企业官网建设流程全解析

简介：面向产品运营与用户增长从业者的PDF文档，聚焦小红书从20人初创到1.8亿用户的增长路径。资源围绕AARRR模型下获客成本上升与留存收益的平衡，重点拆解低龄用户留存差的问题，通过按学龄细分、搜索行为分析、Feed流推荐匹配、广告渠道定向等维度，给出数据驱动的优化思路。包体为1个PDF文件，大小647KB，适合作为增长策略、数据分析、用户运营等场景的参考资料。已有152人学习下载。文档内含完整分析框架，包括不同年龄段用户留存分布、拉新渠道分布、高频搜索词点击率、用户兴趣特征等关键数据解读，并总结了针对百度SEM、广点通信息流投放的年龄定向优化建议，能帮助读者理解社交电商平台精细化留存的方法。

1. 留存成本倒挂之后，增长策略从买量转向拆用户

那份关于小红书增长策略的文档，现在回看最有价值的其实不是“从 20 人做到 1 亿 8 千万用户、用时 1644 天”这个结果，而是这条曲线背后怎么用数据不断修正策略。文档里有个反直觉结论：关于低龄用户留存差，团队先假设是学生上课不能带手机、只能周末用，所以平日留存差；但把次日留存和周末留存拉到同一张表里看时，周末留存并没有反弹。一个逻辑上非常合理的假设，仅用两列留存数据就被推翻了。这个案例适合做用户增长、数据分析、推荐策略或广告投放的读者反复看，因为它把 AARRR 从模型变成了可以逐层验收的指标组合，从渠道、内容、分发三个方向各自给出可执行的优化路径。

2. AARRR 取舍下的低龄用户拆分与留存基线计算

2.1 获客成本翻倍时，留存率为什么要跟着翻倍

AARRR 模型在获客成本洼地期可以直接顺序执行：先买量、再激活、后留存的压力不大。但文档里给出的算术关系值得先记下：以前 1000 元可以拉来 100 个用户，留存率 10%，最终留下 10 人；现在同样 1000 元只能拉来 50 人，如果还想留下 10 人，留存率必须从 10% 提到 20%。获客成本涨了多少，留存率就要按同等比例补回来，否则整体 ROI 会直接倒挂。

这条逻辑也解释了为什么文档里讨论“低龄用户留存差”时，第一反应是看渠道。低龄用户大多来自百度 SEM 和广点通信息流，这类用户是花钱买进来的，如果次日留存明显低于大盘，那每一分投放都在直接制造亏损。只优化素材创意或出价解决不了问题，得回到用户本身去看发生了什么。

2.2 用学龄拆掉“18 岁以下”这个过期标签

文档里有一个关键操作：把“18 岁以下”拆成 12 岁及以下、13-15 岁、16-18 岁三个学龄段。原因是不同学龄的用户在内容偏好、使用场景、可支配时间上差异太大，揉在一起看只会得到一个平均后的假象。

实际操作中，第一步是给用户表补一个学龄分组字段。有人会用年龄字段WHERE age <= 18直接圈选，但这个边界太粗。按学龄切分的常见做法是维护一个用户的birth_date或age，在分析层做映射，而不是把“低龄”写成固定的age < 18。这样后续做任何按年龄 breakdown 的分析时，都能保持同一套口径。

2.3 一张 SQL 表同时出具次日留存与周末留存

次日留存和周末留存要放在一起看，才能判断“工作日不能玩手机”的假设是否成立。下面是一段适用于 MySQL 系方言的查询：

WITH user_seg AS ( SELECT u.user_id, CASE WHEN u.age <= 12 THEN '12岁及以下' WHEN u.age BETWEEN 13 AND 15 THEN '13-15岁' WHEN u.age BETWEEN 16 AND 18 THEN '16-18岁' ELSE '19岁及以上' END AS age_group, DATE(u.reg_time) AS reg_date FROM users u ), login_mark AS ( SELECT l.user_id, DATE(l.login_time) AS login_date FROM login_log l ) SELECT us.age_group, COUNT(DISTINCT us.user_id) AS new_users, COUNT(DISTINCT lm_next.user_id) AS next_day_users, COUNT(DISTINCT lm_weekend.user_id) AS weekend_users, COUNT(DISTINCT lm_next.user_id) / COUNT(DISTINCT us.user_id) AS next_day_retention, COUNT(DISTINCT lm_weekend.user_id) / COUNT(DISTINCT us.user_id) AS weekend_retention FROM user_seg us LEFT JOIN login_mark lm_next ON us.user_id = lm_next.user_id AND lm_next.login_date = DATE_ADD(us.reg_date, INTERVAL 1 DAY) LEFT JOIN login_mark lm_weekend ON us.user_id = lm_weekend.user_id AND DAYOFWEEK(lm_weekend.login_date) IN (1, 7) GROUP BY us.age_group;

