写在前面的话
1.本文更适合非互联网行业从业人士阅读。
2.本文没有任何贬低增长黑客的意思，反之，如果你还没有学习过增长黑客的相关理论和工具，我们强烈建议你学习一下。
3.本文我们想带你更深入的理解增长黑客的本质，了解增长黑客的特点、适用边界以及应用过程中的主要问题。
4.在本文的结尾，我们“安利”一下，我们对弥补增长黑客不足的解决办法，与之配合形成一套更加有效的体系。
如果你对增长黑客的内容不感兴趣，可以不用阅读。如果你读后觉得这篇文章对你或者你周围的人有帮助，请帮助转发，谢谢！
增长黑客最近大半年火的一塌糊涂。
不知道是经济大势不太好，大家对低成本高效率实现增长的需求更旺盛了，还是增长黑客真的就如它被人误解的那样药到病除。
这两年，不断有言论说“互联网已经进入下半场，产品上的差异日趋微小、拼的是运营”，同时又遭遇L型的经济新常态、眼看着流量贵如油，想必也没有几个人能坐视这样的神技能不在乎。同时又捕风捉影地听到些关于增长黑客的传言，比如airbnb和facebook经由增长黑客手段实现有效增长的案例，就更加对这个领域好奇心倍增了。大家强调的都是“黑客”、“病毒营销”、“裂变”，说的都是一招鲜吃遍天、一网打尽的黑魔法，除了吹捧爆款，有几个人讲得出背后底层的方法论，给得出可复制的通行方法？
我们也不例外，追了一阵增长黑客热。从15年范冰写的《增长黑客》的书、到17年Sean Ellis写的《增长黑客》、三节课的增长黑客课程、到私底下一些沙龙和讨论，都让我们越来越多听到“正宗”、“真实的增长黑客”。
有一阵我们也在反思，到底什么是增长黑客，为什么我们一边追逐它又一边得不到它？一边信奉它研究它又一边质疑它？
中外增长黑客的区别
认真分辨下来，我们发现，就增长黑客这个概念，国内外很可能说的就不是同一个东西。我们也越来越发现说要建立增长团队做增长的企业太多，而真正懂增长、懂增长黑客的CEO太少。国内大部分人眼中的增长黑客太强调“黑科技”，宣传的多是一些病毒营销、裂变、爆款等，比如2013年靠红包突破增长瓶颈的微信，比如饿了吗、滴滴的各种裂变优惠券，比如各种卖课的社群裂变；而这些偏“黑科技”的手段，往往也像风口一样，一波一波来、一波一波走，这一家2个月前用了非常有效，但可能今天你再用就不管用了。大家很少去从根本上、基础上探究增长黑客真正的工作逻辑和方法。
其实在我在对增长黑客的研究中发现，它并非像国内传的那样神乎其神、像武林秘籍一样一招毙命，它还是非常强调增长基本功的，比如转化率优化、比如用户关键行为探究、比如在北极星指标的指引下对业务目标进行分解等。
若这么说，增长黑客到底是如何工作、如何解决增长问题的？
我们发现，增长黑客虽然并不像大家所想的那么“一招毙命”，但它所传递的“精益”和“科学实验”的精神我们还是非常赞同的。
其实，并非大家所想的一名增长黑客只需要掌握“技术”、“营销”、“产品”和“数据分析”就行；并非像大家常见的facebook通过引导用户“一周内添加10位好友可以大大提高用户留存“、Airbnb发现改善房屋拍摄招聘可以大幅增加房屋预定率、netflix通过建立推荐库让用户订阅率大大提高、Instagram通过把Burbn大幅删改功能，只保留照片分享模块而大受用户喜爱。很多开始了解增长黑客领域的人都会被这些看上不可思议但不知道背后原因的神奇案例所吸引，想要照搬到自己产品上去，但却发现照搬了以后根本没有用。
其实是你们只看到了增长黑客的表面现象，没有看到增长黑客的本质。
增长黑客的本质
增长黑客的本质是“精益化的实验”思维去改进产品和运营。什么叫“精益化的实验思维去改进产品和运营呢？这里有三个思维方式：
1.用实验思维去解决增长问题。
每一个理工科学生应该都对“实验”不陌生。用我们在初高中时经常做的化学实验举例子。
比如我们想验证一种白色粉末是否是硫酸铜，只需要将它放在水里，如果水变成蓝色，那么就证实这种白色粉末是硫酸铜。
所以，一样的思路，在解决增长问题时，我们需要找到一个对增长最有效的办法也是通过A/B测试去确定它的有效性，然后大面积推广开。
