一、前言
相信每个运营人员，尤其是负责用户增长的运营人员几乎都听说过“增长黑客”。
近年来，增长黑客的思维模式在运营圈中逐渐被炒热。
“增长黑客”代表着一种数据化运营的逻辑，通过细分业务流程逻辑点，在每个流程点利用数据化思维提高转化效率，在有限的运营推广成本下尽可能提升用户传播的效率。
在各个招聘平台上面简单搜索一下现在国内招聘增长黑客的公司，会发现教育行业居多。绝大多数人第一反应肯定是疑惑的，为什么在线教育行业需要这么多增长黑客呢？
其实原因很好解释，增长黑客的目标就是低成本、高效率的精准营销，根据在线教育行业的公开数据，基本上各类型公司的获客成本都在4位数，少数公司获客成本在三位数。
加上在线教育行业产品单价较高，且相对别的行业加入了电话和社群直销的环节，受前端销售影响，部分前端数据的采集和数据溯源流通在复杂的业务场景下更难以追踪。
高成本和流程的复杂，用户群体的特征明显，让增长黑客在教育行业中更能发挥自己以数据为依托，在有限成本条件下提高拉新率的能力。
在增长运营中，“病毒式增长曲线”占据了重要的地位，而“病毒式增长曲线”可以理解为用户的自传播曲线。
俗话说的好，物以类聚人以群分，这个经验理论在互联网行业同样适用。
数学领域有个著名猜想叫六度空间理论，即最多通过6个人你就能认识一个陌生人，现在的互联网运营从业人员也在通过类似六度空间理论的做法实现拉新效率的提升转化。
在猜想中认识一个陌生人传递信息需要通过6个人，而在现如今的互联网环境下，同类型用户聚集度相对更高，针对某一群体所定制的信息能够更轻易的触及目标用户群，信息传递效率的提高除了客观环境变化，还来自于对不同细分用户类型的运营手段的变化。
2020年初突如其来的疫情对经济环境造成了巨大的冲击，但现实社交空间的减小让互联网信息传递显得更加重要，自传播这种聚群式的信息传递方法也被众多企业重视起来。
二、自传播活动的设计逻辑
运营的推广拉新方式有18种之多，而在18种运营推广方式中涉及转介绍或者自传播的的仅仅只有社群运营一种，也是唯一一种由用户分享而实现拉新方式。
转介绍或者说自传播，在传播数量上可能和广告类渠道投放没法相提并论，但在效率上和用户质量上却要远远高于其他渠道。
任何行业都有“28定律”，互联网也一样，像笔者之前接触过的一些在线教育行业的客户，从他们的反馈来说，几乎每次运营活动下只有5%-15%的新注册用户会购买高价的课程，大约30%-40%的注册用户会购买低价的拼团课。
而剩下50%左右的新用户几乎都是对活动中提供的实物奖品和体验课感兴趣的低价值用户。
对于公司的运营部门来说，精心设计的活动带来的高价值、有转化能力的新用户数量却不多，倒是引来了很多实际需求不明确的低价值用户，甚至有部分黑灰产（嗯……虽然说是工作上说是抵制黑灰产，但我还是实打实的薅了不少教育机构的羊毛）。
相信运营人员如果混迹在不同的社群中，会经常发现以下这类情况：
由于在拉新活动最初没有很好的对潜在用户进行分析归类，很容易导致大量非目标用户参与活动，增加了运营成本。
而增长黑客的关注点就是在那20%的高价值用户群体能否带来更多的高价值用户群体，从而实现产品在用户社群中的自传播。
病毒获客曲线和渠道获客曲线图
病毒式增长模型本身来源于医学的概念，可以拿今年约翰霍普金斯大学为新冠疫情做的统计数据图举个例子：
从右下角的趋势图和我们的病毒式增长模型对比可以看出，两者是极为相似的。
就像和新冠患者在一个封闭空间下新冠病毒会通过各类介质传播，病毒式增长模型的目的也是用户作为主传播者，通过各类渠道主动分享产品、活动，以达到“感染”周边社群用户的目标。
