如何打造自己的Growth Model？

一、增长黑客是什么？一个有趣的现象:人们对GrowthHacking(增长黑客)概念的理解非常不同，而且一直在变化。1.1 黑客Facebook用户增长副总裁AlexSchultz早年创建了一个制造纸飞机的网站。他在网站页面上放了20或30架“纸飞机”，然后通过搜索引擎搜索，发现相关排名上升，这是最初的SEO尝试。通过邀请朋友获得更多的存储空间，Dropbox推出了用户快速增长的功能。Hotmail刚发布的时候，在大家的邮件下加了一个CTA，申请使用，然后在短时间内大幅增长。后来，除了使用越来越精致的SEO之外，、电子邮件和短信也可以通过社交邀请机制、公共账户传播（扫描代码*）和特定的互动设计（文案、共享和下载）来推动增长。现在我们开始使用数据操作来获得增长，比如建立一些新的指标，构建A/B测试框架等等。1.2 增长黑客的本质:经过一段复杂的思考，我认为hacking(黑客)是我看到的一个更好的词。任何系统都有认知规则和实际规则。hacking是在实现实际规则时实现看似无法实现的目标。从增长黑客的角度来看，上述案例的共同做法是通过探索尖端技术和工具来获得更强的实施，然后在理解和传播这些工具或规则之前充分利用它们来获得相应的竞争优势。这主要集中在客户获取、激活、保留、实现和推荐等领域。简单来说，增长黑客就是在上述领域进行技术套利。一些技术套利的工具和观点在广泛传播后基本上无法再现当年的效果。例如，邀请朋友发送空间、转发抽奖、CTA等已成为互联网企业运营的标准标准，但由于规模较大，很少有人能看到。真正重要的是不断探索和验证新的产品和操作方法。正是因为如此，不同的公司在不同的阶段有不同的探索方向，导致了黑客定义增长的混乱。1.3探索中的雁行模式越前沿，投资越高，回报越高，因为竞争对手越少，甚至很少有人知道。经过一段时间，如员工离职再创业、技术共享等，这种做法逐渐传播，被实践证明非常有效，并开始流行起来。随着门槛的不断降低，标准化的工作流程或工具软件将出现。重要的分水岭是SaaS工具，并逐渐成为各行业的标准和规范。这就是雁行模式的特点。就个人而言，对于初创公司来说，性价比最高的方法是支持大规模流行的SaaS产品。2.数据驱动是增长黑客和DataDriven增长黑客的重要领域。为什么呢？首先，根据之前的雁行模式，现在大多数公司都能跟上成本效益的前沿是数据驱动。这两年涉及的工具正在以非常快的速度改进和SaaS。第二，数据分析本身就是衡量所有后续产品改进或增加黑客的结果的指标。正如管理大师彼得·格鲁克所说：Ifyoucan’tmeasureit，youcan’timproveit.那么如何实现数据驱动呢？根据以往的实践经验，我们可以将这个过程分为三个部分。首先是计划确定你需要收集什么事件。然后是如何将数据收集到相应的数据库或产品中。最后是数据分析，从收集到的数据中得出一些对我们有用的结论。3.如何计划数据采集？规划主要分为两部分：一是主要收集什么事件；二是分析收集事件中使用的维度。3.1记录什么样的事件？首先要保证的是记住构成关键指标的事件(这些关键指标与您的产品密切相关)，如注册、激活、购买等。接下来，分解支持这些关键指标的事情，如打开注册页面、输入账户、密码和验证码，或使用其他社交账户登录。在这个过程中，你会发现有些事件有明显的顺序，有些用户会放弃某些事件。这个过程就是所谓的漏斗分析，各种构成漏斗分析的主要步骤也可以一起记录，作为这个关键指标的延伸和改进。3.2选择什么维度？最重要的原则是记录可能产生差异的维度。例如，如果我把一个功能放在页面上的不同地方，它会产生一些不同的影响，所以我需要记录它们的页面属性作为一个维度。另一个例子是电子商务网站，销售的商品可以记录各种维度，如编号、价格、产地等。现在，对于初创公司来说，最划算的方法是使用SaaS服务，通过第三方SDK收集原始数据。4.如何收集数据？传统的数据收集是一件非常昂贵的事情，可能需要我们1/3到1/2的时间。4.1采集数据需要注意什么？首先，在产品的早期阶段，有必要将“统计层”的需求直接放在产品规划和迭代的结构中。提前规划可以防止大量的抛掷和重建。因为在后期，你会发现收集的需求在一定程度上与程序重用的需求存在一些矛盾。其次，在实施产品自动化测试流程时，努力包含统计数据的统计返回结果，从长远来看可以帮助我们节省很多技术问题。最后，如果你第一次收集数据，试着从SaaS工具带来的SDK开始，这可以帮助你节省很多小问题。4.2如何选择数据采集工具？首选推荐的是Mixpanel，其事件采集比较全面，比GoogleAnalytics强，上手友好性很好。还有一个叫segment的海外工具，也是一个埋点，然后将数据收集转换为其他你可以接受的解决方案。您只需要通过后台开关进行控制。也是非常适合上手的工具。以上方案可以作为您了解流行SaaS产品的起点。4.3如何处理数据？如果只使用性价比最高的SaaS工具，数据处理过程可能不用担心；但不一定能满足你的数据要求。