核分裂をマスターするには、ウイルス増殖モデルの構築方法も学ぶ必要があります。

最近、インターネット製品業界では「分裂」ゲームプレイが大流行しています。数日前にNetEase Cloud Musicの「あなたのユング心理学的原型」が再び話題になったことで、多くの製品が分裂に依存したり、依存することを望んでいたりして、ユーザー数の増加を達成しています。

しかし、このバイラルな成長がユーザー数に与える影響をどのように分析し、予測するのでしょうか?成長モデルを構築する必要があります。以下では、5,000 語を使って、成長モデルの構築方法を段階的に説明します。

この記事は、Rahul Vohra の「ウイルスの成長をモデル化する方法」という一連の記事から翻訳したものです。このシリーズは、私が今まで見た中で最も徹底したウイルスの成長モデルの分析なので、皆さんにお勧めします。皆さんのインスピレーションになれば幸いです。

1. バイラルプロダクトとは何ですか?

製品を作る際には、さまざまなチャネルを通じて新規ユーザーを獲得する必要があります。しかし、おそらく最も魅力的なチャネルは、既存のユーザー自身です。

バイラル製品の成長のほとんどは、既存のユーザーが単純な推奨（「この製品をチェックしてください。クール/便利/楽しいですよ！」）を通じて、または製品の使用を通じて直接別のユーザーを引き付ける（「PayPal であなたに送金したいです！」）ことによって、新規ユーザーを引き付けることによって生まれます。

バイラル性の最も有名な例の 1 つはYouTubeです。

大きなトラフィックを獲得する前は、YouTube 動画はニュース サイトや個人のブログに埋め込まれているのがよく見られました。ビデオの視聴が終わったら、友人にメールで送るよう招待され、ビデオを Web サイトに埋め込むためのコードも提供されます。共有したくない場合は、YouTube があなたに合うと思われる他の動画をおすすめします。

おそらく、あなたはこれらのいずれかを視聴し、友人と共有するでしょう。友達はビデオを視聴し、それを友達と共有します。この「バイラルループ」を通じて、YouTube は急速にユーザーを獲得しました。

では、バイラル製品のパフォーマンスをどのように予測するのでしょうか?

たとえば、100 万人のユーザーを獲得するにはどのくらいの時間がかかりますか?私たちの製品は 1,000 万人のユーザーに届くでしょうか?

これらの質問に答えるには、バイラルモデルを構築する必要があります。

2. 最も単純なモデル

初期ユーザーが 5,000 人いると仮定すると、これらの初期ユーザーによって何人の新規ユーザーが獲得されるでしょうか?

よくある状況は、次のようなものです。当社の製品を気に入っているユーザーもいれば、気に入っていないユーザーもいます。多くの友人を招待するユーザーもいれば、招待しないユーザーもいます。1 日後に友人を招待するユーザーもいれば、1 週間かかるユーザーもいます...

これらすべての不確実性を排除し、平均して 5 人に 1 人のユーザーが最初の 1 か月で新規ユーザーを獲得すると仮定すると、バイラル係数は 1/5 = 0.2 になります。最初の 5,000 人のユーザーは、最初の月に 5,000 * 0.2 = 1,000 人の新規ユーザーを引き付け、この 1,000 人の新規ユーザーは 2 か月目にさらに 1,000 * 0.2 = 200 人の新規ユーザーを引き付け、3 か月目にさらに 200 * 0.2 = 40 人の新規ユーザーを引き付ける、というように続きます。

上記の計算に基づくと、下の図に示すように、ユーザー数は 6,250 人になるまで増加し続けます。

図2-1

ウイルス係数が 0.4 の場合はどうなるでしょうか?

図2-2

同様に、ユーザー獲得率も低下し続けています。しかし今回は、ユーザー数は8,300人程度まで増え続ける予定です。

ウイルス係数が 1.2 の場合はどうなるでしょうか?

図2-3

今回、私たちはこれまで以上に速いペースでユーザーを獲得しています。

実際、簡単な計算で次のことが推測できます。

• 初期のユーザー数が x で、バイラル係数 v が 1 未満であると仮定すると、x/(1-v) 人のユーザーを獲得するまで、ユーザー獲得率は減少します。
• バイラル係数が 1 より大きいと仮定すると、ユーザー獲得率が大幅に高まります。

これを見ると、これは簡単だ、ウイルス係数を 1 より大きくするだけだ、と言うかもしれません。しかし、そんなに急がなくても...

