题图来源：Unsplash
作者：Jorge Mazal，Duolingo前首席产品官（CPO）
编译：Valse
Duolingo（多邻国）一直是一个神奇的存在，在没有那么热的赛道上，却一直在狂跑。
几天前，语言学习平台 Duolingo（多邻国）发布了 2022 年 Q4 及全年财报。财报显示，2022 年全年，Duolingo 的收入同比增长 47%，达到 3.69 亿美元。收入的增加主要归功于用户大幅增长。2022 年 Q4，多邻国 MAU 达到 6070 万，上年同期仅有 4240 万，同比增长 43%，DAU 同比增长 62% 至 1630 万。截至 2022 年底，多邻国付费订阅用户达 420 万，比上年同期的 250 万增长 67%。
作为一款上线已经大约 12 年的品类内头部产品，收入、活跃用户、付费用户还能同步实现高增长，着实不容易。实际上，Duolingo 的高速增长从 2018 年末就已经开始，一直维持到现在，其 DAU 在 5 年内增长了 450%。
2018-2022 年，「多邻国」DAU 增长 450%｜图片来源：Lenny’s Newsletter
那么在各大头部平台难以扩张用户规模、提升营收的 2022 年，「Duolingo」是如何实现高速增长的？作为一个业务模式趋于稳定的语言学习平台，「Duolingo」又如何找到强化获客的关键指标？对此《白鲸出海》特别编译了 Lenny’s Newsletter 文章《《How Duolingo reignited user growth》，在这篇 Blog 里，Duolingo 前首席产品官 Jorge Mazal 与读者，深度分享了 Duolingo的增长思路。
Duolingo 前首席产品官 Jorge Mazal | 图片来源：CNBC
“2017 年末，我加入了 Duolingo，担任产品负责人一职。当时「Duolingo」已经是全球下载量最高的教育类 App ，用户量级高达数亿。然而与很多成功的产品一样，「Duolingo」在那时也已经陷入了用户增长放缓的困境。到了 2018 年中，「Duolingo」的 DAU（日活跃用户）同比增幅已经低于10%。
在这篇文章中，除了给大家分享「Duolingo」早期增速放缓的主要原因外，我还会重点介绍帮助「Duolingo」扭转用户增速的关键选择，这些选择主要都和产品功能相关，比如推出排行榜、重视消息推送、优化“连胜”机制等等。希望我的分享可以帮助大家找到用户增长的突破口。”
阶段一
增长难题面前先提升留存，《梦幻花园》被当做救命稻草
当时，为了解决用户增长停滞，我们首先尝试去提高产品的用户留存。之所以优先考虑留住用户而不是获取新用户，一方面是因为「Duolingo」的获客渠道主要是自然渠道（ASO、SEO 等）而不是付费渠道；另一方面是因为当时没有足够好的方案能够快速提高获客效率。
这时，团队有人提出可以尝试添加游戏化机制。决定采用这一思路的原因有两个：首先「Duolingo」此前成功验证过游戏化功能，比如主界面上的进度系统、连胜系统和成就系统；此外当时的一些头部游戏留存率比我们高得多，这证明了游戏化在提升留存上的潜力。
「Duolingo」主界面/成就界面的游戏化设计｜图片来源：「Duolingo」
甚至，我们还专门为游戏化设计成立了一个新团队。这个团队由 5 个人组成，2 名技术人员、1 个设计师、1 个项目 PM，还有我。虽然方向已经定了，但我们并不知道哪种游戏机制适合「Duolingo」。这时我们想到了团队成员都很爱玩的三消游戏「梦幻花园（Gardenscapes）」，这款游戏也成了我们第一个灵感来源。
「梦幻花园」某关卡截图｜图片来源：「梦幻花园」
