2019/3/2更新 增长黑客的再理解
最近对运营又有了一点认识，尝试从“器”“术”“道”三个层次解释增长黑客。
“道”一层，是我个人对核心理念的理解，大概总结成两点：
1.重视微小改进的力量，并持续寻找改进点。在每次反馈中得到心得学习，量变积累质变。
2.由于用户决策的复杂性，用数据辅助决定。（但数据自有其局限性，很多时候还是要具体情况具体分析。。）
“术”一层，是各种方法论，是通过思考和训练可以迅速掌握的东西，比如数据分析的思路，比如用户分群的方法，比如如何利用好人们传播的动机，比如上瘾循环，比如用户晋升路线设计，比如如何影响用户的决策…
“器”一层，呃..好像没什么好说的。每一个增长案例拿出来就是“器”，深入思考类比就可以得出上层的“术”。
-----------------------------------以下原文----------------------------------------------------------
随着三大红利的消退，“精益”的思想越来越受重视，如何充分挖掘现有资源的价值？如何在激烈的竞争中活下去？增长黑客或许是一种可行的解决方案。
放几个成功案例帮助理解：
雅虎15年发布yahoo mail期间，10周122次测试，通过3%，5%，8%的优化成果累计，下载转化率提升13倍，appstore免费榜第五；bing搜索通过ABtest修改页面配色，胜出方案与旧版肉眼几乎无法识别，但提升1000万美元年化营收。
凯文·斯特罗姆开发的基于地理位置服务的签到抢地盘应用Burbn未见起色，发现用户只喜欢使用Burbn的照片分享功能，于是调转方向，孤注一掷只做照片分享，一个月后吸引了100万用户，仅创立551天后，于2012年4月以10亿美元天价被Facebook收购这就是照片分享社区Instagram；美国版大众点评Yelp在2004年创立之初旨在提供基于电子邮件的交友服务，结果发现用户乐于给商家写点评，于是转型成“商户黄页”。
本文分三部分，第一部分写开始增长前要做的事，第二部分介绍了基本的增长流程，第三部分是一些零散的感悟。
一、开始增长前要做的事
好的产品是增长的前提。不过说起来，“好产品”这个概念未免太笼统，什么才算好产品？有人说满足用户需求与商业需求就算好产品，有人说产品要有用好用易用才叫好产品，有人说能超额满足用户需求的产品就算好产品…一千个人眼里有一千个哈姆雷特，所以还是量化的方法来的比较简单粗暴——用不可或缺值衡量产品是否可以开始增长。
询问你的产品用户这个问题：如果产品明天就不能用了你会有多失望？
a-非常失望 b-有一点失望 c-不失望 d-已经弃用产品
增长黑客之父肖恩·埃里斯指出，如果选择非常失望的用户在40%以上，意味着产品已经获得了足够的不可或缺性；如果在25%-40%区间，团队往往只需对产品做一些微调，或调整描述产品及用法所使用的语言；如果在25%以下，可能现在的用户并不适合你的产品，或者产品本身需要更具实质性的开发。
在讲求精细化运营的下半场，细分化的需求将会得到更好的满足，制胜的重点也更加从“好的点子”转移到“活下去”。如果你的产品不可或缺值很低的话，考虑从产品本身或目标人群进行修正吧。不管怎样，本阶段的目标是达到PMF（Product-market fit）。
二、一般增长流程
不管叫法如何，核心的增长流程就是“提出想法-快速实验-反馈总结”的不断循环。
下面按照确定北极星指标、提出增长想法、想法评估、进行实验、反馈总结的任务流程详述。
1.确定北极星指标
北极星指标即为增长的核心目标，在整个增长过程中像北极星一样指导我们的增长行动，就像产品原则一样，它应该被作为决策时的参考——“这样做对我们的北极星指标有好处吗”。正确的北极星指标是成功的增长的必要条件，Facebook能打败Myspace很大程度上就是因为facebook始终坚持将月活跃用户数而不是总注册用户数作为增长的北极星指标——后者往往被称为“虚荣指标”。
北极星指标的确定比较灵活，可以综合产品的生命周期与海盗指标一起确定：一般来说，成长期的产品更注重活跃用户的增长，主要从获取、留存、推荐下手；成熟期则更注重商业价值，更聚焦留存与变现。但需要注意的是，在机械地运用DAU（日活）、MAU（月活）这些指标前，想清楚用户完成了什么样的行为才能被定义为“活跃”？如果仅仅用打开应用作为活跃的定义，统计的数据可能会为以后的增长带来困难——打开应用的行为并不一定代表用户感受到了产品的核心价值。
合适的北极星指标并不唯一，可以用以下几个问题来判断你的北极星指标是否合理。
产品的核心价值是什么？这个指标能够反映用户感受到产品核心价值的程度吗？
这个指标能够反映用户的活跃程度吗？
