拓知阅览室导读：
多邻国的增长奇迹本质上是一场关于“留存复利”的精确计算。
当 DAU 同比增长陷入个位数泥潭，前 Zynga 高管带来的不仅是游戏化外壳，更是一套基于当前用户留存率（CURR）的动力学模型。
- 杠杆的非线性选择。 数据模拟证明，CURR 对日活的影响是拉新效率的五倍。增长团队必须完成从“获客导向”到“留存驱动”的思维转轨。
2. 场景适配的二次创新。 借鉴外部功能必须通过“情境移植测试”。排行榜的成功并非因为竞争，而是因为建立了基于参与度的“联盟系统”，实现了动态匹配。
3. 沉没成本的心理学利用。 连续打卡不仅是数据指标，更是用户的“数字资产”。通过连胜保护通知等微观策略，将产品使用转化为高粘性的行为向量。
专家共识指出：顶级的增长不是靠堆砌功能，而是靠保护核心渠道不受激进测试的损毁，并在现有功能中通过第一性原理挖掘深层潜力。
【注释】
CURR：Current User Retention Rate，衡量最核心、最活跃用户留存状态的关键指标。
MECE：相互独立、完全穷尽的分类原则，用于构建无死角的用户分层模型。
强盗算法：Multi-Armed Bandit，一种通过动态实验自动分配流量资源以最大化收益的算法。
正文：**
我于 2017 年底加入多邻国，担任产品负责人。当时，多邻国已是全球下载量最高的教育应用，拥有数亿用户，践行着“开发全球优质教育并使之普及”的使命。然而，用户增长开始放缓。到 2018 年年中，日活跃用户（DAU）同比仅实现个位数增长，这对于一家过去曾经历过爆发式增长的公司来说令人担忧。考虑到投资者迫切希望看到盈利快速增长，这对初创公司而言是个问题。
本文将分享我们早期的一些失败经历，以及帮助我们扭转增长局面的首批重大成功，包括推出排行榜、重新聚焦推送通知以及优化“连续打卡”功能。这些举措，连同产品与营销部门的其他多项努力，帮助我们在四年内实现了 4.5 倍的日活增长。强劲的自然用户增长为多邻国在 2021 年上市注入了强大动力。
本文是对这段历程的深度回顾。我希望通过分享这项工作，能帮助他人更快找到自己的增长突破口。
第一阶段：强化游戏化体验
我们在重振增长方面的首次尝试，聚焦于提升用户留存率，即解决“漏桶”问题。我们优先着手提升留存，而非获取新用户，因为当时所有新用户都来自自然增长，且我们尚未找到明显的杠杆来加速这一过程。此外，部分团队成员推测，通过游戏化手段或许能改善留存。我认为这一思路之所以正确，主要有两个原因：第一，多邻国此前已成功实施了多项游戏化机制，如首页的进度系统、连续打卡记录和成就体系；第二，当时顶级的数字游戏产品，其用户留存率远高于我们的应用，这让我相信游戏化的潜力远未被充分挖掘。
多邻国游戏化的“主页”与“成就”页面
凭借我与首席设计师共同制作的简短演示，我们成功获得了执行团队其他成员的足够支持，得以成立一个新团队——游戏化团队。该团队由一名工程经理、一名工程师、一名设计师、一名助理产品经理和我组成。
但有一个小问题：我们完全不清楚哪些渐进式游戏化机制对多邻国有效。
当时我们团队正沉迷于一款名为 《 梦幻花园 》 的游戏，这是一款类似《糖果传奇》的三消类手机解谜游戏。 这款手机游戏成了我们的第一个灵感来源。
《梦幻花园》中的一关三消解谜关卡
当我们研究《梦幻花园》中的不同游戏机制时，其实并不清楚具体在寻找什么——只是发现《梦幻花园》似乎比多邻国更具用户粘性，并且看到了两者间的若干相似之处。多邻国三分钟的课程与《梦幻花园》的三消关卡体验相似，两者都使用进度条来直观反馈用户距离完成当前环节还有多远。然而，《梦幻花园》在进度条之外还配有一个移动次数计数器，这是多邻国所没有的。该计数器限制用户只能在有限步数内完成关卡，从而为游戏增添了一种稀缺感和紧迫感。我们决定将这一计数器机制引入自己的产品中：用户回答问题的正确次数有限，一旦用完就必须重新开始该课节。