逻辑说明：user_seg负责按学龄切片并记录注册日期；login_mark把登录行为折叠成“用户 + 日期”粒度，避免重复计算同一天多次登录。次日留存取注册次日是否有登录记录，周末留存取注册后任意周六或周日是否有登录记录。

参数说明：age字段如果缺失，可直接用TIMESTAMPDIFF(YEAR, birth_date, reg_time)现算；DAYOFWEEK在 MySQL 中 1 是周日、7 是周六，其他数据库要换成EXTRACT(DOW FROM ...)或strftime('%w', ...)等对应函数。

文档中按这个口径拉出的结果有个关键现象：12 岁及以下和 13-15 岁用户的次日留存显著低于大盘，且周末留存没有反弹；16-18 岁用户则与大盘基本持平。如果只看“18 岁以下”这一个合并值，两个低留存群体被高中生稀释，结论就会偏掉。

提示：周末留存的定义建议锚定“注册后的第一个周末”，而不是所有包含周六或周日的时间窗口。否则新用户可能已经流失了两周，某天偶然回访也会被算成周末留存，指标会失真。

按文档结论整理出的等级示意如下：

2.4 拉新渠道分布：百度 SEM 与信息流的年龄定向

留存分析的下一步，是把用户质量回溯到渠道来源。文档拉了一张“不同年龄段拉新渠道分布”表，发现低龄用户占比最高的渠道集中在百度 SEM 和广点通信息流，占比超过六成。这意味着该渠道的流量质量本身没问题，但用同样的素材和定向去触达低龄用户，现阶段是在浪费预算。

对应动作是投放侧收紧年龄定向。常见做法是在广告平台的定向设置里，把年龄范围的最小值从“不限”或“18-24 岁”调高，并对“低龄高占比”渠道单独建计划，用更窄的年龄组做小流量验证。关键不是完全不投，而是让投放策略先和内容供给能力对齐。

3. 搜索点击率画像：用数据把“来看什么”变成可观测指标

3.1 为什么搜索行为比用户访谈更适合做留存归因

要回答低龄用户来平台想看什么，有两个途径：用户访谈和搜索行为分析。访谈成本高、样本量有限，且用户表达出来的需求往往经过自我美化；而搜索是主动且强意图的行为，用户搜什么就代表他当下想解决什么问题，几乎不带社交表演成分。文档选择用搜索画像来回答这个开放性问题，落地成本低，而且可以直接量化。

搜索画像的价值不只在于列出 Top 词，而在于能看出“需求供给差”：用户高频搜的词，平台内容库里是否有足够内容承接，搜索结果是否让人满意。后面会用到“搜索点击率”和“无点击占比”两个指标来量化这个差值。

3.2 按年龄段构建搜索词画像

先做一个最基础的搜索词分组，让不同年龄段用户的兴趣浮出水面：

import pandas as pd log = pd.read_csv("search_log.csv", parse_dates=["search_time"]) log["age_group"] = pd.cut( log["user_age"], bins=[0, 12, 15, 18, 120], labels=["12岁及以下", "13-15岁", "16-18岁", "19岁及以上"], right=True, ) grouped = log.groupby(["age_group", "search_word"], as_index=False).agg( search_pv=("search_word", "count"), click_pv=("clicked", "sum"), ) grouped["click_rate"] = grouped["click_pv"] / grouped["search_pv"] grouped["no_click_rate"] = 1 - grouped["click_rate"] top_words = ( grouped.sort_values(["age_group", "search_pv"], ascending=[True, False]) .groupby("age_group") .head(20) )

逻辑说明：pd.cut中的bins定义学龄边界，labels与区间顺序对应；clicked列是布尔或 0/1 整数，表示这次搜索后有没有点击搜索结果。search_pv是搜索次数，click_pv是被点击的次数，搜索点击率用二者相除得到。

参数说明：right=True表示区间的右边界闭合，即 13 岁会被归入 13-15 岁而不是 12 岁及以下；如果业务上希望“整岁生日当天算下一个学龄”，把right改成False即可。年龄段边界建议收敛到和业务运营口径一致，否则后续和渠道、内容团队对数据时容易对不上。

按文档中的输出，这份画像能清楚看到四个群体的差异。

3.3 无点击占比 40% 与 20%：给内容缺口定阈值

搜索点击率只能反映“搜索结果是否被认可”，要定位供给缺口，还需要引入“无点击占比”这个派生指标。文档中实际用到了两类词：无点击占比超过 40% 的高频搜索词，以及无点击占比低于 20% 的高频搜索词。前者表示大量用户搜了但什么都没点，后者则表示内容承接得不错。

