假设某个工具类产品上线老带新活动，首周发出 3 万个邀请码，注册涨了四成，复盘会上大家都说“裂变起来了”。活动结束一个月，注册量掉回原来的水平，新用户里还在用产品的不到一成。这种“数字热闹、生意没变轻”的结局很常见。
用户推荐增长，是指老用户把产品介绍给身边的人，带来新用户。它能不能形成增长循环，取决于新来的用户会不会再去邀请下一批人，而且这个过程不用每一轮都重新花钱发奖励。
推荐增长和增长循环是一回事吗？
推荐是动作，循环是机制
不是。推荐是一种获客动作，增长循环是一种机制：上一轮的结果成为下一轮的输入，并且不需要重新启动。
增长循环这个框架在 Reforge 的增长循环资料和 Lenny’s Newsletter 的《Magical growth loops》（付费文章，全文需订阅）里都有展开，核心是把增长画成闭环而不是漏斗。落到推荐上，可以用两个场景对照：
- 一次性推荐：公司发优惠券，老用户转给朋友，朋友领券下单，活动结束。新用户拿了券就走，没有人再去邀请。这是一次花钱的获客，只是渠道换成了熟人。
- 循环式推荐：用户在使用产品的过程中，自然需要拉别人进来。比如团队协作工具里，要和同事一起用才有意义；共享文档发给外部合作方，对方打开就接触到产品。邀请本身就是使用的一部分，新用户进来后同样会遇到这个需要。
邀请动力从哪里来
关键差别在邀请动力从哪里来。靠奖励驱动的邀请，奖励一撤动力就没了；靠使用需要驱动的邀请，产品还在被用，邀请就会继续发生。增长飞轮那篇讲的是一般的飞轮判断，这里只看推荐这一种循环。
一个有来源的例子：Dropbox 的双向奖励
据 Entrepreneur 2015 年 8 月的文章，Dropbox 在付费搜索广告太贵之后改做双向推荐，邀请人和被邀请人都能得到额外存储空间。文章转述的数字是：推荐计划让注册量长期提高了 60%，前 18 个月发出超过 280 万次直接邀请，截至 2015 年有 35% 的注册来自推荐。这些数字出自二手转述，没有给出统计范围和审计信息，只能当方向参考。它值得看的是结构：奖励是产品本身的存储空间，邀请发生在用户存文件、共享文件夹的使用过程里，不是一次性的外部优惠。
K 值是什么？K 小于 1 就没用吗？
K 值怎么算
K 值（也叫 K 因子）是每个用户平均能带来多少个新用户。Jamie Quint 在 Andrew Chen 网站发表的客座文章《Retention is King》里给的算法是：K = i × c，其中 i 是每个用户发出的邀请数，c 是受邀注册比例，也就是注册人数除以邀请数。
一个假设的例子：每个用户平均邀请 5 个人，其中 8% 的人注册，K = 5 × 0.08 = 0.4。
K 小于 1 怎么读
K 大于 1，每一代用户都比上一代多，理论上能自己滚大；K 小于 1，每一代都比上一代少，邀请链条会逐渐变短直到消失。很多读者看到这里会得出“K 小于 1 就没用”，其实不对。K 小于 1 的推荐有一个很实在的用处：放大每一笔付费获客。
放大倍数怎么算
假设从付费渠道买来一批种子用户，这批人带来 K 比例的新用户，第一轮带来 K 倍新用户，第二轮带来 K² 倍，之后逐轮累加，总量是种子用户的 1 + K + K² + …… 倍。K 小于 1 时，这个和收敛到 1/(1−K)。
下表是用这个公式算的假设推演，种子用户设为 1000 人，不针对任何具体产品：
| K 值 | 总放大倍数 1/(1−K) | 1000 个种子累计用户 | 对获客成本的影响 |
|---|---|---|---|
| 0.2 | 1.25 倍 | 约 1250 人 | 每个用户平均成本降约 20% |
| 0.4 | 1.67 倍 | 约 1667 人 | 降约 40% |
| 0.7 | 3.33 倍 | 约 3333 人 | 降约 70% |
| 1.0 以上 | 无上限（受留存和市场规模限制） | 视留存而定 | 需要另算 |
所以 K 等于 0.4 时，推荐不会让产品自己滚起来，但同样一笔买量预算能多换出约六成用户。这是放大器，在留存和奖励成本过关时，仍可能值得做，只是不能把它当增长引擎去估算。
