经历失败后，这产品在四年内将 DAU 增长4.5倍|PM老猫

多邻国已经打卡185天了，一直沉迷，压根停不下来。

最近一直在看Lenny的专栏，翻到了Duolingo 前首席产品官 Jorge Mazal 分享的内容 —— 首先是他们过程中的失败，然后是推出的一系列功能，如何帮助 Duolingo 在4年内将 DAU 增长4.5倍。

失败案例1：增加游戏化场景，提升留存率

增长的核心是专注提升留存率，优先考虑留存率而非新用户获取。

第一步 —— 定策略

所有类型的产品，高留存率都是游戏，通过游戏化场景融入实际的业务路径。两个主要原因点：

①已有成功案例。Duolingo 已经成功实施了几种游戏化机制，比如主屏幕上的进度系统、连胜和成就系统；

②横向产品分析。当时的数字游戏化产品的用户留存率远高于我们产品，这是可以持续探索的。

第二步 —— 拉团队，定方案

拢共分为两部分：

①组建认同理念的敏捷团队快速试错；

②体验最合适的游戏化方案。

研究 Gardenscapes ，将将计数器机制纳入我们的产品中，给用户有限的机会来正确回答问题，否则他们必须重新开始课程，这增加了游戏的稀缺感和紧迫感。

结果：

①产品层：花了几个月时间增加计数器功能。然后整体的留存率数据没有变化， DAU 也没有增加，关键是也没有收到任何用户反馈。

②团队管理：团队解散。

失败案例2：用户推荐策略，提升增长

当留存率没有提升后，只能维持现状，保证留存率不下降。想从用户新增下手，于是重新组建了拉新计划的团队。

当时，Uber 通过推荐策略在用户获取方面做的非常不错，于是也创建了一个类似 Uber 的推荐策略，奖励是免费使用一个月的高级订阅 Super Duolingo（当时称为 Duolingo Plus）。

结果：

新用户只增加了 3%。这是积极的，但不是我们需要的那种突破。尽管如此，团队还是加倍努力，坚持下去，向推荐计划发送迭代并进行了一些其他尝试，但无济于事。

复盘：为什么会失败

①提升留存率：借鉴 Gardenscapes

玩 Gardenscapes 时，每一步都感觉像是一个战略决策，因为你必须战胜动态障碍才能找到胜利之路。

但战略决策并不是完成 Duolingo 课程的必要条件——你要么知道问题的答案，要么不知道。因为没有任何策略，Duolingo 的步数计数器只是一个无聊的、附加的麻烦。

他们的产品定位和用户人群的差异性太大。

②提升用户新增：借鉴 Uber

推荐对 Uber 有效，因为乘客通过永无止境的随用随付系统支付乘车费用。免费乘车是一种持续的激励。

对于 Duolingo，我们试图通过提供一个月的 Super Duolingo 免费服务来激励用户。然而，我们最优秀、最活跃的用户已经拥有 Super Duolingo，如果他们已经加入了计划，我们就不能再给他们一个月的免费服务。这意味着，我们的策略需要依靠我们最好的用户，但实际上却把他们排除在外了。

反思总结

只知道从功能层借鉴了竞品，而未考虑用户人群、运营策略。应该按照全盘去拆解竞品，在借鉴功能时反复问自己：

为什么此功能在该产品中有效？
为什么这个功能在我们的环境中可能会成功或失败，即它能否很好地翻译？
在我们的环境下，需要进行哪些调整才能使该功能成功？

换句话说，我们需要在采用时做出更好的判断。如果在这一领域更加系统化，那么我们选择的游戏化机制将有很大不同。我们可能根本不会关注推荐。我致力于确保我们的下一次尝试更加有条不紊。我们需要更好地根据数据、见解和基本原则做出决策。

重新梳理：从模型和数据

充分调研后，借鉴 Zynga 和 MyFitnessPal 收集数据维度，根据用户参与度对用户细分和建模。

根据每周留存指标对用户进行分类并衡量留存率：

当前用户留存率 (CURR)：如果用户在过去两周内都使用过该产品，那么本周他们再次使用该产品的概率
新用户留存率 (NURR)：如果用户上周是新用户，那么本周他们再次使用该产品的可能性
重新激活用户保留率 (RURR)：如果用户上周重新激活，那么本周回来的概率
复活用户留存率 (SURR)：如果用户上周复活（从较长时间缺席中恢复），则本周回来的概率