对病毒式增长模型而言，其病毒系数是非常重要的。
就像过去朋友圈集齐多少赞就能免费参与XX活动一样，病毒系数可以简单理解为，一个用户能够吸引到多少新用户的目光，在现阶段的运营中更多代表着每个用户能够带来的新用户数。
从运营人员的角度可以简单用一个公式进行阐述：病毒系数K=被邀请新增用户/主动发出邀请的用户数
K=i*conv
其中，i是分享触达率，conv是转化率。
根据以上理论，提升K值，意味着参与裂变的用户人数越多，增长曲线也会更加陡峭。
根据计算，我们也能得出，只有当K值大于1的时候，新增用户量才会一直上升，如果K值小于1，在不断的传递下新增用户的数量会不断减少，直到没有新增用户，那肯定是不行。
当然，在实际的运营场景下，我们还需要考虑用户不分享，用户多次分享，用户分享触达率变化较大的情况。
确定了病毒式增长模型之后需要设计好转介绍的活动形式，毕竟用户分享的起始动力还是来自于活动本身。
转介绍活动的设计依据4C原则，根据运营针对消费者的4C原则，即消费者的需求、消费者得到满足的成本、消费者购买的便利性、与消费者的沟通交流。
运营人员通常从消费者的需求角度出发，将需求简单划分为物质需求和精神需求，物质需求可以是奖金、实物奖励、红包、返现等等，精神需求则可以是满足感、虚荣心等等，这方面可以通过分享个性化海报、活动成绩单实现。
剩下的三个C通常和运营活动的形式有关，在摸清楚用户的需求之后需要运营人员使用运营成本低且便于消费者使用的运营手段，并保持一定的沟通频率以获取用户反馈。
自传播模式的核心特点在于高粘性的用户群和便捷可玩性高的分享方式，理论上，不考虑运营成本的情况下，这两个核心特点的配合能够吸引同个垂直领域内的大部分潜在用户。
从结果论的角度分析，目前各行业以自传播为核心拉新手段的公司来看，基本上都是在细分行业内占据前列的独角兽企业，转介绍能够帮助企业大范围收割潜在用户。
但目前用户的转介绍行为通常和活动挂钩，尤其是在线教育行业，出于对在线教育产品本身的认可而自发推广的情况仍相对较少。
三、自传播在实际操作上容易碰到的风险点
说到这看是不是看起来一切安好？觉得自己设计好了活动形式，确定了活动策略，能够精准定位用户内心的需求，让用户做到自传播，那自己这个季度的KPI就能超额完成了？
确实，在接触中，笔者发现大部分的增长运营人员在策划运营活动时都信心满满，从方法论上面看几乎没有任何偏差。
但到了活动中期或者后期不断检查修正的时候，突然发现新用户的转化率下降了，新增用户质量下降，电销团队转化率下降，部署在H5页面的活动收到大量请求导致响应速度下降，消费用户投诉，感觉不如意的事一件接着一件的来，就像恶性循环一样。
绝大部分的业务团队在这个时候会与技术支持反馈，对活动策略进行调整（这就是经常被消费者诟病的“解释权归活动运营方所有“），或者对电销团队提出更高的销售转化要求。
但实际上这些都不是变数产生的原因。
因为自传播本身是用户自发的传播行为，属于范围型传播，而传播的终点和传播的方向是不可控制的。
在现实生活中，不同类型用户的社交圈并不是完全割裂的独立群组，高价值用户的社群同样可能和低价值用户的社群有一定交集，同样的，也可能和黑灰产的社群有交集。
黑灰产实际上也是用户，一般来说用户的需求也是黑灰产的需求，我们可以将黑灰产看成比普通用户更渴求利益的用户（说白了就更喜欢占便宜），运营人员针对用户需求而推出的活动对黑灰产的吸引力更强。