我们团队花了几个月时间才添加好这个计数器。更新发布后，我满怀期待地等待着一场大获成功。令人沮丧的是，所有努力换来的结果完全是不温不火。用户留存没有变化，日活用户数也没有增长。我们几乎没收到什么用户反馈。我心灰意冷。这项举措影响最大的反而是我们团队本身。结果出来后，团队内部迅速陷入分歧。有人希望继续迭代这个想法，有人则想转向其他方向。团队几乎立刻（而且戏剧性地）解散了，这个想法也就此被放弃。局面相当糟糕。这次失败唯一的一线希望是，我从中对公司的文化以及如何改进自己的领导风格有了很多认识——不过这要留到另一篇文章再讲了。
首次通过增加游戏化元素来重振增长的尝试以惨败告终。
第二阶段：推荐机制
在游戏化尝试受挫后，我们彻底放弃了提升用户留存的方向，组建了一个专注于获取新用户的新产品团队，称为“获客团队”。当时，优步在用户获取方面表现出色，据称其增长主要得益于推荐计划。受此启发，我们创建了类似优步的推荐计划，奖励是免费一个月的高级订阅服务“超级多邻国”（当时名为“多邻国 Plus”）。这个奖励在我们看来相当不错！
我们上线了这一功能，希望第二次尝试能更成功。结果新用户仅增长了 3%。虽有所增长，但远非我们所需的突破性进展。即便如此，团队仍加倍努力，持续迭代推荐计划并尝试其他方向，但收效甚微。
尽管团队仍在持续迭代，但我逐渐意识到，我们必须找到一种不同的方法来解决用户增长问题。
重新集结
短短数月内接连遭遇两次失败，这让我开始反思如何更明智地选择产品方向。
事后看来，我清楚地认识到《梦幻花园》的步数限制机制为何不适合多邻国。在《梦幻花园》中，每一步都像一次战略决策，因为你需要巧妙应对动态障碍，找到通往胜利的路径。而完成多邻国的一节课并不需要策略性决策——你大多要么知道答案，要么不知道。由于其中毫无策略可言，多邻国的步数限制机制就变成了一种枯燥、生硬且多余的累赘。这是多邻国错误引入的游戏化机制。我意识到，自己过于关注《梦幻花园》与多邻国之间的相似之处，却忽略了底层差异的重要性。
我们也很快明白了，为什么我们的推荐计划没能像优步那样成功。推荐机制在优步行之有效，是因为用户在使用其“按次付费、永无止境”的系统时，每次乘车都需要付费。一次免费乘车便成了持续的激励。而在多邻国，我们试图通过提供一个月免费的超级多邻国会籍来激励用户。然而，我们最优秀、最活跃的用户本身已经是超级多邻国的订阅者，在已有套餐的情况下，我们无法再送他们一个月的免费会籍。这意味着，本应依赖核心用户的策略，实际上却把他们排除在外了。
在这两种情况下，我们都借鉴了其他产品的成功功能，但方式却是错误的。我们未能考虑到环境变化对功能成功与否的影响。经过这些尝试，我意识到需要更深入地理解如何明智地从其他产品中借鉴想法。现在，当考虑引入某个功能时，我会问自己：
这个功能在那个产品中为什么有效？
在我们的环境中，这个功能为什么会成功或失败？也就是说，它能否被很好地移植过来？
为了使该功能在我们的情境中取得成功，需要做出哪些调整？
换句话说，我们在借鉴时需要运用更好的判断力进行调整。仅仅在这方面更有系统性，就会对我们选择采用哪些游戏化机制产生重大影响。而且我们很可能从一开始就不会执着于聚焦推荐机制。我决心确保我们接下来的尝试会更加有条理。我们需要更善于基于数据、洞察和基本原则来做决策。
第三阶段：运用数据和模型
多邻国一直擅长收集数据，尤其是在支持 A/B 测试方面。但此前在利用数据产生洞察方面投入的精力并不多。由于我曾亲身了解 Zynga 和 MyFitnessPal 是如何运用数据的，我觉得我们可以利用多邻国的数据来找到一个北极星指标，从而取得我们所需的突破。
我在 Zynga 和 MyFitnessPal 的工作经历，启发了我们如何根据用户参与度进行分层和建模。Zynga 将用户划分为不同群体，并依据以下每周留存指标来衡量留存率：
-
当前用户留存率（CURR）： 若用户在过去两周内每天都使用产品，那么本周再次回来的概率
-
新用户留存率（NURR）： 若用户上周刚成为新用户，那么本周再次回来的概
-
重新激活用户留存率（RURR）： 若用户上周被重新激活，那么本周再次回来的概率
