创新案例｜语言教育App头牌Duolingo如何重新点燃用户增长350%

Duolingo是全球最大的语言教育APP，拥有数亿用户，然而用户增长正在放缓，本案例以Duolingo增长通过数据建模洞察关键指标，并围绕指标用增长实验驱动，设计植根于创新的增长模式，包括启动排行榜，重新关注推送通知，以及优化“连胜”功能等，实现350%的增长。

1 Duolingo成功关键是活跃用户增长

1）全球最成功的外语学习APP

2011年成立的Duolingo(多邻国)是一款颠覆传统外语学习方式的APP，它提供超过90种语言的学习课程，包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文等等，以及与众不同的用户体验，包括：

游戏化：Duolingo采用了游戏化学习的方法，以各种各样的挑战和奖励，使学习过程更加有趣和有动力，如颁发勋章和通过过关升级来激励用户；
个性化：提供了可定制的学习计划，根据每个用户的水平和进度，定制课程内容和学习路径；
多样化：提供多种学习材料，包括单词、短语、句子和听力练习。用户可以通过多种方式掌握语言，如阅读、听写、口语和写作；
社交化：通过建立线上社区，Duolingo允许用户与其他用户进行交流和互动，用户可以加入不同的社区和小组，与其他用户共同学习和交流；
PLG体验：Duolingo的所有课程均为免费，只有在一些额外功能上进行收费，例如免广告、离线学习等。

短短十年，Duolingo已经成为了全球最大规模的语言学习APP，它拥有超过500万月活用户，覆盖全球200多个国家和地区，并且于2021年7月成功IPO。

2）活跃用户是增长关键

从数据上看，Duolingo 80%的用户是“有机地”获取的——也许用户是通过社交媒体关注，或者从朋友那里听说，但大部分都不是通过营销广告进入。Duolingo通过构建好产品来维持这种有机增长，并采用免费使用的PLG策略。

与此同时，有7%的月活跃用户付费订阅了高级功能。换句话说：Duolingo的收入来自于用户使用并喜欢这个产品，再传播给他们的家人和朋友，其中一些人最终为了升级服务付费。

所以，Duolingo成功的关键就是活跃用户的增长，这同时为他们带来了收入和传播。

2 增长停滞和走过的弯路

但发展过程并不是一帆风顺的，在上市前的2018前后，Duolingo的DAU（每日活跃用户）同比增长降到了个位数，这对于习惯爆炸式增长的管理层来说是一个灾难。为此，Duolingo做了一些探索性的尝试：

1）增强游戏性

Duolingo的第一次尝试集中在提高留存率上，即解决所谓的“漏水”问题。Duolingo之所以优先考虑留存而不是新用户获取，是因为如前所述他们80%的新用户获取都是有机的，这已经是非常优秀的成绩。此外还有两个主要原因：

Duolingo 已经成功实施了几种游戏化机制，例如主屏幕上的进度系统、连胜和成就系统。
当时市面上顶级游戏的留存率比Duolingo高得多，证明了Duolingo还没有达到游戏类产品影响力的上限。

首先他们创建了一个新的团队，即游戏化体验增强团队。该团队由首席产品官领导，以及项目经理、程序员、设计师、助理组成。创新的灵感则来自于一款名为Gardenscapes的消除类游戏，这个游戏的黏性比Duolingo强，而且两者都有一些共同特征。比如Duolingo的课程和Gardenscapes的关卡时长差不多等。

但真正引起他们关注的是Duolingo和Gardenscapes都使用了进度条来显示已完成的百分比，但是Gardenscapes是将其进度条与计步机制组合，而Duolingo没有这样做。Gardenscapes计步器只允许用户进行有限次数的移动来完成一个关卡，这增加了游戏的紧迫感。

于是Duolingo决定尝试将计步机制纳入产品中，用户只能用有限数量的机会来正确回答问题，否则他们必须重头开始课程学习。

团队花了几个月时间完成了工作，但令人沮丧的是，努力的结果是留存率没有变化，DAU也没有增加，且几乎没有收到任何用户反馈。事后看来，这是因为当你玩Gardenscapes时，每一个动作都是一个战略决策，因为你必须向后进行预测推算才能找到通往胜利的道路。但是，完成 Duolingo课程不需要战略决策——您通常要么知道问题的答案，要么不知道。因为不需要任何策略，所以Duolingo的计步机制只是一个无聊的麻烦。这是由于团队太过于专注Gardenscapes和Duolingo之间的相似之处，以至于没有考虑到产品属性不同带来的行为差异。

2）推荐机制

之后Duolingo放弃了提高留存率的方向，重新组建了一个专注于裂变新用户的产品团队，称为裂变团队。当时，Uber在获客增长方面做得很好，大家都说这主要是因为它的裂变打法。受此启发，Duolingo创建了一个类似于Uber的推荐计划，奖品是付费功能Duolingo Plus的免费使用时长。