循环周期为什么和 K 值一样重要？
周期怎么定义
K 值说的是总量，循环周期说的是速度。循环周期，是指一个用户从加入到他邀请的人也加入，中间隔多久。
不同周期怎么比较
同样是 K = 0.7，如果新用户平均 3 天内就会发出邀请，90 天能走完几十轮，几乎吃满 3.33 倍；如果要用满三周才有人想起来邀请，同样 90 天只走完 4 轮多（含种子共 5 代），累计只有种子用户的约 2.8 倍，而且周期越长，期间的用户流失越多。按 1+K+K²+…… 逐轮累加，5 轮共 1+0.7+0.49+0.343+0.24，约等于 2.77。
对产品来说，这意味着两个方向：一是让邀请动作出现在用户明显感受到价值的时刻，而不是三个月后的某次推送；二是邀请入口越靠近“用起来很爽”的瞬间越好，比如刚完成一次成交、刚得到一个好结果。
留存不稳时，为什么先别做推荐？
先看留存的规则
Quint 在同一篇文章里给过一条很实用的规则：整体留存还在持续下降时，不要先去优化传播。理由很直接，用户留不住，也就没有人长期发邀请；而且留存的复利作用比传播更强。
落到业务判断上
把这句话翻译成业务判断：
- 新用户 7 天后只剩一成还在用，推荐拉来的人大多只是多送了一批流失者；
- 老用户愿意推荐的前提是自己用得顺，留存高的产品，邀请意愿本身就高；
- 先把留存稳住，再做推荐，K 值才有真实意义。
关于怎么看留存质量，可以参考站内复购驱动的生意怎么判断里那组“停手测试”的思路：把奖励停掉，观察自发邀请还剩多少。
推荐奖励怎么算才不亏？
奖励成本的算法
奖励是推荐里容易失控的一项成本。设一个付费新用户的获客成本为 CAC，每成功推荐一个新用户要发的奖励为 r，推荐带来的 K 值为 k。
按放大逻辑，一批种子最终产生 1/(1−k) 个用户，其中 k/(1−k) 个是推荐来的，要发奖励。折算后，每个用户的平均获客成本是：(1−k) × CAC + k × r。
一个假设算例
举一个假设例子：付费获客成本 100 元，推荐奖励 30 元，K = 0.4。
- 平均成本 = 0.6 × 100 + 0.4 × 30 = 72 元，比纯买量低 28 元。
- 如果奖励涨到 100 元，平均成本 = 60 + 40 = 100 元，和纯买量打平。
- 如果奖励涨到 150 元，平均成本 = 60 + 60 = 120 元，推荐反而比买量更贵。
判断线和用户质量
从公式可以直接读出一条判断线：奖励高于一个付费新用户的获客成本时，推荐只会更贵。这还没算被奖励吸引来的用户质量。站内讲补贴拉来的用户算不算真实 LTV的篇幅里，已经谈过补贴拉来的用户留存偏弱的问题；推荐奖励同理，发给只想拿奖励、拿完就走的人，成本回收不了。
怎么判断一个推荐机制是循环还是活动？
五关检查表
这张检查表可以对着自己的产品，或者对着一家公司的公开做法逐关打分。每一关有一个核心问题、一条示例通过线和一个“卡住了怎么办”。通过线都是示例阈值，不是行业标准；定法是取自己产品近三个月、计算方法一致的买量用户数据作为基线，再按产品的使用频率和邀请周期上下调整。
| 关卡 | 核心问题 | 示例通过线（按自家基线调整） | 卡住时的处理 |
|---|---|---|---|
| 一、邀请意愿 | 关掉奖励，老用户还会邀请吗 | 停奖励后连续 4 周的自发邀请人数，不低于停奖励前 4 周的一半 | 把邀请嵌进使用流程，而不是靠奖励拉动 |
| 二、受邀注册是否顺畅 | 被邀请的人点进来后，几步能用上产品 | 受邀者从点开邀请到体验核心功能的时长中位数，不长于买量新用户 | 简化注册，让受邀者先体验再填信息 |
| 三、新用户质量 | 被邀请来的用户，留存比买量用户高还是低 | 同一批次的 7 日、30 日留存，不低于买量用户 | 缩小奖励范围，只奖励留存达标后的邀请 |
| 四、循环周期 | 从加入到发出第一次邀请，平均隔多久 | 加入到首次邀请的天数中位数不长于上一季度，且按这个周期算，90 天内至少能走完 3 轮 | 把邀请入口挪到用户有成就感的节点 |