在研究「梦幻花园」的游戏机制时，我们只知道一个现状，那就是「梦幻花园」的用户粘性比「多邻国」高。随后在拆解研究过程中，我们也发现了两款产品间的相似之处。
如下图所示，「Duolingo」的课程界面和「梦幻花园」的关卡界面在不少地方有相似之处的。例如两款产品都选择用进度条的形式，让用户知道自己的学习和游戏进度。不同的是，「梦幻花园」选择了进度条与操作计数器结合的方式，增强紧迫感。发现这一点后，我们在「多邻国」中也加入了计数器的设计，让用户回答课程问题的次数有上限，如果没有在规定次数内答对，就需要重新学习这部分内容。
「梦幻花园」关卡界面和「Duolingo」课程界面对比｜图片来源：Lenny’s Newsletter
决定好方向后，团队花了几个月的时间开发计数器功能。起初我们对这个变动抱有非常高的期待，但遗憾的是这个功能没有打出任何水花。产品的留存率、DAU 都没有变化，用户对这个新功能也没有任何反馈。
这次失败的尝试无疑给团队造成了极大的打击，团队内部的想法开始出现分歧，一部分人认为应该继续迭代这个功能，而另一部分人认为应该及时止损，寻找其他解决方案。最终团队被解散，这个方向也被放弃。
阶段二
放弃提升留存、加入裂变，这一次我们转向了Uber
几个月的游戏化努力并没有得到好的结果，大家都感到很疲惫，并放弃了提高留存率这一思路。我们转而组建了一个新的产品团队，专注于获取新用户，这个团队被称为“获客组（Acquisition Team）”。
在获客方面我们参考的产品是「Uber」，因为他们在这一方面做得很好。我们发现，「Uber」的用户增长有很大一块是来自所谓的“推荐计划（Referral Program）”，也就是用户裂变。受此启发，我们也推出了一个类似功能。如果用户通过分享、邀请新用户加入「Duolingo」，就可以免费获得一个月的订阅会员（Duolingo Plus）。从表面上看，这似乎又是个合理的方案。
「Uber」和「Duolingo」的推荐计划界面展示｜图片来源：Lenny’s Newsletter
最终，推荐计划让「Duolingo」的新用户上升了 3%。虽然这个效果和我们的预期相差较远，但至少算是起效了。在这个基础上，团队又针对推荐计划做了后续的迭代，并调整了推荐新用户后的奖励回报，然而数据却没有什么变化。
两次尝试新功能都效果一般，让我想到问题很可能不止出现在产品层面，团队的管理和决策应该也有问题。因此在迭代推荐计划的同时，我也开始了一系列新思考。
两次尝试无果之后的反思
仔细思考后我意识到，「梦幻花园」的操作计数功能并不适合我们的产品。因为在「梦幻花园」里，每一步操作都像是一次战略决策，玩家需要思考怎样操作才能消除指定物品，最终走向胜利。但是在「Duolingo」上学语言并不需要策略，对于答题只有两种可能，要么知道答案，要么不知道答案。因为没有策略性，「多邻国」的计数器并不能给到用户正向的紧迫感。
游戏化也许是个正确的方向，但我们添加游戏化功能的节点选错了。我意识到，我一直专注于研究「多邻国」和「梦幻花园」的相似之处，而忘了两款产品在本质上是有差异的。
我也很快明白了推荐活动的效果不如预期的原因。“有奖推荐”之所以对「Uber」有效，是因为「Uber」用户始终有坐车出门的需求，只要能免费乘车，推荐活动就一直有吸引力。「Duolingo」则不一样，我们平台活跃度最高、最优质的用户早就已经购买了会员，如果用户已经有了付费功能的话，我们就没法给他们提供重复性的免费福利。这也就意味着，我们的获客策略反而把原本的目标用户排除掉了。
以上两个案例显示，我们的确需要从成功产品上学习经验，但借鉴的方式错了。我们并没有考虑到产品本身性质上的不同，会对功能的成功与否有非常大的影响。从这几次失败的尝试里我也意识到，在借鉴其他产品的创意功能时，需要更理智地思考与判断。现在每当设计一个新功能的时候，我会问自己这样几个问题：