同样的，新团队最终实现了该构思，并且让新用户同比增加了3%。虽然结果是积极的，但明显不是Duolingo所希望的突破性增长。虽然团队后来继续迭代推荐计划并进行其他一些改动，但仍然无济于事。

之所以Duolingo的推荐计划没有产生Uber式的成功，原因是推荐裂变无疑是适用于Uber的，对于出行乘客来说，车费优惠是一种持续、有效的激励。但要是由Duolingo通过提供一个月的免费Duolingo Plus来激励用户，对此就不太奏效，因为他们最活跃的用户通常已经付费拥有Duolingo Plus且已在使用中，所以免费时间并不能给予很强的激励。这意味着原本这种策略需要依靠活跃用户，实际上却将他们排除在外。

3）弯路总结

在以上这两个尝试中，Duolingo都借鉴了其他产品的成功实践案例，但他们的失败之处是没有考虑到不同产品的属性会影响功能的实现。因此，需要进一步总结如何准确地借鉴其他产品，对此Duolingo学会了在找到对标之前回答三个问题：

为什么此功能在这个产品中有效？
为什么认为这个功能在我们的产品中会成功或失败，即它会很好地移植吗？
如果要使此功能在我们的产品中也取得成功，需要进行哪些调整？

3 启用CURR为增长北极星指标

经历过以上两次失败后，Duolingo开始重新思考增长的打法：能否通过优化指向DAU的间接指标来驱动更快更好的增长？换句话说就是如何找到更小、更能撬动DAU的指标？

为此他们开发了一个增长模型，将高级指标（如DAU）分解为对业务有意义的更小分组。为此，首先以天为单位将所有Duolingo用户按活动状态进行分类，再监控状态之间的转化率。这些转换率以保留率（例如，NURR 或新用户保留率）、“停用”率（例如，每月活跃用户或 MAU 损失率）和“激活”率（例如，重新激活率）进行监控。

我们把以上不同色块称作存储桶，每一个存储桶代表具有不同参与度的用户群。每个曾经使用过该产品的用户在任何一天都在且只在一个存储桶中，这意味着这些存储桶是“相互独立，完全穷尽”（MECE），可以一览曾经使用过Duolingo的整个用户群的当天状态。

模型的前四个存储桶加起来就是DAU。这些存储桶的定义为：

新用户（New Users）：注册的第一天；
当前用户(Current Users)：今天和前6天内至少一天使用；
重新激活的用户(Reactivated Users)：离开7-29天后的第一天使用；
复活的用户(Resurrected Users)：离开30天或更长时间后的第一天使用；

其余的三个存储桶表示今天不活跃、具有不同程度的非活跃用户；

有风险的WAUs（周活跃用户）：目前处于非活动状态，但在过去6天中至少有一天处于活动状态，有风险的WAUs+DAU=WAU；
有风险的MAUs（月活跃用户）：在过去7天内处于非活动状态，但在之前23天内至少有一天处于活动状态，有风险的MAU+WAU=MAU；
休眠用户（Dead Users）：在过去 31 天或更长时间内处于非活动状态，MAU+休眠用户= 总用户数量。

如图表中的箭头所示，Duolingo会追踪在状态之间切换的百分比。

CURR：当前用户留存率；
NURR：新用户留存率；
RURR：重新激活的用户留存率；
SURR：唤醒的用户留存率；

例如，假设一批新用户在第1天首次访问Duolingo，这些新用户中的一些人第二天也会回来访问，它们之间的比例简称为NURR，这一部分用户在模型中从新用户状态转为当前用户状态。您可能会问，如果现有用户购买新手机或在非移动设备上登录，是否会被误认为是”新用户”？为此，Duolingo技术团队开发了一种复杂的方法来甄别跨多个帐户的用户活动。

然后那些在第1天没有回来的新用户在第2天会标识为“非活动”状态（有风险的WAU），这个比例的计算公式是1-NURR。因为它们当前处于非活动状态，所以它们不是DAU，但他们在上周仍然活跃过一次，即仍属于WAU。

在7天不活动后，用户将被标识为有风险的MAU状态，在那里他们可以保持长达22天。一旦用户处于非活动状态达到30天，他们就会被标识为休眠用户状态，直到他们再次活跃。

建立了以上看板之后，Duolingo可以很清晰地知道即时的DAU、WAU和MAU等数据，通过操纵存储桶之间箭头上的转化率，Duolingo可以模拟随时间调整这些转化率，以观测对结果的影响。换句话说，产品团队通过模拟拉动转化率杠杆，用于观察每一个数值对DAU的影响大小。

同时Duolingo开始每天拍摄数据快照，以记录所有这些用户数据在过去几年中如何逐日演变的历史记录。有了这些数据，Duolingo可以创建一个敏感性分析模型，以前瞻预测哪些杠杆将对DAU增长产生最大的影响。

比如模拟将在过去三年内的每季度单个转化率提升2%，同时保持所有其他转化率不变。以下是第一次模拟的结果，它显示了每个杠杆上进行2%的上浮调整将如何影响MAU和DAU。