这个指标是否是一个滞后指标？（这里举个例子：比如对一款在线教育应用来说，课程交易单数就是一个滞后指标，因为可能有的用户购买课后没有去看，实际上已经流失掉了，但根据交易单数并不能及时发现用户的流失。这种情况下把总用户上课课时数作为北极星指标就更合理一些。）
2.提出增长假设
增长假设可以涉及产品的各个层面，表现层的文案、UI界面，结构层的功能逻辑，甚至战略层的目标用户选择。那么如何寻找靠谱的增长灵感呢？关键的一步是找到一个靠谱的聚焦领域，下面提供几种思路：
2.1指标拆解
这是必不可少的一步。将北极星指标进行分解，并找到与之直接相关的数据。还是以刚刚的在线教育应用举例：
总用户上课课时数=课程数*课程报名数*用户到课率
拆解思路不唯一，一般可以根据用户完成关键行为所需的路径进行拆解。每个指标可以进一步拆解（比如将用户再分为新用户和老用户，报名数拆成UV*转化率），越小的指标越容易找到发力点。
2.2漏斗分析
漏斗分析是很常见的数据分析方法。根据用户行为路径或海盗指标，制作转化漏斗，可以直观看到哪个环节问题最大，从而针对性的提出优化意见。
2.3用户分群
从多个维度将用户（数据）分组分析，比较不同群组用户的差别，寻找可能的突破点。常见的分组依据有用户加入时间（同期群分析，常用于留存分析）、人口学统计特征（性别、年龄、职业、收入等）、流量来源（常用于渠道质量分析）、用户行为。
对用户行为的洞察是增长的源动力。比如Twitter的增长团队发现那些在一周内关注了30个人（并有一定比例关注你）的新用户留存率远高于其他用户，于是便在新用户引导上有意识地引导用户进行关注操作，大大提高了新用户留存。类似的例子有很多，如Facebook的“7天内添加10个好友”，知乎的“回答三个问题”。找到留存高的用户的核心特征，并争取让特征普遍化。
2.4向他人借力
多和同事、用户沟通交流。一方面，和运营、客服、数据分析等同事聊聊天经常会得到意料之外的惊喜，这是由沟通过程中存在的信息不对称决定的；另一方面，对于用户的某些难以理解的行为数据，最好的方法就是去询问用户，而不是主观地猜测——对数据的全面掌握容易给人以“懂用户”的错觉。
Eg：Bittorrent一度面临付费用户收益不足的情况，增长团队在针对免费版的高度活跃用户进行调查后发现，用户不愿升级至付费版的最主要原因竟然是因为用户不知道专业版的存在。这个发现引导他们调整策略，并在首页添加了升级至专业版的按钮，最终在并未加入任何新功能的情况下，把付费应用的收益提高了92%。
3.评估假设
在有了各种各样给的增长想法之后，接下来要做的就是大家经常做的事——排定优先级。除了常用的根据性价比排序，还可以试试肖恩提出的ICE评分体系——impact影响力、confidence信心、ease简易性。
影响力：预期对北极星指标/细分指标的提升程度。
简易性：需要投入的时间及资源。
信心：有多大的把握成功。
将这三项进行评分加和，选出评分最高的几项优先试验，根据当周无法启动的想法储存在储备库中供下周使用。评估结果未必准确，但随着熟练度的增加以及经验的积累，对试验想法结果的预判准确度会慢慢增加。
4.进行试验
试验时要遵循几个重要原则：AB测试、灰度测试、控制变量。试验前确保已经做好相关数据埋点，监控相关指标。
另外，在开展规模更大、风险更高的试验时也应进行一些更稳健的测试，平衡野心勃勃的赌博与按部就班的改进，获得可持续的增长。
5.反馈总结
同样提几个关键点。在用统计学方法处理测试结果与试验想法的相关度时，采用99%而不是95%的置信水平，基数足够大时往往差之毫厘谬以千里。
永远以对照组为依据——结果不确定时，坚持试验的最初版本或最初版本，减少新变量带来的潜在风险。
根据结果积累心得，包括UI风格、用户画像完善等。
三、一点感悟
1.平衡增长与产品的关系
增长试验的结果可能与产品本身相冲突，比如文案的风格与产品调性发生冲突，比如标题党能提升单篇阅读量但长期必定留不住用户，再比如今年的北京卫视春晚收视率…这种情况就要具体问题具体分析。认同一句话：数据和技术永远不能取代人类的智慧和洞察，但他们可以帮助我们变得更有效率。
2.重新认识你的产品与用户
这是学习增长的过程中一个比较重要的感悟。人的决策过程受到很多隐形且不可控的因素影响，比如早上多吃了两口饭路上看到几只鸟这种完全随机的事件（这点不管你信不信反正我是信），所以做决定时主观性要少一点再少一点，要有“敬畏用户”的心态。
3.养成周期增长试验的习惯
持续挖掘用户数据、开展调研试验得出结论；定期开展新试验，而不是优化，打破“没坏就不用修”的思想。增长的方法本身并没有出奇之处，重在不断将小的量变累积成质变，将AB测试作为基本的工作方法。
四、总结