实现上就是在上面的grouped结果后追加一组筛选：

no_click_high = grouped[grouped["no_click_rate"] > 0.4].sort_values("search_pv", ascending=False) no_click_low = grouped[grouped["no_click_rate"] < 0.2].sort_values("search_pv", ascending=False)

逻辑说明：no_click_high得到的是“搜索量大但没人点结果”的词，优先看这些词能直接暴露内容供给断点；no_click_low则是做得好的对照组，用来验证分析方法本身是否合理。如果所有词的点击率都低，要先怀疑搜索结果页的技术实现，而不是内容不足。

参数说明：40% 和 20% 这两个阈值来自文档中的取数习惯，实际使用时建议先看整体分布再定，避免因类目差异导致误判。比如商品词天然点击率高于明星词，直接套同一个阈值会把明星内容一刀切掉。

3.4 明星内容和真实需求之间的错位

文档里对这个指标组合的解读值得注意：范冰冰、迪丽热巴这类明星名字搜索量不小，但年轻用户的无点击占比明显更高；而减肥、护肤、美甲这类词的无点击占比很低。这说明低龄用户搜明星词时，想找的可能是粉丝团、八卦等方向，而平台提供的是明星工作之外的生活化内容，比如用什么化妆品、喜欢吃什么零食，二者并不匹配。

这个发现单独看是内容供给问题，但它直接影响留存：用户因为某个搜索意图进来，连续几次搜不到想要的结果，就会觉得平台“没有我想看的信息”，随后在 Feed 流里的活跃度也会下滑。做内容策略时，这种“搜索点击率低 + 无点击占比高”的组合词，应该被纳入内容生产的负面清单，而不是继续加大投放。

注意：搜索无点击占比只能定位“不满意的搜索”，不能直接回答“用户想看什么替代内容”。需要配合搜索后行为（跳出、改搜、浏览时长）做交叉验证，否则可能把内容缺口归因错了方向。

4. Feed 流分发匹配度：兴趣标签、内容丰满度与喜好偏差

4.1 从兴趣标签的头部和尾部看年龄差异

新用户注册时会选择兴趣标签作为后续推荐的种子，这个选择行为本身就是有价值的用户表达。文档从两个角度对比了 13-15 岁用户和 30 岁以上用户：头部集中度和尾部厚度。13-15 岁用户前四名标签占比只有 20%，30 岁以上能达到 30%；反过来，年轻用户排名靠后的 4-5 个标签合计占比超过 2%，年长用户则低于 1.5%。

这说明年轻用户兴趣更分散，不容易用少量标签概括。推荐系统如果按标签做硬匹配，年轻用户很容易被局限在几个头部类目里，感知到的内容多样性不够。

想量化这种差异，可以直接算每个年龄段的标签选择分布：

import pandas as pd tag = pd.read_csv("interest_tag.csv") tag["age_group"] = pd.cut( tag["user_age"], bins=[0, 12, 15, 18, 120], labels=["12岁及以下", "13-15岁", "16-18岁", "19岁及以上"], ) tag_cnt = tag.groupby(["age_group", "tag_name"], as_index=False).size() tag_cnt["pct"] = tag_cnt.groupby("age_group")["size"].transform(lambda x: x / x.sum()) tag_cnt = tag_cnt.sort_values(["age_group", "size"], ascending=[True, False]) head_cr = tag_cnt[tag_cnt.groupby("age_group").cumcount() < 4].groupby("age_group")["pct"].sum() tail_ratio = tag_cnt[tag_cnt.groupby("age_group").cumcount() >= 4].groupby("age_group")["pct"].sum()

逻辑说明：cumcount() < 4取每个年龄段下前四个标签算头部占比；剩余标签计入尾部。head_cr和tail_ratio分别对应文档中“头部不集中”和“尾部不长尾”两个判断。

参数说明：头部取前 4 个标签是文档中的口径，如果业务标签体系有 20 个以上可选标签，可以改成前 5 或前 10，但要保证所有年龄段比较时用同一规则。

4.2 内容丰满度：选定标签后有没有足够的笔记可看

用户选了兴趣标签只是第一步，平台能不能在这个标签下提供足够的可消费内容，是留存的关键。文档用“内容丰满度”来衡量：对比用户选择的标签分布和实际笔记曝光分布。时尚穿搭被最多人选择，曝光也最多，这是合理的；音乐、游戏等品类选的人同样不少，但曝光明显偏少，说明这些类目的内容供给严重不足。