这些区块代表具有不同参与度的不同用户群。并且，曾经使用过该产品的每位用户在任何一天都只能属于一个区块。这意味着，模型中的区块在表示曾经使用过 Duolingo 的整个用户群时是 MECE（相互排斥、集体详尽）的。箭头测量用户在区块之间的移动（这些区块包括 CURR、NURR、RURR 和 SURR，但演变为每日留存率而不是每周）。将区块和箭头结合起来，该模型创建了一个几乎闭环的系统，新用户是唯一的突破点。

方便的是，该模型的前四个区块加起来就是 DAU。这些区块的定义如下：

新用户：应用程序首次参与活动
当前用户：今天参与过，并且在过去 6 天内至少参与过一次
重新激活的用户：离开 7-29 天后第一天参与的用户
复活的用户：离开 30 天或更长时间后第一天参与的用户

其余三个存储区块代表今天不活跃且不活跃程度不同的用户。

有风险的 WAU：今天不活跃，但在前 6 天中至少有一天活跃 —— 风险周活跃用户数 + 日活跃用户数 = 周活跃用户数
处于风险中的 MAU：过去 7 天内不活跃，但在之前的 23 天内至少有一天活跃 —— 风险 MAU + WAU = MAU
休眠用户：过去 31 天或更长时间不活跃 —— MAU + 休眠用户 = 总用户群

由于 DAU、WAU 和 MAU 可以轻松从这些类别中计算出来，因此很容易对它们进行随时间变化的建模。这是该模型的一个关键特性。此外，通过操纵箭头所代表的比率，我们可以模拟这些比率随时间变化的复合和累积影响；换句话说，这些比率是产品团队可以用来增加 DAU 的杠杆。

在创建模型后，我们开始每天拍摄数据快照，以记录过去几年中所有这些用户群体和留存率每天的变化情况。有了这些数据，我们可以创建一个前瞻性模型，然后进行敏感性分析，以预测哪些因素对 DAU 增长的影响最大。我们对每个比率进行了模拟，其中我们每季度将一个比率上调 2%，持续三年，其他比率保持不变。

以下是我们第一次模拟的结果。它显示了每个杠杆上 2% 的小幅变动如何影响预测的 MAU 和 DAU。

我们立即发现 CURR 对 DAU 产生了巨大影响，是第二佳指标影响的 5 倍。事后看来，CURR 的发现是有道理的，因为当前用户分组有一个有趣的特征：保持活跃的当前用户会返回到同一个分组。

这会产生复合效应，这意味着 CURR 更难改变，但一旦改变，其影响将更大。基于此分析，我们知道 CURR 是我们必须改变的指标，以便实现我们想要的战略突破。我们决定成立一个新团队，即留存团队，以 CURR 作为其北极星指标。

专注于 CURR 的最大好处之一是决定不再关注以前看似至关重要的事情，尤其是新用户留存。对于一家多年来一直致力于将大部分增长实验首先放在新用户身上并取得巨大成功的公司来说，这是一个巨大的思维转变。

另一个重要教训是看到指标对 DAU 和 MAU 的影响之间存在巨大差距；例如，CURR 对 DAU 的影响是其对 MAU 影响的 6 倍。iWAURR（非活跃 WAU 重新激活率）是提升 DAU 的第二大杠杆，但在提升 MAU 方面则远远落后于增加新用户和复活用户。这意味着，如果我们想看到 MAU 的大幅改善，我们在某些时候仍然需要找出获取新用户的新增长向量。但就目前而言，我们的重点只是提升 DAU，因此我们优先考虑 CURR，而不是其他所有增长杠杆。事实证明，这是正确的选择。