这种实验思维非常好地解决了传统营销领域“花出去广告费只有一半是有效的，还不知道是哪一半”的尴尬。
2.用模型思维去构建增长体系
在增长黑客的工作中，增长模型是一个解释业务里不同的变量，以及他们如何互相影响转化成增长的数学公式。
增长黑客的增长模型是这样的：
1）输出变量：一般来说就是你的北极星指标；
2）输入变量：就是可以影响北极星指标的那些主要变量；
3）方程：这些变量之间的关系
大家最熟悉的可能还是海盗模型
输出变量：留存用户的增长
输入变量：AARRR
方程：获取影响激活、激活影响留存、留存影响盈利和推荐
其实，并不像大家惯常理解的AARRR五级漏斗模型，盈利和推荐都更多受到留存的影响。纽约时报畅销书作家Neil Patel对海盗指标进行了简化，提出了他的增长黑客三级漏斗，即：获取新客（Get visitors）——激活注册(Activate members)——留存用户(Retain users)。
我们认为这个是更符合现实实际情况的。
看到这里你可能会有疑问，只有模型还是不可能解决实际中的增长困境的，你不知道系统性提高漏斗口和转化率的方法，有模型还是白搭。
这就需要介绍增长黑客的第三个思维了：数据思维。
3.用数据思维去发现影响增长的核心因素并加强它
如果没有对增长黑客进行过深究，就会觉得增长黑客讲的AARRR模型，太虚、无法落地。但其实是因为你没有发现贯穿增长黑客工作始终的数据思维。无论是做实验还是构架模型，最终都需要通过数据的观测去发现核心因素和发现更多的撬动增长的某个线索。
增长黑客强调产品核心价值和Aha moment，但很多时候产品人在设计和开发产品的时候是并不知道产品的核心价值和Aha moment到底是什么的。故而就需要通过数据分析去发现它。你需要对用户的行为进行追踪，然后找到那个影响用户感知到产品核心价值的关键行为，然后扫清达到关键行为的障碍，就可以很好地提高用户的激活和留存了。而为了发现这个达成用户Aha moment 的关键行为，你可能需要做上百次试验，通过数据的结论告诉你是不是。
其实，增长黑客并不是奇淫巧技，也更不会一招鲜吃遍天。它是在实验思维、模型思维、数据思维的引导下的科学夯实增长基础的一种工作方式。
但说了这么多，我们来说说为什么增长黑客这么好，你却成不了一名合格的增长黑客呢？
成为合格增长黑客面临的挑战
凡是对增长黑客有些了解的人，都会发现这样一个问题：
增长黑客由于强调模型思维、实验思维和数据思维，对于国内大多数非互联网企业来说，可操作的难度非常大。这也是为什么我们发现好的增长黑客案例都来自国外的原因。相比于美国，国内的商业环境还是略显粗放和意识不够。
1.思维意识和数据基础差
我前两年服务过一家品牌服装企业，他们和下级的经销商、代理商之间的关系非常松散、客户信息和销售数据几乎散落在各家零售店铺，并不能汇集起来给以品牌方产品开发方面的指引。品牌方唯一能获得的就是每年四季订货会上经销商、代理商的反应。而终端用户的反应如何，他们几乎一无所知。
这样粗放的思想意识和数据基础，必定是支撑不了增长黑客这样的玩法，而国内这类的企业也绝对不在少数。
2.增长黑客对技术（尤其是互联网技术）创新的要求非常高
这也是为什么增长黑客会被称作是“黑客”的原因。早些年，硅谷的创业者们大多是一帮懂计算机、互联网技术但又没钱的穷小子，他们面临的同样的困境和现在国内很多创业者面临的困境一样，就是没钱做得起广告。但由于他们的技术背景，才诞生了很多传奇的黑客案例。比如大家所熟知的，在Airbnb早期，他们想将Craigslist作为流量池，推出一项功能：允许用户在Airbnb上发布信息的同时，方便地将相同信息内容复制一份同步发布到Craigslist。这一行为使得很多其实是从Craigslist获得预定的客户觉得Airbnb还是挺靠谱的。但由于Craigslist并没有提供现成接口，这使得Airbnb的技术人员花费了大量力气才实现了这样的功能。