后来，我在 MyFitnessPal 工作时，发现他们采纳并扩展了 Zynga 的留存分析方法。他们不仅用 CURR、NURR 和 RURR 来衡量增长，还利用这些指标进行未来场景建模，并新增了 SURR：
- 复活用户留存率（SURR）： 用户上周复活（长期缺席后回归）后，本周再次回归的概率
我推测，我们可以从这些指标入手，在多邻国建立一个更精细的模型，并用它来识别北极星指标。通过与获客团队的数据科学家和工程经理合作，我们设计出了下面的模型。该模型沿用了 Zynga 和 MyFitnessPal 的留存率指标，但将时间维度从每周调整为每日，并增加了多个新指标。
这些区块，或者说 “桶”，代表了具有不同参与度的不同用户群体。每个曾经使用过该产品的用户，在任何一天都只会属于其中一个桶。这意味着模型中的这些桶是 MECE（相互独立，完全穷尽）的，能够完整覆盖所有曾经使用过多邻国的用户群体。而箭头则衡量用户在各个桶之间的流动（这些箭头包括 CURR、NURR、RURR 和 SURR，但其计算方式已演变为日留存率，而非周留存率）。通过将桶与箭头相结合，该模型构建了一个近乎闭环的系统，新用户是其中唯一的例外。
方便的是，该模型中最上方的四个桶加起来就等于日活跃用户数（DAU）。这四个桶的定义如下：
新用户： 首次使用应用程序的第一天
当前用户： 今日有互动，且在此之前的 6 天内至少还有一次互动
重新激活用户： 在离开 7 至 29 天后首次参与互动的用户
复活跃用户： 在离开 30 天或更长时间后首次参与互动的用户
其余三个分类代表今日未活跃且处于不同不活跃程度的用户。
存在流失风险的周活跃用户： 今日未活跃，但在此前 6 天中至少 1 天活跃的用户
存在风险的 WAU + DAU = WAU
存在风险的 MAU： 过去七天内不活跃，但在之前的 23 天中至少有一天活跃
存在风险的 MAU + WAU = MAU
休眠用户： 过去 31 天或更长时间不活跃
月活跃用户 + 沉睡用户 = 总用户基数
日活跃用户、周活跃用户和月活跃用户可以轻松通过这些用户池计算得出，这一特性使得我们能够便捷地对其随时间的变化进行建模。这是该模型的一个关键特点。此外，通过调整箭头所代表的比率，我们可以模拟这些比率随时间变化所带来的复合效应和累积影响；换言之，这些比率就是产品团队可以拉动以提升日活跃用户的杠杆。
模型建立后，我们开始每日抓取数据快照，以构建过去几年中所有这些用户池及留存率逐日演变的历史记录。基于这些数据，我们可以创建一个前瞻性模型，并进行敏感性分析，从而预测哪些杠杆对日活跃用户增长的影响最大。我们对每个比率进行了模拟，在保持其他比率不变的情况下，连续三年每季度将单一比率调整 2%。
以下是我们首次模拟的结果。它展示了每个杠杆上那 2% 的微小变动如何影响预测的月活跃用户和日活跃用户。
我们立刻发现，“当前用户留存率”（CURR）对日活跃用户数的影响巨大——是排名第二的指标的五倍。事后看来，这一发现合情合理，因为“当前用户”这一分组有一个有趣的特点：保持活跃的当前用户会再次回到同一个分组中。
这会产生复利效应，意味着 CURR 更难被改变，但一旦发生变化，其影响也会更大。基于这一分析，我们意识到，要想实现期望的战略性突破，CURR 就是我们必须要推动的指标。于是我们决定成立一个新团队——留存团队，将 CURR 作为其北极星指标。
专注于 CURR 的最大好处之一，是让我们决定不再投入那些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。
另一个重要的经验是，我们看到了同一个指标对日活跃用户和月活跃用户的影响可能存在巨大差距。例如，CURR 对日活的影响是对月活影响的六倍。iWAURR（非活跃周活用户复活率）是推动日活的第二大杠杆，但在推动月活方面却只能排在第四位，远落后于获取新用户和复活已流失用户。这意味着，如果我们要显著提升月活，最终仍需找到获取新用户的新增长途径。但就当时而言，我们的重点只是提升日活，因此我们将 CURR 置于所有增长杠杆之首。事实证明，这是正确的选择。