你可能听说过ETL(提取、转换、写入)，很多时候我们都有自己的数据处理工作。这主要是由于性能原因，SaaS产品的SDK捕获的数据格式与我们需要的不一致，或后期处理的需要。5.如何进行数据分析？计划和收集所需的数据，然后开始数据分析，主要目的是通过分离维度查看数据之间的相关性。5.1数据分析的两个主要目标是首先提供报告和Dashboard。根据公司每个同事的业务需求，产生他需要的结果；此时，我们需要*关键指标，生成报告或Dashboard，以便于可视化分析。在制定指标时，尽量不要使数据成为历史存量。例如，自公司成立以来，有多少注册用户似乎非常辉煌，但没有可比性。我们更*每个周期的变量趋势。与本期和上期的数据进行比较，发现问题。然后假设检查，指导业务。当我们报告或Dashboard反映整个业务发展时，我们也将有良好的工具使用经验。我们可以根据业务经验提出一些假设，指导您的产品和运营。然后观察数据的发展趋势，验证你的假设是否成立；从而不断优化你的产品和操作。5.2常见的数据分析方式报告应涵盖关键行为（注册、激活、购买支付等）和关键路径（转换、漏斗、保留等），其中应*“愤怒点”行为。用户的“怒点”是什么？如果用户在10秒内在一个页面上连续操作同一元素超过5次，那么他可能经常拿着鼠标不停地点击这个按钮，这是用户的“愤怒点”。这种情况有两种可能性。一是产品真的很便宜，就是一个动作要按同一个按钮8次，8次切换到不同的状态。另一种是产品的性能不符合用户的认知和预期。在这种情况下，用户的推论是网络问题或产品卡住。在某些情况下，他并没有真正理解你产品交互的逻辑。你的设计很可能有一些令人困惑的地方，或者一些提示不到位，你的过程实际上值得深入研究。5.3假设检验假设检验的标准步骤如上图所示。我们观察到一种现象，结合业务经验推测这种现象是由什么样的机制引起的，或者什么样的机制与这种现象有关。假设成立了，我们的推广机制可以更好地优化我们的产品，如果不成立，产品或操作可能会恶化或保持不变。通过前后持续的数据观察，比较数据变化的差异，我们可以分析假设是否成立。5.4Teambition案例分析上图显示了Teambition在线创建项目的界面。我们对该项目进行了漏斗分析。当时，我们观察到一些用户在[项目类型]操作后退出，项目尚未完成。我们能在这种情况下改善这件事吗？根据以往的经验，界面上过多的选择往往会分散用户的注意力，影响核心操作。创建项目的核心是用户创建项目，而不是选择封面。那么如何验证这件事呢？如果非关键因素可以省略，非关键信息可以在用户创建项目完成后定义，可以改进吗？根据以上假设，我们简化了创建项目的界面。上图左边是创建企业项目，右边是创建个人项目，非常简单方便，不到一分钟就能完成。通过后期漏斗分析，我们发现转化率确实有了很大的提高。6.总结:建立自己的Growthmodel6.1海盗模型-AARRR，积累大量这样的洞察力，支持你的产品的更新迭代。经过验证的假设或你所有决定的总结，它已经成为所谓的Growthmodel，现在也是所谓的热门词汇，海盗模式-AARRR，如果每个首字母都被拆开，那就是客户获取、激活、保留、实现和推荐。获客（Acquisition）也就是主要从网站渠道获取访问的网站流量。获客（Acquisition）主要从网站渠道获取网站流量。激活（Activation）让用户真正体会到产品的迭代创新价值，愿意回来理解你的产品。留存（Retention）这是你对产品的长期定位，而不仅仅是注册。事实上，这一点越来越受到业内人士的*和重视。因为低价流量的时代基本结束了，再加上产品收入正常的过程，购买率的转化，或者销售方面转化的效率等等。推荐（Referal）让用户介绍他认识的好朋友或同事。事实上，企业在上述每一步都有自己的目标选择。假设在用户注册过程中，是让用户尽可能少地填写信息，提高注册转化率，还是让用户完善信息，方便销售部门后续跟进？事实上，企业可以结合自己的发展阶段制定相应的策略；例如，初创公司可能更注重转化率。将AARR模型中您企业实际业务所*的每一点结合起来，称为您自己的GrowthModel。现在能够更好地建立和迭代Growthmodel是行业中一项稀缺而有价值的技能。此外，迭代完成后，实时检测和改进rowthmodel。6.2创建数据驱动团队的最后一点，培养团队数据意识和工具使用能力。这一点非常重要。如果他们能够操作自己的数据并得出他们想要的结论，从某种意义上说，这种先进技术在您组织中的杠杆率是非常重要的。图像数据驱动的主要因素有两个：一是企业数据基础设计施工速度慢，传统的手动埋点过程需要1-2个月。如果出现新版本，项目将基本上被吹走。二是数据用户和收集者错开，鼓励自助查询，业务、运营和产品经常使用数据，需要使用数据来支持决策；但数据工程师需要收集和处理数据。当数据工程师跑出排队积累的数据报表时，业务方面错过了最佳决策机会。这也将严重限制数据技术和企业决策的使用。在这种情况下，建议使用第三方SaaSSDK简化埋点，鼓励自助查询，甚至自助埋点，方便业务人员完成数据查询和数据驱动决策过程：这是一件非常重要的事情。