1. 为什么这个功能在 xx 产品中是有效的？
2. 这个功能放在我们的产品里是否存在失败的风险？是否可以成功转化用户？
3. 为了让这个功能在我们的产品中只成不败，我们需要做哪些调整？
换句话说，在借鉴其他产品的功能时，我们需要更谨慎地判断，并针对自己的产品做出调整。为了让之后的尝试更加客观且科学，我们会在数据、深度思考以及其他基本原则的基础上进行决策。
阶段三
按参与度对用户分层、建立数据模型，从中找到增长杠杆
Duolingo 在数据测试（尤其是 A/B 测试）和数据收集方面做得其实很好，但我们缺少了通过数据看到本质的能力。我在 Zynga 和 MyFitnessPal 任职时，看到了他们整理数据的方式，我觉得，我们可以通过 Duolingo 已有的数据，找到属于我们的关键指标（“北极星指标”）从而完成破局。
过往的工作经历也给了我处理数据的灵感，那就是通过参与度对用户进行分层，从而针对不同的用户分别建立数据模型。Zynga 的做法是在用户分层的基础上，通过下面几个周留存数据，来衡量产品的留存率。
活跃用户留存（CURR）：过去两周登录过的活跃用户，在本周登录的占比；
新用户留存（NURR）：过去一周注册的新用户，在本周登录的占比；
召回用户留存（RURR）：过去一周重新召回的用户（30 日内有活跃行为），在本周登录的占比。
MyFitnessPal 在数据处理上也参考了 Zynga 的模型并进行了延展。在衡量增长数据并制定数据模型时，还加上了 SURR 这一维度。
回流用户留存（SURR）：很长时间（至少 30 天）没有登录，但在过去一周回流的用户，在本周登录的占比。
我认为，Duolingo 可以在这两家公司的模型基础上，建立一个更复杂的数据模型，并利用这套模型确定我们的关键指标。下图是我们与数据分析师和技术人员合作建立的数据模型，我们在 Zynga 和 MyFitnessPal 使用的留存率指标基础上新添加了一些内容，并将观察的时间维度从周缩减为日。
「Duolingo」的日活跃用户观测数据模型｜图片来源：Lenny’s Newsletter
这些模块是通过参与程度区分出来的不同的用户群。每一个曾经使用过我们产品的用户在特定自然日，都会被归到一个特定用户群中。这也意味着不同层级的用户是永远互斥的。不同的箭头代表各个层级用户转变的比例（包括 CURR、NURR、RURR 和 SURR，但时间维度是日而不是周）。在这个完全闭环的模型体系下可以看到，新用户是唯一的突破口。
绿色和蓝色的用户群相加，正好组成产品的 DAU（日活跃用户），这些用户群分别是：
新用户（New Users）：首次登录 App 的用户；
活跃用户（Current Users）：今日登录过，且在过去 6 天最少登录过 1 次的用户；
召回用户（Reactivated Users）：今日登录，过去 6 日未登录，但在过去 7-29 日登录过至少 1 次的用户；
回流用户（Resurrected Users）：今日登录，但在过去最少 30 日以上未登录过的用户。
最下面三个用户群则是今日未登录，但在过去有着不同程度的参与数据的用户。
可能流失的周活跃用户：今日未登录，但在过去 6 天至少登录过 1 次的用户
可能流失的周活跃用户 + DAU（日活跃用户）=WAU（周活跃用户）
可能流失的月活跃用户：近 7 日未登录，但在 30 天内有过登录行为的用户
可能流失的月活跃用户 + WAU（周活跃用户）= MAU（月活跃用户）
流失用户：过去 31 天或更长时间未登录过的用户
MAU + 流失用户=总用户数