同时还有像大家都知道的网页内唤醒移动应用，让已经安装了应用的用户在手机网页端浏览相关信息时无缝跳转到应用里，这个功能背后也是大段大段的代码。即使到今天，你也依然会看到有很多应用由于和一些产品方关系原因而很难实现这个功能。比如在微信端就无法跳转到抖音APP。
3.玩法很容易过时
由于国内探讨的增长黑客大多都在“术”的层面，比如提高用户留存的8种武器、让用户上瘾的Hook模型、让用户推荐的四个方法。比如前些年在APP产品中流行的“一键发送朋友圈”的用户获取方式，被用户日渐习惯以后演化成了今天微信生态中的较为极端的“裂变海报”。
比如说早年被滴滴和Uber率先使用的价格补贴，被后续的产品竞相使用、甚至演化出了很多新的价格补贴玩法，如拼团优惠、阶梯补贴等等。你会发现某些前三四个月还能有效的手段，现在再用就几乎不太有效了。这里的原因主要有两方面，一方面消费者对事物的敏感度是随着熟悉程度降低的，第一个做价格补贴的产品，消费者会对它怀有极大的好奇心和热情，但当第十个产品还做时，只会被用户骂是玩烂了的套路。另一方面，很多玩法是利用了其他系统和平台的技术漏洞，这个漏洞一旦被发现，就很快会被堵上。能留给产品的时间窗越来越短。
在说完国内整体上对增长黑客的诸多不利因素导致大家学了半天的增长黑客却发现还是难以有有无之地以后，我来聊说说对增长的看法。
企业发展必然面临增长问题
从商业底层规律来说，任何此刻处于高速发展期的产品都必然会面临增长问题
杰弗里·摩尔在他的《跨越鸿沟》里提出过著名的观点：高科技企业由于其创新性，它的早期用户和主流大众用户之间必然存在着一条巨大的“鸿沟”，能否顺利跨越鸿沟并进入主流市场，成功赢得实用主义者的支持，决定了一项高科技产品的成败。而之所以会出现这个鸿沟，是由于在最早期能接纳产品的用户群体和大众用户对产品所在意的特点一定是不一样的。
换句话说，任何企业，随着你的市场占有率的扩大，具有相同特征、对产品有着相同赞同和喜爱的人群一定会早晚成为你的用户，而你要想发展，就必须要在让这批用户成为你的用户后用各种方式去吸引与此前这批用户有不同特点的用户成为你的用户，而他们由于本身特点不同、对产品的需求也不尽相同，进而你多少需要对自身产品进行修改以符合他们的需求。而这个动态发展的过程是很少有企业能够看透、想明白的。
整个发展过程就像杰弗里·摩尔的技术采用生命周期的图一样，你必须客观上修改产品或者让消费者的主观认知上接纳它。
而这就是增长问题的本质——消费者需求与产品所能提供的解决方案的不完全一致。只要消费者群体间存在差异，那就必然会面临增长瓶颈。这个鸿沟无关乎你的努力，它客观存在着。
连续性增长的前提是找到PMF
从跨越鸿沟的理论可以看到，你在解决增长瓶颈有且只有一本办法——改变产品本身，从而使它非常符合你即将占领的那批用户的需求。PMF这个概念是由美国网景公司的马克·安德森在2007年提出的。
在商业环境中，“获取价值”并不等同于“创造价值”，后者是前者的基础。要获取价值，你首先必须要先创造出价值。而只有创造了与目标用户匹配需求相匹配的价值，才有可能实现增长。没有与需求相匹配的产品一味求增长只能是镜中花水中月。
马克·安德森在其著名博文《唯一重要的事》中写到“产品-市场匹配可以简单理解为用投其所好的产品来满足翘首以盼的市场。”我们认为“投其所好”是一个太大的词，它可以从消费者感知的角度具象地分成很多具有层次性的特性，它根据消费者的需求变化和行业的发展而有所不同，但终究是可以被推测认识的，也就进而可以被用来指导产品开发的。
我们认为产品不能够匹配目标用户需求，不能找到PMF的原因主要有以下几个：
1）创业者、产品人员很容易陷入“解决方案”中去，而很多时候都没来及明确消费者面临的到底是什么问题。
正如那句著名的话“人们不想买一个四分之一英寸的钻孔机，而是想要一个四分之一英寸的钻孔。”很多创业者都在“钻孔机”上做足了文章，而很少去探究他们想要的是不是一个孔。做技术和产品的人天然有一种对技术和产品的痴迷，想用高精尖技术去做出好产品，可他们需要明确的是，“好”产品一定是目标用户眼中的好。
