机制是如何运转的呢?

同样的方案，今日头条会先推荐给小范围的人群：

比如 100 人，如果这 100 人对标题、内容的反馈均不错，那就把方案推荐给更大范围的人群，比如 500 人，如果这 500 人对标题、内容的反馈效果很好，再推荐给更大范围的人群，比如 2000 人，以此类推。

用户的行为动作会被搜集，据《今日头条推荐系统原理》介绍，基本上每小时都可以看到用户对内容的反馈。但因为每小时都有数据上的波动，今日头条通常以天为时间节点，来查看用户的行为数据。

将用户的行为动作进行搜集后，今日头条会有日志处理、分布式统计，写入数据库。

由于，今日头条设置“双标题”的功能，使其更加精准地了解用户对于标题的反馈，从而掌握用户的行为数据。

当然，今日头条在 A/B 测试上最牛逼的玩法不是“双标题”功能，因为只测试标题，就会造成“标题党”泛滥横行。基于此，今日头条 A/B 有一套“动态”的内容推荐机制，这里的”动态“指的是根据反馈结果，实时更新调整。

　　今日头条系统就可以自动生成：实验数据对比、实验数据置信度、实验结论总结以及实验优化建议。

　　也就是说：今日头条通过A/B测试，不仅完成了方案调研，还测试了用户口味，实现精细化内容推荐，从而更好地留住用户。

A/B 测试容易踩的坑

A/B 测试看似简单，实则隐藏着许多沟沟坎坎，稍不注意就会导致试验结果偏离科学轨道。

（1）忽略测试环境差异

如果让你对创意进行 A/B 测试，你会用下列哪个方案去测试的你的标题?

a. 将上海地区用户分成 3 个组，并在同一时间分别推送 3 个不同的标题。

b. 将上海地区用户分成 3 个组，并在不同时间点分别推送 3 个不同的标题。

如果你的是选择 b 方案的话，恭喜你翻车了!

举个不太恰当的例子，b 方案的测试方法就好比在电视上投放广告，分别选取了工作日的下午 3 点钟和晚间黄金时段进行测试收集。

由于轮流展示时的测试环境不尽相同，所面向的受众群体更是千差万别，因此最终试验结束后的数据结果必然会存在一定偏差，也就更不具有说服性了。

（2）容易「以全概偏」

在测试结果没有表现出理想状态下的数据提升时，如果你直接放弃的话，有可能你又踩坑了。

国际短租平台，搜索是 Airbnb 生态系统中很基础的一个组成部分。Airbnb 曾经做过一个关于搜索页优化的 A/B 测试，新的版本更加强调了列出的图片，以及房屋所在位置(如下图所示)。

　　在等待了足够长的时间之后，试验结果显示新老版本的整体数据相差无几，似乎这次优化没有很好的效果。

如果此时，Airbnb 直接根据整体的数据表现放弃了这次优化，那么这个花费了很多精力设计的项目就会前功尽弃。

相反，经过仔细研究，他们发现除了 IE 浏览器之外，新版在其他不同浏览器中的表现都很不错。当意识到新的设计制约了使用老版本 IE 的操作点击后(而这个明显为全局的结果造成了很消极的影响)，Airbnb 当即对其进行了修补。

至此以后，IE恢复了和其他浏览器一样的展示结果，试验的整体数据增长了 2% 以上。

　　通过 Airbnb 的例子，我们能学到正确的做法是：在整体效果不太好的时候，不要一竿子打死，而需要从多个维度细分观察个体的情况，以避免区群谬误带来的决策偏差。

（3）只做到了局部最优

避开了上面的 2 个坑之后，你可能得到一个相对不错的测试结果，在你欣喜若狂时，正准备对外宣布战果时，可能已经踩入了另外一个坑——“局部最优”

以某金融平台提升新用户的注册率的 A/B 测试为例，通过不断进行注册按钮的文案优化，发现相比于“立即注册”、“免费注册”等文案而言，“领取 100 元新人红包”的注册率是最高的。

但是，如果只是沉迷在文案上做测试，其实他可能就错过了提升用户注册率的其他更效假设。

正确的做法是可以进行用户调研，了解用户不注册的原因在哪，通常情况下金融平台让用户放弃注册的原因还在于，注册流程繁杂、信任问题、无匹配的理财产品等，所以在完成了注册按钮的文案测试时，我们还需要在这些方面也进行想要的实验。

好了，今天的内容小编就讲到这，希望可以帮助到大家一些平时没有注意到的问题，如果各位想要了解更多的知识，那就赶快加我们助理微信zy501873328。

在此小编告诉各位一个好消息，限时优惠，现在报名竞价培训、信息流培训、整合营销培训课程，有双重惊喜哦~ 有意者也可加助理微信zy501873328或者扫描下方的微信二维码了解详情。（当然如果你有营销问题，也可以咨询我们的助理哦~）