排行榜杠杆
有了这一明确的指导方向，我们回顾了历史模型数据以及过去几年的 A/B 测试，想看看是否在无意中做过任何曾推动 CURR 变化的事情。令人惊讶的是，我们并没有。事实上，CURR 已经多年没有变化了。我们必须基于第一性原理，找出推动 CURR 的第一步行动。
我仍然认为，在尝试提升用户留存率时，游戏化是一个不错的切入点。我们在《梦幻花园》风格的步数计数器上的失败，其实并未否定当初我们认为游戏化对多邻国仍有价值的任何核心理由——我们只是明白了步数计数器在游戏化方面是一种笨拙的尝试。这一次，我们在添加或借鉴功能时会更加系统、更具智慧。我们会确保把之前游戏化实践中的经验教训运用起来。
经过一番考虑，我们决定押注排行榜。原因和具体做法如下。多邻国此前已有供用户与亲朋好友竞争的排行榜，但效果并不理想。根据我在 Zynga 的经验，我认为有更好的设计方式。在我参与开发 Zynga 的《FarmVille 2》时，游戏中曾有一个类似于多邻国现有排行榜的系统，用户同样是与好友竞争。作为玩家，我根据自己的体验提出一个假设：竞争者的参与度亲近程度，比用户与竞争者之间的人际关系亲近程度更为重要。我认为，在一款成熟的产品中尤其如此——因为许多用户的好友早已不再活跃。Zynga 的测试结果证实了这一想法。基于此，我觉得类似我在 Zynga 参与设计的那种排行榜系统，在我们的产品环境下同样能够成功。
《FarmVille 2》的排行榜还包含了一个“联盟”系统。除了争取在每周排行榜上名列前茅之外，用户还有机会在多个联盟等级中晋升（例如，从青铜联盟升到白银联盟，再到黄金联盟）。联盟为用户提供了更强的进步感和奖励感，这是游戏设计中不可或缺的要素。同时，由于活跃用户会逐周进入竞争更激烈的联盟，联盟机制也能持续提升用户参与度。我们认为，这一功能能够很好地迁移到多邻国现有产品中，因为它直接契合了人类普遍的竞争与进步动机。
用户会与上周参与度相近的其他用户进行匹配。本周排名靠前的玩家将在下周晋升到更高的联盟等级。
不过，《FarmVille 2》排行榜的某些方面并不完全适用于多邻国。我们需要根据自身情况，对这种游戏机制进行调整。在《FarmVille 2》中，参与排行榜竞争需要在核心玩法之外完成额外类型的任务——这一点我们特意没有采用。在多邻国的语境下，更多任务只会给语言学习增加不必要的复杂性。我们有意让排行榜尽可能轻松、无门槛：用户自动参与其中，只需持续坚持常规的语言学习，就能逐步晋级到第一联赛的顶端。通过保持游戏机制的刺激性，同时使其比《FarmVille 2》更为简洁，我们感觉在借鉴与调整之间找到了恰当的平衡。
排行榜功能对我们的数据产生了巨大且几乎是立竿见影的影响。总学习时长增加了 17%，高度活跃的学习者（每天至少学习 1 小时、每周学习 5 天的用户）数量增长了两倍。当时我们尚未掌握如何计算 CURR 的统计显著性，但观察到传统的留存指标（如次日留存率、第七日留存率等）有了实质性且统计显著的提升。此后，排行榜功能成为优化各项指标的重要抓手，各团队至今仍在持续完善该功能。同样重要的是，排行榜是留存团队取得的第一个突破！
推送通知渠道
留存团队备受鼓舞，全力寻找更多机制来保持现有用户的活跃度并激励他们每日练习。他们开始探索的一个方向是推送通知。基于前几年大量的 A/B 测试，多邻国已经证实通知可以是增长的重要渠道，但多年来其影响对我们而言已趋于平稳。随着团队重新焕发活力并充满新思路，我们认为是时候重新审视这个渠道了。
在我们深入分析这个问题时，有一条原则变得至关重要。它源自 Groupon 首席执行官的一个警示故事。他向我们的 CEO 路易斯·冯·安讲述了 Groupon 曾长期坚持每天只发送一封邮件通知。但团队开始怀疑，增加邮件发送量是否能改善数据指标。最终 CEO 妥协，允许团队每天对每位用户多发送一封邮件进行测试。这次测试使目标指标大幅提升。受到鼓舞的 Groupon 继续尝试，发送更多邮件，甚至一天多达五封。然而，几乎一夜之间，他们的邮件渠道几乎完全失效。久而久之，Groupon 激进的邮件测试积累下来，彻底摧毁了该渠道。人们往往低估了激进 A/B 测试邮件和推送通知的风险——这会导致用户选择退订该渠道；而即使你停止测试，这些用户也永远不再接收。多次如此，渠道便被摧毁。这正是我们需要避免的结果。对于推送通知，我们确立了一条基本原则：保护渠道。