• まず、私たちのモデルには多くの問題がありました。たとえば、ユーザーが増えていくにつれて、最終的に獲得できる新規ユーザーが不足してしまうといった問題がありました。
• 第二に、真のウイルス増殖は極めて稀であり、一定期間にわたって 1 を超えるウイルス係数を達成できる製品はほとんどありません。

他の起業家、投資家、グロースハッカーとの議論を通じて、私は次のような結論に達しました。インターネット製品の場合、持続可能なバイラル係数は 0.15 ～ 0.25 が良好、0.4 が優秀、0.7 前後が素晴らしいです。

しかし、バイラル係数が 1 未満になると、ユーザー獲得率は低下し続け、成長が止まることが実証されました。これは私たちが望んでいたものではありません。何が足りないのでしょうか?

ニュース、アプリストア、ダイレクトトラフィック、インバウンドマーケティング、有料広告、 SEO 、有名人の推薦、街頭広告など、ユーザーを獲得できる他のチャネルは無視します。

次に、これらの要素をモデルに考慮します。

3. ハイブリッドモデル

ハイブリッド モデルには非ウイルス チャネルが含まれます。

ニュースなどの非バイラル チャネルにより、ユーザー数が急増するでしょう。しかし、アプリストアなどの他のチャネルは、比較的継続的かつ着実にユーザー数の増加に貢献するでしょう。

私たちのモデルは可能な限り包括的かつシンプルである必要があるため、次の 3 つの非バイラル チャネルを検討します。

1. ニュース:優れたプレスリリースは 70,000 人の新規ユーザーを引き付ける可能性があります。
2. アプリ ストアの検索トラフィック:アプリ ストアは毎月 40,000 件のダウンロードを実現できます。しかし、ダウンロードしたすべてのユーザーがアプリを実行し、登録し、初回ユーザーとして良い体験をするわけではありません。ダウンロードしたユーザーの 60% が良い初回体験をしたと仮定しましょう。
3. 直接トラフィック:既存ユーザーの口コミにより、潜在的なユーザーが当社製品を直接見つけ、月間 10,000 件のダウンロードにつながる可能性があります。ここでも、ダウンロード者の 60% が素晴らしい体験をしていると仮定しましょう。

最後に、アプリ ストアの検索トラフィックと直接トラフィックの両方が一定のままであると想定します。

バイラル係数を 0 に設定し、製品がまったくバイラルにならなかった場合のユーザー数の増加がどのようになるかを見てみましょう。

図3-1

今年末までにユーザー数は約 45 万人になる予定なので、今すぐ広めていきましょう。

図3-2

良好なシナリオでは、バイラル係数が 0.2 の場合、年末までに約 550,000 人のユーザーを獲得できることになります。ウイルス係数が 0.4 の場合、年末までに約 70 万人のユーザーを獲得することになります。私たちの製品が本当に優れていて、バイラル係数が 0.7 であれば、年末までに約 120 万人のユーザーを獲得できるでしょう。

増幅係数

上のグラフは、私がウイルスの増殖と考えるものを示しています。これは、ウイルス係数 v ではなく、増幅係数 a = 1/(1-v) に関するものです。ユーザーの総数を計算するには、非バイラル チャネルを通じて獲得したユーザー数に増幅係数を掛けるだけです。

図3-3

このグラフは、ウイルス係数が 1 未満の場合でも、その驚異的な可能性を示しています。ウイルス係数が増加すると、増幅係数は双曲線的に増加します。言い換えれば、優れたバイラル係数があれば、非バイラルなコミュニケーション チャネルの排出効果を継続的に加速し、増幅することができます。

モデルの問題

モデルに非ウイルスチャネルを追加することは有用ですが、モデルにはまだ重大な問題が残っています。たとえば、獲得したユーザーは永久に留まるものと想定します。

しかし現実は残酷です。ユーザーはいつでも製品を無効化、削除、または忘れてしまう可能性があります。したがって、モデルをさらに最適化する必要があります。

4. ハイブリッドモデル（解約を含む）

ウイルス係数が 0.2 で、次の非ウイルス チャネルがあると仮定します。

• ニュースを公開し、初期ユーザー7万人を獲得
• アプリストアの検索トラフィック、毎月24,000人の新規ユーザーを獲得
• 直接トラフィックにより、毎月10,000人の新規ユーザーを獲得

モデルでは、次のデータを使用して、毎月 15% の解約があると仮定します。

図4-1

プレスリリースにより当初ユーザー数が急増した後、成長は鈍化したように見えました。実際、非バイラル チャネルが新規ユーザーを獲得し続け、バイラル チャネルが増幅効果を発揮し続けても、図に示すように、成長が完全に止まる可能性があります。

いったい何が起こったのでしょうか?