2）技术好、功能好、性能好但不被用户接受和采纳，从根本上说，是由于他们对产品的认知方式不一样导致的。
技术更强调速度、效率、指标、规格等；而目标用户从来不这么看待产品，他们只会说“不好用”、“老卡”、“丑”等。我们需要透过消费者的语言，去看到他们对产品的不满之处，然后翻译成开发和技术的语言，这种不满该通过什么技术手段解决。而解决这个问题有一个非常好的破局点原创工具“产品价值特性图谱”。通过这个工具，能够将用户的语言和技术开发的语言做一次转换，从而使得开发出PMF的产品更加容易。
3）认为只要不断做MVP就可以找到PMF。
在做MVP之前，需要解决的问题是合理假设 ，MVP并非是没有目标的“像无头苍蝇一样”的反复尝试，而是有一个基本假设的前提下，不断有范围的，有价值的排除错误选项，找到正确选项。在没有足够数据（传统企业尤其缺少），以及试错成本较高的情况。使用思维实验，提出靠谱的合理假设，就显得非常重要的。企业突破增长瓶颈的过程，不是一个从A到B的过程，甚至是一个从A到F的过程，这个过程试错量是非常巨大的。比如，著名玩具厂商乐高积木曾经在上个世纪90年代，就做了许多的行业方向的尝试，结果都以失败告终。大部分的企业在面增长的问题时，资源和时间都有限的，市场和竞争对手不会留给你太多机会的，所以如何更有效的找到一条适合自己增长的路径，尤其是契合市场产品价值主张，就变得极其重要。
而如何洞见需求并达成PMF呢？
一般来说，有三个路径可以实现。
1.通过数据分析和调研。
这是最常见，也是最必要的分析手段，尤其互联网企业，因为数据收集方面天然的优势，他们可以通过大量的数据洞察到用户的需求，并针对需求提供符合用户预期产品价值。优点是相对比较客观，同时也较易操作。缺点是必须要求有一定的数据基础，同时还需要一定的数据分析能力。
2.合理假设。
即基于一定的数据和调研，通过一系列的模型，提出合理的假设，直接找到最接近PMF的点。优点是操作难度也不太高，对数据的依赖相对较小。缺点是需要有完整的方法论，否则就会比较主观和不严谨。
3.通过MVP，开发出最小，可用产品，投放市场进行小规模测试。
基于测试的反馈，不断逼近PMF。优点是最接近客观真实，结论也最靠谱。缺点是成本最高，而且能尝试的量有限。一旦反馈不好，很难进一步迭代。
客观说，没有任何一种手段是可以独立存在的，以上三种手段，在企业寻找PMF的阶段，都会使用到，根据每个企业的特点和资源情况，具体选择三种手段的占比。但是，针对传统企业，比较可行的是：以合理假设为中心、辅助于数据/调研以及MVP。是综合效果最优、也是最合理的路径。
具体说来如下图所示
由于传统企业先天的数据不足，所以数据和调研上，可以获得信息进行直接指导性工作并不可靠，必须通过一系列的方法论，才能让相对较重MVP测试更有效。
看到这里你也许发现了，传统企业基于目前的现状找到PMF，最重要的是找到一个可以不太依赖大量的数据，同时又可以清晰的搭建起包含各个主要变量的模型体系，并以此模型做为有效推演，提出合理假设，然后快速试错，找到PMF。
其中最重要的就是需要建立一个可以推演的模型，而这个模型体系，一般包括以下因素：
企业资源和能力，也就是企业所拥有的独特的、主要的、可交付的资源；
品类市场，也就是基于企业的资源可以进入的那些市场，以及哪个市场是更适合企业的；
目标人群，也就是假如找到合适市场，那在这个市场里，到底哪些人群是最适合企业的；
竞争对手，也就是说我们自身应该对标哪些竞争对手，他们的弱点是什么，我们又如何针对他们做出差异化；
用户需求，用户目前的主要期望和瓶颈是什么？我可以如何帮助用户解决这个问题。
使用场景，也就是如何找到最适合这个产品所解决问题的场景。
而整个模型的推演的过程就是一个多因素分析并不断适配的过程，通过这种匹配实现产品和市场最契合的那个点。这个过程如图所示：
具体说来，这个推演是一个包括大量商业理论的推演过程，因为篇幅限制，我很难在一篇文章将其有效说明。可以等待破局点后续的文章。
最近，我们整理了一些商业经典书籍免费送！
请关注公众号：skxoxoxo，回复222索要。