大量的非目标用户涌入活动，在前端没有进行用户过滤的情况下，电销人员进行无差别服务，运营方提供无差别的奖励，给黑灰产提供了绝佳的生产温床。
在第一批黑灰产“入驻”之后，通过自传播的方式，这个群体开始不断扩张，病毒式增长真正变成了“病毒式增长”。
造成这种情况的原因往往是业务方通常在设计活动的时候只考虑获得新用户，较少考虑获得什么样的新用户，加上新用户没有历史数据作为参考，自传播获得得用户又不能像渠道获客一样标记渠道分数，运营方很难对自传播的用户进行价值分层。
高价值用户中夹杂着黑灰产，黑灰产中夹杂着高价值用户，这种情况下要精准挖掘出黑灰产群体更加麻烦。
四、风险点的处理方式
针对这类潜在风险点的处理方式主要有两类：
1. 第一类方法是通过黑灰产的变现逻辑所确定的
所有的用户群都有群体意识，同样的，黑灰产的群体类似。尤其是通过自传播在app社群内形成的黑灰产群体。
除了通过技术手段识别一些改造过的机器之外，还需要从黑灰产的业务逻辑进行考虑。黑灰产和公司一样也有自己产业内的逻辑线条，黑灰产上游提供技术手段工具，中游整理情报和变现手法，下游执行操作实现变现套利。
现阶段的黑灰产已经不仅仅只是通过技术手段薅羊毛，他们会发动大量的下游用户，利用真人刷单套现。
但黑灰产无法逃避的是他们产业的运营逻辑。上游黑灰产为了实现利益最大化，通常会给下游真实用户输出操作文档，帮助下游用户实现效率最大化。
这张图就是非常典型的上有黑灰产提供的作案方案和作案工具（打个码避免暴露我的卧底身份）。
通过这些操作简易的步骤和流程可以进行一定的判断，为了实现薅羊毛效率最大化，不管是机器操作还是真人操作，一般都会盯紧某个目标（抢过鞋的朋友应该知道要在准点疯狂点击购买按键），进行重复性机械化的操作。
受制于其较强的目的性，黑灰产在参与活动时的操作成流程式，通常在注册登陆后直奔活动页面，而经过上游黑灰产培养的下游黑灰产在操作流程上甚至都一致。
如果是相对复杂一点的活动，需要多重认证，黑灰产下游甚至连认证顺序都会一致。
通过用户的操作逻辑可以简单将用户进行分类分层，将大量操作一致性较高的用户划归到风险用户。
不过鉴于这些用户都是真人，虽然在转化概率上较低，但毕竟有转化的可能性，不能轻易舍弃，一般对这类存在风险的用户就是尽可能设置一些门槛，提高他们参与活动的难度，设计较为完善的体验流程让用户在获得一定利益的时候培养对产品的归属感。
2. 除了在业务逻辑和产品逻辑上能够进行一定防范，还可以深入挖掘用户之间的关联度
自传播模型本身依托于用户之间的关联性传播，我们同样可以在用户形成关联网络之后审视关联网络的质量。在金融机构中，关联知识图谱能帮助风控部门找出欺诈团伙。
举个例子，用户A在B商户用信用卡POS机刷信用卡套现被发现了，而用户D经常在B商户刷信用卡进行消费，假设B商户的风险系数为1，那么用户D也会被打上风险标签，但风险在传播的过程中可能会呈现一定衰减。
如果用户D没有什么风险行为被记录的话那他的风险系数可能会下降为0.2，风险系数的确定和衰减受风险事件、和高风险用户的交易记录等因素的影响。
天眼查中VIPKID的关系图，最为简单的关联网络
就像活动能够在用户中分享传递一样，风险同样会在用户中分享传递。
在互联网场景下同样如此，高风险个体被发掘定位后，可以通过他的设备信息，设备所在地，自传播方向定位出周围的低风险群体，打上标签，进行一段时间的重点关注，最终实现整体风险团体的挖掘，进行打击。
当然，这种用关联图谱的方式也能够找出高价值用户之间的传播路径，做到更好的精准营销。