効果をより明確にするために、バイラル係数を 0 に、月間解約率を 40% に設定してみましょう。

図4-2

表4-2

ニュースを発表した後、ユーザー数の増加率はすぐに月間34,000ユーザーで安定しました。ただし、解約率の列では、毎月一定の割合のユーザーが失われるため、ユーザー プールの拡大と縮小に応じて解約数も拡大または縮小します。 実際には、最終的には解約数が成長数に等しくなるため、ユーザープールのサイズは固定される傾向があります。

収容能力

ユーザーの増加率と解約率によって、エンドユーザーの数が直接決定されます。このモデルでは、エンドユーザーの数は収容力と呼ばれます。収容力は、ユーザーを失う割合がユーザーを獲得する割合と等しいときのユーザー数として定義されます。式は次のとおりです。

U•l = g

U は収容力、l は月間解約率（または 1 か月間に特定のユーザーを失う確率）、g は月間非バイラル成長率です。

したがって、収容力の計算式は次のようになります。

U = g/l、ただしl≠0

エンドユーザーの数を 2 倍にするには、次の 2 つのオプションがあります。

1. 非バイラル成長率を 2 倍にします (つまり、非バイラル チャネルにさらに多くの資金を投入します)。
2. 解約率を半減します (例: 初回ユーザー エクスペリエンスを改善したり、マーケティング チャネルをよりターゲットを絞ったユーザー ベースに集中させたりします)。

多くの場合、両方が存在します。

前の例では、g は 1 か月あたり 34,000 ユーザー、l は 1 か月あたり 40% です。この式では、図 4-2 に示すように、最終的なユーザー数 U は 34,000/0.4 = 85,000 になると予測されます。

ウイルス因子による収容力

次に、ウイルス性を考慮して収容力の式をどのように修正するのでしょうか?

前述したように、ウイルス係数が 1 未満の場合、増幅係数 a = 1/(1-v) と解釈できます。増幅係数は非ウイルス性増殖率 g に適用されるため、次の式に a を代入するだけです。

U = a•g/l = g/(l•(1-v)) ただしl≠0かつv <1

成長率が鈍化している最初の例に戻りましょう。ここで、g は月あたり 34,000 ユーザー、l は月あたり 15%、v は 0.2 です。この式によれば、最終的なユーザー数 U は 34,000 / (0.15•(1-0.2)) = 283,000 になると予測されます。この結論は図4-1の開発方向と一致しています。

5. 保持曲線

たとえば、私たちの製品が素晴らしいとします。人々はそれなしでは生きていけないほど、使い始めてから何ヶ月、あるいは何年もそれを使い続けます。以前の解約モデルは、このような優れた製品には厳しすぎました。ユーザーが製品を使い続けるにつれて、いくつかの自己強化効果により、ユーザーをよりよく維持できるようになります。

1. ユーザーは当社製品に多くのデータを残すため、競合他社（Dropbox や Evernote など）への切り替えが難しくなります。
2. ユーザーが当社の製品に費やす時間が長くなるにつれて、習慣が形成されます (例: Uber)。
3. 上記の 2 つの状況に基づいて、ユーザーは当社製品との感情的なつながりを構築します。

実際には、ユーザーはリテンション曲線を示します。これは、特定の時点でユーザーがまだ当社の製品を使用している可能性を反映しています。

維持曲線は、製品の種類と品質、およびマーケティング チャネルの位置付けによって異なります。たとえば、ブラウザプラグインです。調査の結果、優れたブラウザ プラグインの保持曲線は次のようになることがわかりました。

図5-1

1 週間後には、80% のユーザーを維持できます。 1 か月後には、65% のユーザーを維持できます。 2 か月後には 55% のユーザーを維持できます。長期的には約 40% のユーザーが維持され、月ごとの減少率は非常に緩やかになります。

6. ウイルス拡散曲線

モデルに保持曲線を追加する前に、まず保持曲線がバイラリティに与える影響について考えてみましょう。

これまでのところ、最初の 1 か月間はユーザーが親しい友人のみを招待すると想定していました。しかし、ユーザーの 40% が当社の製品を長期間使用し、友人を招待し続ければ、ユーザー ベースは急速に拡大するでしょう。

言い換えれば、私たちのユーザーは、平均的なユーザーのバイラル係数が時間の経過とともにどのように変化するかを示すバイラル曲線も示すことになります。

ユーザーのバイラル係数が時間の経過とともに変化するのはなぜですか?