成功案例1：排行榜

经过复盘和考虑，决定押注排行榜，原因和方法 ——

① Duolingo 已经有一个排行榜，供用户与朋友和家人竞争，但效果并不明显。通过 Zynga 的经验，我曾假设竞争对手的参与度比个人关系的亲密程度更重要。我认为这在成熟的产品中尤其如此，因为许多用户的好友不再活跃。从我们在 Zynga 的测试来看，这个想法是正确的。基于此，我觉得一个类似于我在 Zynga 帮助设计的排行榜系统将在我们的产品环境中取得成功。

② FarmVille 2 的排行榜还包括一个“联赛”系统。除了登上每周排行榜榜首之外，用户还有机会晋级一系列联赛级别（例如从青铜联赛到白银联赛再到黄金联赛）。联赛为用户提供了更大的进步感和奖励感，这是游戏设计中不可或缺的元素。随着时间推移，联赛还会增加参与度，因为参与的用户会逐周升级到更具竞争力的联赛。我们认为此功能可以很好地转化为 Duolingo 现有的产品，因为它直接利用了人类竞争和进步的共同动机。

结果：

整体学习时间增加了 17%，高度投入的学习者（每周 5 天，每天花费至少 1 小时的用户）数量增加了两倍。此时，我们还没有弄清楚如何计算 CURR 的统计显著性，但我们发现我们的传统留存指标（D1、D7 等）得到了实质性的改善，并且具有统计显著性。展望未来，排行榜功能成为改进指标的载体，团队至今仍在继续优化该功能。同样重要的是，排行榜是留存率的第一个突破！

成功案例2：推送通知

基于大量的A/B测试发现，推送通知能成为增长的重要因素，是时候重新优化迭代该功能在某些时间，某些场景推送给某些人了。

调研后的反面例子：Groupon 长期以来每天只发送一封电子邮件通知，后来激进地测试，高达每天五封，最后大家都退订了。

因此制定核心原则：避免过度通知，保护推送的时机、内容、人群。

结果：推送策略在在时间、模板、图片、文案、本地化等方面进行优化，通过无数次迭代、A/B 测试和老虎机算法，该团队能够产生数十个小型和中型的成功案例，这些案例每年都为 DAU 带来了可观的增长。

成功案例3：连胜机制

通过数据发现，如果用户连续使用 10 天，他们离开的可能性就会大大降低。显然，这在很大程度上只是相关性和选择偏差，这个点值得去深挖，如何提升用户连续使用的能力？

连续性的概念其实很简单：向用户显示他们在应用上连续进行任何活动的天数。但事实证明，连续性周围存在大量优化机会。

我们的第一个重大胜利来自连胜保护通知——如果用户即将失去连胜，该通知会提醒他们。这个深夜通知证明了加倍优化连胜确实有相当大的好处。此后，我们进行了多项改进：日历视图、动画、连胜冻结更改和连胜奖励等。每一项都有助于改进最初的连胜理念，并大幅提高留存率。

结果：

到目前为止，连胜功能是 Duolingo 最强大的互动机制之一。

连续性之所以有效，原因有很多。其中之一是，连续性会随着时间的推移增加用户的积极性；连续性越长，保持连续性的动力就越大。在用户留存方面，这正是我们希望用户拥有的行为。学习者每天来到 Duolingo，他们比前一天更关心第二天回来，从而增加了留存率和 DAU。作为一个元课程，我们在连续性机制方面的成功进一步表明，我们可以从现有功能中获得重大收益。我们可以看到重大突破和快速优化的价值。

北极星指标：CURR（当前用户留存率）

我们并没有止步于 CURR；我们非常担心 CURR 会在某个时候达到上限，所以我们迟早要找出获取新用户的增长向量。留存团队一直专注于提高 CURR，但作为一家公司，我们不断增加对增长的投资，创建越来越多的产品和营销团队来寻找新的向量（用于留存和获取）。幸运的是，这些赌注中有几项奏效了：

①国际扩张

②构建社交功能

③加速课程内容创建

④与 KOL 合作

⑤增加我们在学校的存在感

⑥投资于付费用户获取

⑦在 TikTok 上传播

每一项都值得单独案例研究。

整体结果

通过四年的努力 ——