从上面的公式可以看到，常见的 DAU、WAU 和 MAU 都是可以通过不同层级用户相加计算出来的，这也就是说，我们可以针对这些用户进行数据建模。这是这套模型体系的一个关键特点。此外，通过调整箭头所代表的不同留存/流失率，我们可以模拟出随着时间推移，不同留存率带来的综合影响。换句话说，这些比率是产品团队撬动用户增长的杠杆。
建好数据模型后，我们开始每日记录，来观察不同用户群和留存率在过去几年内以日为单位发生的变化。有了这个数据后，我们便可以模拟未来数据并进行分析，以预测哪些杠杆会对我们的用户增长产生最大的影响。我们针对每一个留存数据都进行了模拟预估，在其他数据不变的情况下，每次调整一个比率，以观测数据的变化。调整的规则为，3 年内，每季度该比率提升 2%。
下图是我们第一次模拟数据估算的结果，它展示了不同留存/流失率数据以相同速度变化，对 MAU 和 DAU 的影响。
「Duolingo」不同留存/流失率变化对 MAU 和 DAU 的影响｜图片来源；Lenny’s Newsletter
从结果可以明显看出，CURR（活跃用户留存）对 DAU 的影响是巨大的，与影响第二大的数据相比也高了 5 倍。我之后也领悟到其中的道理，从目前的用户层级看，不同参与度的活跃用户，在最后始终会归到“活跃用户”这一层级中。
活跃用户留存率对 DAU 增长有着巨大影响｜图片来源：Lenny’s Newsletter
这是一种复合效应，CURR 的提升是很难的，但一旦提升了 CURR 数据，我们的 DAU 会翻倍增长。
再次出发：组建新团队“留存组”，指向CURR
基于这一分析，我们确认要完成用户增长的破局，CURR 是必须攻克的指标。于是我们又一次组建了新的团队——“留存组”，CURR 就是这个组要攻克的北极星指标。
决定攻克 CURR 使公司的战略发生了巨大的转变，我们放弃了一些之前很重视的指标，比如新用户留存。同时，这一次测试结果也让我们意识到，一个相同的指标，对产品DAU和MAU的影响竟然存在如此大的差距。比如在同样的提升速度下，CURR 对 DAU 的影响是对 MAU 影响的 6 倍，分别为 75% 和 12%。iWAURR（今日未登录的周活跃用户重新激活率）是撬动 DAU 增长第二好的杠杆，但对 MAU 的影响却远远小于直接提升新用户和回流用户数的效果。
也就是说，如果我们希望 MAU 数据迅速提高，还是需要找到获取新用户的有效方式。在当时的情况下，我们的重心是提升 DAU 数据，所以我们优先选择的是提高 CURR 数据。事实证明这是一个正确的选择。
在明确攻坚的方向后，我们查看了「多邻国」历史数据和各种 A/B 测试数据的结论，希望看到过去几年中，是否有一些功能曾提升过 CURR 数据。意外的是——一个都没有，我们的 CURR 数据多年来都没什么变化。也就是说，在提高 CURR 方面，我们需要完成“从无到有”的过程。
第一突破口：还是游戏，这次是排行榜
当时，我依然坚信，要提高产品留存率，游戏化是一个很好的选择。之前学习「梦幻花园」的失败经历，并没有推翻这一想法。同时我们依然认为在游戏化方面，「多邻国」还有很大的空间，只是之前的方案不适合它。
在各种考虑之后，我们决定把宝押在“排行榜（Leaderboards）”上。「Duolingo」在之前其实有排行榜机制，用户可以和自己的家人或朋友竞争，但这个排行榜的效果一般。但我在 Zynga 的经验，让我想到了一个更好的方法。
我之前在 Zynga 的「FarmVille 2」项目工作，这款游戏有排行榜，玩家可以和朋友竞争排名。我把自己放到玩家的角度去思考问题后发现，竞争对手的活跃度对我的影响，比竞争对手和我的关系是否亲近更为重要，因为很多用户的亲朋好友可能并不活跃。在此基础上，我为「Duolingo」设计了一个优化版的排行榜系统。
