一、核心概念：增长分析在分析什么
增长分析·追踪用户从认知 → 兴趣 → 转化 → 复购 → 推荐的全链路，搞清楚三个问题：用户从哪来、为什么留、钱花得值不值。
归因·把一次成交的功劳，分配给链路上各个触点（广告、内容、搜索、私域）的方法。归因模型没有绝对对错，只有与业务链路匹配与否。
增长分析最常见的痛，是「种草」和「收割」发生在不同平台：用户在内容平台被种草，去电商平台下单。只算最后一次点击，功劳全给收银台，种草的人永远拿不到预算。
二、核心工具箱：四个模型各管一段
漏斗分析
＋ 定位用户在哪一步流失，指导改哪里
－ 只看单链路，容易漏掉跨渠道影响
适合 转化路径明确的产品与活动
留存分析
＋ 衡量产品是否真的被需要，比拉新更本质
－ 见效慢、对短期业绩压力大的团队考验大
适合 订阅制、高频复购类业务
RFM 分层
＋ 按最近购买、频次、金额分层运营，简单好用
－ 静态快照，需持续更新
适合 有交易数据的零售与电商
归因模型
＋ 回答「钱该往哪投」，是预算分配的依据
－ 模型选择偏差会导致预算错配
适合 多触点、跨平台投放的营销体系
归因模型常见四种：末次触点（简单但偏心收银台）、时间衰减（越近的触点功劳越大）、多触点线性（平摊功劳）、数据驱动/增量实验（用实验测真实增量，最准也最贵）。选择逻辑：链路短用末次，链路长且种草重的行业，至少要用时间衰减或增量实验校准。
三、怎么用：增长分析六步走
统一口径
给商品、活动、渠道发统一「身份证」。各部门对不上账，先对口径再谈分析。
打通数据
用合规的 ID 匹配把广告曝光、站内行为、订单串起来，看清楚全链路，而不是各平台自说自话。
建归因基线
先用简单模型跑起来，再用增量实验校准。归因能追踪到四五成费用已属正常，不必追百分百。
再分配预算
砍掉「说不清效果」的部分，加码被低估的触点和高回报单品，像调仓一样调预算。
实验验证
每次调整留对照：没被证明的优化，只是自我安慰。
沉淀资产
把人群包、内容资产、方法论沉淀下来，让下一次投放的起点更高。
四、AI 时代：增长分析的新玩法
AI 把分析岗的重复劳动接管了大半：自动出日报、识别异常波动、生成归因假设、智能生成人群包与素材变体。增长团队的角色从「做报表」转向「设计实验和解读异常」。
- 1智能投放：AI 实时调整出价与人群，人负责约束条件和品牌底线。
- 2异常检测：转化骤降先被 AI 发现，人去判断是数据坏了还是市场变了。
- 3内容工厂：素材批量生成 + 快速测，让「创意量」不再是瓶颈，判断力才是。
同时，平台围墙花园（平台只给你看它想让你看的数据）的博弈加剧。破局之道是沉淀自有数据资产：私域、会员、复购数据，用自有证据去和平台谈条件——数据资产本身就是议价能力。
五、用户分析的本质：别只看流量
流量红利见顶后，增长的重心从「拉新」移到「留存与复购」。一个残酷的算术：留存差的产品，拉新只是给漏桶加水。先看留存曲线是否走平，再决定要不要加投放。
用户不是流量，是资产。资产的价值不在单次成交，而在生命周期里持续产生现金流和推荐。