| 五、奖励成本 | 单个推荐奖励是否低于付费获客成本 | 折算后平均获客成本低于纯买量 | 降低现金奖励，改成产品内权益 |
打分规则是：五关全过，说明具备循环的条件，但示例通过线要换成你自己的基线才算数；卡在关卡 1，说明只是一次活动；卡在关卡 3，说明拉来的是薅奖励的人；卡在关卡 5，说明账算不平，推荐越多亏得越多。
两类常见的误判
一类是把“邀请数多”当成功。邀请数是 i，不是 K。i 很高而注册比例 c 很低，K 值依旧很小。用邀请总数向管理层汇报，等于只报了乘法的一半。
另一类是把活动期的 K 值当长期值。活动期有奖励、有节日、有话题，邀请意愿较强的那批人也已经发过一遍。随着产品用户增多，剩下的人邀请意愿更低，K 值通常会自然下滑。判断时要看活动结束后的 4 到 8 周，而不是活动当周。
读者在读公司公开数据时能看什么？
能看的三类间接信号
上市公司通常不披露 K 值。能看的间接信号有三类：
- 新用户来源结构：财报或招股书里有时会披露自然流量、推荐和付费渠道的占比，占比逐期上升且营销费用率下降，是推荐发挥作用的一个信号；
- 营销费用占收入比例：新增用户在涨、营销费用率在降，说明获客越做越轻；
- 用户互动与分享行为：有的公司会披露月活、日活和用户内容创作或分享指标，可以和营销费用对照看。
不能反推的部分
这些都是间接信号，不能反推出某个具体的 K 值，更不构成对任何公司的投资判断。
读完怎么用
拿你自己的产品，或者一家你关注的公司，先算出 K 值和留存，再把五关逐项过一遍，只修卡住的那一关。三个月后用同样的方法复算一次：K 值和留存同时上升，推荐才算在往循环走；奖励一停就掉回去，它就还是一次活动。
常见问题
Q： K 值大于 1 是不是一定好？
答： 不一定。K 大于 1 只能说明邀请链条还能继续往外扩，可用户进来后留不住，增长很快就会停。再说市场上能被邀请的人就那么多，覆盖率一高，K 值自然会往下走。K 值得跟留存一块儿看。
Q： 现金奖励和产品内权益，哪种更适合做推荐？
答： 看奖励会不会拉低用户质量。现金奖励容易招来只冲着奖励来的人；产品内权益（比如额外额度、会员天数）本身就是发给产品用户的，质量通常更好。但归根结底还是要看留存数据，不能靠猜。
Q： 小团队没数据，怎么估算 K 值？
答： 用一个简便办法：统计一个月内新用户里有多少来自邀请链接，再用这个数除以上个月的老用户数，就得到粗略的月度 K 值。样本很小的时候，这个数字只能当方向参考。
Q： 推荐增长和私域运营是同一件事吗？
答： 不是。推荐管的是怎么带来新用户，私域运营管的是怎么留住和再触达已有用户。两者可以配合，但各自指标不同。关于私域和商业模式的关系，可以看私域流量为什么不是商业模式。
Q： 哪些产品天然更适合做循环式推荐？
答： 使用过程本身就需要第二个人参与的产品，比如协作工具、社交应用、需要对方接收的支付和分享类产品。单人用、用完就走的产品，推荐更像一次性活动。
Q： 推荐机制冒出“羊毛党”怎么办？
答： 把奖励放到被邀请者完成关键动作或留存达标之后再发，限制同一设备、同一账户的奖励次数，同时盯住单个邀请人带来的用户质量。这是产品风控的常规做法，图的是护住奖励成本，不是拦着真实用户去邀请。
参考资料
- Jamie Quint（Andrew Chen 网站客座文章）：Retention is King（K = i × c，留存与传播的先后）
- Reforge：Growth Loops
- Lenny’s Newsletter：Magical growth loops（2020-11，付费文章）
- Entrepreneur：How Airbnb and Dropbox Achieved Tremendous Growth With Referral Marketing（2015-08）
文中 Dropbox 的数字来自 2015 年 8 月的媒体转述，未经审计，请以方向参考看待；本文不构成投资建议。
版本 1.0 · 更新于 2026-10