在「FarmVille 2」中，我们在排行榜中加入了“联盟”系统。除了争取每周排行榜的排名外，用户还可以参加分级联赛（铜牌联赛-银牌联赛-金牌联赛）。这个系统可以给玩家提供很强的成就感，而成就感其实是我们游戏中很重要的一个体验。
随着时间的推进，用户在产品中的活跃程度越来越高，且随着参与度提升，用户参与的联赛级别也越来越高，竞争力越来越强。我们认为，这个功能挖掘了人性中喜欢竞争的特性，可以借鉴到「Duolingo」的排行榜设计上。
「Duolingo」联赛排行榜界面展示｜图片来源：「多邻国」
我的做法是，用户在参与联赛时，会与上一周成绩接近的玩家分到一组。本周结束时，排名靠前的用户将在下一周被分到更高的联赛组。当然，我们不能直接照搬「FarmVille 2」的排行榜设计，我们需要针对「Duolingo」的产品特性，在原有设计上进行调整和优化。
在「FarmVille 2」中，加入联赛排行榜是有门槛的，玩家需要在主线玩法中完成一系列任务才能获得联赛资格。在「Duolingo」的排行榜中，我们去除了门槛。因为教育类 App 和游戏的体验是不一样的，对于「Duolingo」这款产品而言，更多的任务只会给语言学习增加不必要的复杂性。
我们尽可能降低了排行榜给用户带来的压力，用户可以自愿选择是否加入竞争，且只要坚持进行常规的语言学习，就可以进入首个联赛的排行榜前列。我们保留了游戏机制给枯燥的学习过程带来的激励，但也对竞争强度进行了淡化处理。
新的排行榜对我们的数据产生了巨大的影响。用户总体学习时间提升 17%，高活跃用户（每周至少 5 天完成 1 小时以上学习）数量增加了 2 倍。这时我们还没有摸清要怎么科学计算 CURR 指标，但从一些传统的留存数据（比如次留、7 日留存等）看，效果都是非常正向的。排行榜功能将成为产品指标提升的一个基础，我们的团队至今依然在持续优化排行榜。更重要的一点是，排行榜是我们“留存组”找到的第一个突破口。
第二突破口：强化消息推送功能
首次尝试成功后，团队的热情空前高涨，我们开始思考保持目前用户参与度和活跃度的其他机制。团队选择的第一个研究领域就是推送通知。基于「Duolingo」过去几年做过的大量 A/B 测试结果，推送通知一直是用户增长的重要载体。但由于长时间没有进行大改变，这个模块对用户增长的影响已经趋于平稳，这也正好是一个再次打磨的好机会。
在进行推送消息的设计时，我们一直保持着一个原则，把控尺度。这个原则来自 Groupon CEO 的一次经验分享，Groupon 曾经坚持每天给用户发一封邮件推送，但有一天团队提出，如果提高每天发送的推送数量，产品的数据是否会改善。于是他们开始测试每天给用户发送 2 封邮件推送，数据结果表明。他们的数据有了很大提高。
受到鼓舞，团队开始继续测试，将每日推送的数量继续提高，最高的时候甚至每天发送 5 次。慢慢地，他们发现邮件推送的效果开始越来越差，他们持续的测试导致这一增长渠道被直接破坏。
持续进行电子邮件和消息推送的 A/B 测试是有风险的，且这个风险总是被大家忽视。频繁推送会导致用户对推送消息产生疲劳，而相应地，推送也会失去效果。即使停止测试之后，这些用户也不会对新的推送消息产生好奇和点击的欲望。测试次数多了之后，这个增长渠道其实就被破坏了。这就是我们保持“把控尺度”原则的原因，保护好用户对这一增长渠道的兴趣。
由于在次数上进行了限制，我们在其他方面给了团队很大的自由度，可以在推送时间、推送模板、图片、副本、本地化等方面进行优化。但除非有充分的理由和上级的批准，他们不可以随意增加推送的次数。在长时间的多次迭代、A/B 测试和算法调整的作用下，团队大大小小进行了几十次产生正向效果的推送更新，而这也给我们的 DAU 带来了大幅增长。
2019 年「Duolingo」推送的一条消息｜图片来源：Lenny’s Newsletter