考虑到这一限制，我们决定给予团队极大的自由度，以便在通知的发送时机、模板、图片、文案、本地化等方面进行优化，但除非有充分理由并经过 CEO 批准，否则不得增加通知的数量。随着时间推移，经过无数次迭代、A/B 测试以及一种强盗算法的应用，团队成功取得了数十个中小型胜利，这些成果逐年累积，为日活跃用户数带来了显著增长。
2019 年走红的一个关于多邻国“推送过多”的网络梗图
连续打卡向量
为了寻找更多增长点，留存团队的产品分析经理开始研究用户留存与多邻国特定功能使用之间是否存在强相关性。他发现，如果用户连续打卡达到 10 天，其流失的概率就会显著降低。显然，这在很大程度上只是相关性和选择偏差，但我们认为这一洞察足够有趣，值得重新投入资源来优化这一功能。
“连续打卡”这个概念其实非常简单：向用户展示他们在应用上连续进行任意活动的天数。但事实证明，围绕连续打卡，存在着数量惊人的优化机会。
我们取得的第一个重大胜利是“连胜保护”通知——该通知会在用户即将失去连胜记录时向其发出提醒。这个深夜推送的通知证明，在连胜优化上加大投入确实能带来显著回报。此后，我们陆续推出了多项改进：日历视图、动画效果、连胜冻结功能的调整、连胜奖励等。每一项改进都在原有连胜机制的基础上有所提升，并大幅改善了用户留存率。
迄今为止，连胜功能是多邻国最强大的用户参与机制之一。当人们谈论使用多邻国的体验时，常常会提及自己的连胜记录。我最近遇到一位用户，他对我说：“我已经连续学习了 1435 天！”接着又补充道：“而且一次连胜冻结都没用过！”他的这份自豪实至名归——因为他几乎连续四年每天坚持学习所选语言。
连胜机制之所以有效，原因有很多。其中之一便是，连胜会随着时间推移而增强用户的动力；连胜时间越长，用户维持连胜的意愿就越强烈。就用户留存而言，这恰恰是我们希望用户展现的行为。学习者每多使用多邻国一天，他们对第二天继续回来的在意程度就会比前一天更高，从而提升了留存率和日活跃用户数。作为一条元经验，我们在连胜机制上的成功进一步表明，我们可以通过对现有功能的优化来取得重大突破。我们既能认识到重大创新的价值，也能看到快速优化带来的收益。而一支优秀的团队往往两者兼备。
超越 CURR
我们并未止步于 CURR；公司内部一直存在一种健康的危机感，认为 CURR 终有一天会遇到增长天花板，因此迟早要找到获取新用户的新增长路径。留存团队继续专注于提升 CURR，但从公司整体层面来看，我们通过不断增设产品和营销团队来探索新的增长方向（兼顾留存与拉新），持续加大在增长方面的投资。幸运的是，其中多项尝试取得了成功，包括：拓展国际市场、构建社交功能（这是获客团队最终转型的方向，并取得了巨大成功）、加速课程内容创作、与网红合作、提升在学校渠道的影响力、适度投资付费用户获取，以及在 TikTok 上实现病毒式疯传。以上每项举措都值得单独撰写案例研究。
整体成果
经过四年的努力，我们将 CURR 提升了 21%，这意味着核心用户的日流失率降低了 40% 以上，加之其他成功举措，最终推动日活跃用户数增长了 4.5 倍。去年是多邻国历史上增长最快的时期之一。用户质量也同步提升：连续学习 7 天及以上的日活用户占比增长了近 3 倍，目前已超过日活用户总数的一半。这意味着，多邻国不仅拥有了数量更多的活跃用户，而且这些用户持续返回、推荐给朋友以及订阅超级多邻国的意愿也显著增强。这一增长为多邻国的成功上市奠定了关键基础。
结语
希望本文能给您带来启发，帮助您为产品找到新的增长方向。如果您借鉴了我在多邻国的任何经验，请务必结合自身实际情况灵活运用。不要盲目信任多邻国或其他任何公司的做法——至少对我而言，盲从并不奏效。祝您实验顺利！