製品によって大きく異なりますが、次のシナリオも考慮してください。

• 当初、ユーザーはまだ製品をテスト中だったため、友人を招待することに躊躇していました。
• ユーザーが当社の製品を気に入ってしまうと、すぐに友人グループにその製品を使用するよう招待するようになります。
• まもなく、ユーザーは招待可能な周囲の友達全員を招待できるようになります。
• 時々、ユーザーは知り合ったばかりの新しい友達を招待することもあります。

このシナリオでは、ユーザーのバイラル係数は、最初は短い遅延が発生し、その後急速に増加し、その後すぐに安定した低い率まで減少します。

この曲線のあらゆる部分をモデル化できますが、主な傾向、つまり、ユーザーが招待できる友達がいなくなるにつれて、バイラル係数が時間の経過とともに小さくなるという傾向に焦点を当てることができます。

これを幾何減衰でモデル化してみましょう。毎月、ウイルス係数は前月の半分になります。 たとえば、ウイルス係数は最初の月では 0.2、2 番目の月では 0.1、3 番目の月では 0.05 などになります。

図6-1

ユーザーの生涯にわたるすべてのバイラル係数を合計すると、生涯バイラル係数v’が得られ、0.2 + 0.1 + 0.05 + … = 0.4となります。

これまでの直感は引き続き当てはまります。

• インターネット製品の場合、持続可能な生涯バイラル係数 v' が 0.15 ～ 0.25 であれば良好、0.4 であれば優秀、0.7 であれば極めて優れています。
• 増幅係数aは1/(1-v')になります。

7. 組み合わせモデル

現在、私たちは非バイラル チャネル、保持曲線、バイラリティ曲線を組み合わせてモデルをアップグレードしています。数式は以前よりも複雑になっているので、より直感的にわかるようにしましょう。

ユーザー成長チャートに加えて、さまざまな成長チャネルとそれらがユーザー離脱に与える影響を比較するために、次のチャートも作成しました。

図7-1

これらの要因がどのように相互作用するかを確認する最良の方法は、数字を操作してグラフの変化を観察することです。成長チャネルと解約を比較する場合、次のことを試すことができます。

（１）定着率の改善

最初の月の保持率を 90%、2 か月目の保持率を 80%、6 か月目の保持率を 60% に設定します。

図7-2

離脱率の減少だけでなく、バ​​イラル成長の増加も見られました。ユーザーが長く滞在すると、より多くの友達を招待するからです。

（2）ウイルス拡散曲線の改善

最初の 1 か月のウイルス係数が 0.35 であると仮定すると、生涯のウイルス係数は約 0.7 になります。

図7-3

これはバイラル成長チャネルに大きな影響を与え、月間ユーザー数が約 20,000 人から約 40,000 人に増加しました。しかし、長期的にはユーザーの 40% を失うことになるため、ユーザー総数にはあまり影響はありません。

（３）プレスリリースを追加する

6 か月目のリリースニュースを 100,000 に設定します。

図7-4

グラフにはピークがはっきりと表示されており、それが解約率のピークにもつながっていることがわかります。しばらくすると、新規ユーザーがいなくなり、新規ユーザーには招待できる友達がいなくなるため、バイラルの成長が急激に上昇し、その後ゆっくりと下降していくのがわかります。

8. 制限事項

どのモデルにも限界があるため、どのモデルにも決して妥協すべきではありません。モデルを改善できる領域は次のとおりです。

• 私たちは、非バイラル チャネルは一定であると想定していますが、実際はそうではありません。プラットフォームの成長、新しい競合他社、口コミはすべて大きな影響を与えます。
• 私たちは限られた数のチャネルを検討しましたが、実際には、非バイラル チャネルとバイラル チャネルの方が多くなります。
• ユーザーの離脱は 6 か月後に止まると想定します。残念ながら、自然発生的に、あるいは競合他社に乗り換えるユーザーによって、ユーザーを失ってしまうことが頻繁にあります。幸いなことに、データを入手したらモデル化するのは簡単でした。保持曲線を 6 か月を超えて延長するだけで済みました。
• ウイルスの増殖は6か月後に停止すると保守的に想定しています。繰り返しになりますが、データがあればモデル化するのは簡単です。必要なのは、バイラリティ曲線を拡張することだけです。
• 保持曲線とバイラリティ曲線は時間の経過とともに変化しないと想定しています。しかし、そうではありません。製品のテストと改良を続けると、リテンション率とバイラリティ曲線は改善されます。

最後に、この記事のモデルが段階的にどのように最適化されたかを確認しましょう。最初は可能な限り単純なモデルから始まり、次に非バイラル チャネルが導入され、ハイブリッド モデルに反復され、次にユーザー チャーンがさらに導入され、ハイブリッド モデルにアップグレードされ、最後にリテンション カーブとバイラル拡散カーブが導入されて複合モデルになりました。

もちろん、記事の最後で述べたように、各モデルには制限があります。この記事がモデリングのアイデアを明確にし、ユーザーの成長に役立ち、刺激を与えることができれば幸いです。