这种不匹配对用户感知的影响是直接的：注册时选了一个兴趣标签，进入首页后连续刷不到相关笔记，预期立刻落空。做精细化运营时，有两种处理方式：要么运营团队重点补内容，要么在产品端暂时把内容不足的品类从新用户兴趣选择中拿掉，避免用户抱着期望进来却得不到满足。

4.3 用曝光占比和喜好占比计算分发偏差指数

分发匹配度是最后一层验证。文档采用热力图方式，从曝光分布和喜好分布两个维度看同一品类在不同年龄段的差异。以穿搭为例：平台分发给 13-15 岁、19-23 岁、34 岁以上用户的曝光量没有太大区别，但用户的喜好度（点赞、评论、收藏）差别非常大。这就是典型的分发机制问题：内容本身没有年龄属性，但分发策略把大众化内容平均地推给了所有人。

可以用一个量化脚本来落地判断：

import pandas as pd feed = pd.read_csv("feed_delivery.csv") feed["exposure_ratio"] = feed["exposure_cnt"] / feed.groupby("category")["exposure_cnt"].transform("sum") feed["interact_score"] = feed["like_cnt"] + 2 * feed["comment_cnt"] + 3 * feed["collect_cnt"] feed["prefer_ratio"] = feed["interact_score"] / feed.groupby("category")["interact_score"].transform("sum") feed["bias_index"] = feed["exposure_ratio"] - feed["prefer_ratio"]

逻辑说明：exposure_ratio表示某品类下某个年龄段获得的曝光占该品类总曝光的比例；interact_score用加权方式把评论、收藏两种高成本行为加了更高权重；prefer_ratio代表该年龄段对这个品类的真实喜好占比。bias_index是二者的差值，大于 0 表示平台给它分了相对更多的曝光，但用户并不买账。

参数说明：评论权重 2、收藏权重 3 需要结合业务调整。如果产品更看重收藏行为，可以把收藏权重调到 5；如果只看点击，直接用click_cnt / exposure_cnt也能做出一个简化版本。热力图在分析阶段是可视化工具，但落地到监控里时，只需要盯 bias_index 的变化方向。

按文档结论整理如下：

5. 把分析结果变成投放定向、内容出库和监控指标

分析做到这里已经回答完三个问题，但这个案例真正的价值在于行动项。文档给出的方向很明确：投放侧对低龄用户占比超过 6 成的百度 SEM 和广点通信息流设置更严格的年龄定向；内容侧补充音乐、游戏等供给不足的品类，或者在补齐之前暂时从注册兴趣标签里拿走；推荐侧调整 global popular 内容在不同年龄段的分发比例。

最值得落地的技巧是把结论转成可监控的指标阈值，而不是一次性报告。这里有一个可以直接复用的思路：从高点击率搜索词里建立“投放题材词库”，从无点击占比超过 40% 的词里建立“内容风险词库”。投放团队做素材时，优先使用前一个词库里的题材，比如减肥、祛痘、护肤、粉底液，因为这些词已经被验证有内容承接能力；后一个词库则直接标记为暂不建素材。

落地监控时，可以这样操作：

CREATE TABLE growth_strategy_monitor AS SELECT stat_date, SUM(CASE WHEN no_click_rate > 0.4 THEN 1 ELSE 0 END) AS risky_kw_cnt, SUM(CASE WHEN no_click_rate < 0.2 THEN 1 ELSE 0 END) AS healthy_kw_cnt, AVG(CASE WHEN age_group IN ('12岁及以下', '13-15岁') THEN next_day_retention END) AS junior_retention, AVG(CASE WHEN age_group = '16-18岁' THEN next_day_retention END) AS senior_retention FROM daily_search_and_retention GROUP BY stat_date;

逻辑说明：这个表把两组关键信号收敛到一行：risky_kw_cnt衡量内容风险词数量变化，healthy_kw_cnt衡量内容承接是否变好，junior_retention和senior_retention分别跟踪低龄与高中生的次日留存。把这四个字段放入周报看板，策略是否生效就只看趋势。

把它拆成每周循环的动作是：周一跑上一周的搜索词画像，比较“内容风险词库”的个数有没有下降；再跑一次分发偏差指数，看 bias_index 大于 0 的品类是否有收敛；最后看低龄用户和大盘的次日留存差是否缩小。三个动作分别对应内容、算法、留存三个团队，谁有问题在数据上直接暴露。把无点击占比 40% 和分发偏差指数大于 0 这两个阈值写进周度看板，下一周的优化点会在数据里自动浮现。

本文还有配套的精品资源，点击获取