第三突破口：优化“连胜”机制
为了寻找更多的增长载体，留存团队的 APM（项目管理助手）开始研究用户的留存率与「Duolingo」的参与度是否有强关联性。他发现，如果一个用户连续十天打卡，完成了“连胜”，他们流失的概率会大大减小。因此“连胜”功能也是值得我们改善的一个方向。
连胜的概念其实很简单，就是向用户展示他们在 App 上连续做某些行为的天数。在研究了之后我们才发现，这一功能的优化空间非常大。在连胜功能的优化上，我们首次取得的正向操作是在连胜用户即将失去连胜时，给他们推消息提醒。深夜推送的效果非常好，很多用户在发现连胜即将中断时会回到 App 进行学习。这也证明这一功能对产品数据的影响非常大。
此后，我们又进行了多次调整，比如加上了日历视图、给连胜时刻加上动画展示、连胜中断的展示、以及加入了连胜奖励等。每一次的调整都刺激我们对连胜功能产生更多的优化灵感，有效提高产品的留存率。
「Duolingo」的连胜记录界面｜图片来源：「多邻国」
到目前为止，连胜功能也是「Duolingo」参与度最高的功能模块之一。用户有关「Duolingo」的讨论话题也最常提到连胜纪录。我曾经遇到过一个用户，他说他已经连续 1435 天完成打卡，中间从来没有中断过，证明这位用户在语言学习上坚持了近四年的时间。
“连胜”影响范围其实很广泛。比如，连胜的时间越长，用户积极性越高，保持连胜的动力也就越大。这也正是提高用户留存率的关键行为，用户每多在「多邻国」学习一天，第二天回来的动力就会更强，我们的留存率和 DAU 数据就会更高，这是一个正向的循环。
在“连胜”功能优化方面获得的成功也让我们意识到，优化现有功能的效果也许不亚于开发新功能。一个优秀的团队，是可以兼顾推出新功能以及快速迭代旧功能的。
提高 CURR 之外，我们还有一些操作
我们并没有把目光仅局限在提升 CURR 指标上，因为 CURR 是有天花板的，我们无法无止境地去提升，所以我们迟早还是需要找到新的用户增长方法。尽管留存团队一直专注于提升 CURR 并获得了不错的效果，从公司的角度来说，我们还在不断提升增长预算，组建更多的产品和营销团队，以寻找新的留住现有用户或获取新用户的途径。
幸运的是，有几条路被我们走通了，比如拓展国际市场、增加社交功能、加速课程内容供给、与 KOL 合作、在学校中宣讲、尝试买量以及「TikTok」视频传播等。以上所有案例都经过了长时间的研究和尝试。
结语
在长达 4 年的努力后，我们将产品的 CURR 提高了 21%，这意味这我们的核心用户每日流失率减少了 40% 以上。结合其他的成功方法，我们的 DAU 增长了 4.5 倍。
2022 年是「Duolingo」增长速度最快的一年。同时，我们的用户质量也有所提高，连续登录 7 天以上的用户占 DAU 的比例增加了近 3 倍，占比已超过 50%。这意味着「Duolingo」不仅在活跃用户数上有提升，用户粘性也有所提升。这也意味着，会向朋友推荐并订阅 Super Duilingo 的用户越来越多了。这些数据的变化，是帮助「Duolingo」成功上市的关键因素。
而在 3 月 15 日，Duolingo还正式宣布，平台将上线月费 29.99 美元的高级订阅服务 Duolingo Max，新服务将提供“Roleplay”和“Explain My Answer”两种新功能。其中 Roleplay 可以模拟各种实际生活场景，帮用户提升实际交流能力；而 Explain My Answer 则可以解释用户的答案为何正确或者错误。两种新功能全都由 OpenAI 的最新大语言模型 GPT-4 驱动。在保持用户快速增长的同时，Duolingo 也在积极跟进新技术和功能，丰富用户体验并加强变现。这个已经 12 年的产品，还在保持着相当快的反应速度。
