《增长黑客实战》（第4-6章）

4 秉持数据为王

4.1 数据能够解决什么

4.1.1 是否一切皆可数据化衡量

如何估算芝加哥有多少钢琴调音师？
解答：芝加哥人口大约300万人，假设平均10-30个家庭中有一部钢琴，每部钢琴大约一年需要调音一次，每个调音师每天大约调音4-5家，每个调音师每年工作250天。那么，上述问题答案可由以下公式求得：

婚姻幸福相当于收入增加多少带来的快乐？
英国伦敦大学的研究人员对1万名英国人的快乐程度、财富、健康和社会关系进行了调查，他们把受调查者的“生活满意度”从高到低划分为7个级别，计算出人们每提升一个“生活满意度”级别，每年需要多挣多少钱。
通过对比这两类数据，研究人员计算出了每个社会因素和生活方式因素所对应的“价格”。比如，婚姻幸福和每年多赚5.4万英镑所带来的欢乐相当，两个人同居所带来的快乐等同于每年多赚8.25万英镑，经常和邻居聊天所感受到的快乐则相当于每年多赚4万英镑。

真正的量化过程不需要无限精确。尽管公共事业及各类投资、商业管理决策中所需要量化的数据往往看起来异常复杂，难以获取。但只要先明确待量化的内容，找出核心问题，或是将一个笼统问题层层分解、剥离，对含糊的概念做出清晰的定义，就能为数据驱动的决策提供良好解决办法。换而言之，如果你提不出任何数据化衡量的思路，说明你对问题理解得还不够深刻。

4.1.2 数据不能解决什么

1.数据不懂社交情绪
计算机擅长为社交产品定量，而非定性。数据分析师能够获悉你在过去一周内47%的使用时长用于跟新认识的好友聊天，但却无法捕捉到你心底对一年仅能见2次面的儿时玩伴的牵挂。

例：Facebook通过数据掌握了用户对发布和查看照片功能的喜爱，于是着力于让平台产生更多照片。平台价值也随着用户数据资产的沉淀而不断增值。但反其道而行之的产品Snapchat一经推出，让不少青少年用户纷纷改旗易帜。因为Snapchat开创的“阅后即焚”社交产品模式，允许用户在发送照片后的几秒钟内，立即自动清除。这转瞬即逝的互动形式，反倒刺激了用户的紧迫感和创造力，人们得以毫无顾忌地肆意使用。Snapchat每天产生的照片及视频上传量，甚至一度击败了Facebook，让后者不得不考虑收购或模仿。

2.数据无法理解业务背景
人类的决策并不都是独立离散的事件，而是镶嵌在时间序列和背景之中。数据本身不懂得如何叙事，也无法理解思维的浮现过程。我们掌握的数据越多，统计上显著相关的变量也愈发繁杂，而变量之间如何作用、权重高低如何设置，以及如何排除没有实际意义的干扰变量，则需要结合背景考虑。

例：一款异性交友产品，出现大量优质女用户流失的现象。通过数据分析，原来是因为她们动辄每天收到数十条陌生人的聊天骚扰。在简单地与女性用户沟通后，我们产生了做一个“一键清除未读信息”的功能。满怀信心地将功能发布上线，却意外发现用户并不买账，留存曲线并没有因此更好看。直到参与一场线下的圆桌访谈，才找到了个中症结：她们之所以并不打算使用“一键清除未读消息”，是故意想留着未读消息数量的数字，在各种场合假装不经意地晒出截图，彰显自己的人气——被骚扰越多，反而显得越有魅力。如果不去理解用户使用的背景和微妙的心态，光靠观察数据仪表盘，我们是不可能领悟到这一重要需求的。

3.数据抹杀创新精神
曾经借力Facebook平台大热的社交游戏公司星佳（Zynga）强调常态化地检测用户身份和他们的行为。通过分析用户一段时间内在游戏中与其他玩家的交互行为、前N天内建造的房子数目、前 M 个小时内杀死的怪物个数等，他们便可以知道用户达成参与的关键点，并设计出符合玩家需要的游戏。但也正是这样投其所好亦步亦趋的刻板设计，抹杀了游戏作为一款感性产品的创新精神。在固有测试模板下生成的流水线游戏，绝不可能产生让人耳目一新、大放异彩的特性，新的模式、特性、剧情必须仰赖游戏创造者灵光一闪的创造力。最终，玩家在厌烦了社交游戏的惯常套路后纷纷流失，星佳游戏黯然衰落。

4.2 数据分析常见方法及指标

4.2.1 数据分析的一般步骤

培养数据分析能力，可以从两方面着手：一是数据分析方法论的建立，二是以入门到精通的方式掌握数据分析的技能。

数据分析的一般步骤及其需要掌握的技能点，如下所述。

第一步：数据准备（这很可能花费你70%的时间）
• 获取数据（爬虫抓取、基于自有数据仓库）
• 验证数据
• 数据清洗（包括对缺失值、孤立点、垃圾信息、规范化、重复记录、特殊值、合并数据集的处理）
• 使用Python进行文件读取，导出为csv或者txt格式便于操作加工
• 数据抽样（数据量大时常用随机抽样提取子数据集）
• 存储和归档

第二步：数据观察（发现规律和隐藏的关联）
• 单一变量：点图、抖动图、直方图、核密度估计等
• 两个变量：散点图、LOESS平滑、残差分析、对数图、斜率等
• 多个变量：假色图、马赛克图、平行坐标图等

第三步：数据建模
• 推算和估算（均衡可行性和成本消耗）
• 缩放参数模型（缩放维度优化问题）
• 建立概率模型（二项、高斯、幂律、几何、泊松分布与已知模型对比）

第四步：数据挖掘
• 选择合适的机器学习算法（如蒙特卡洛模拟、相似度计算、主成分分析）
• 大数据考虑用Map/Reduce
• 得出结论，最后绘制图表展示

4.2.2 留存率——产品早期“最重要的唯一指标”

在用户获取和留存之间，增长团队主要负责的是用户获取，而留存率则主要取决于产品。当产品还没有达到真正的P/MF阶段前，增长对于公司来说都是徒劳的。如果留存率很低，那么先把重点放在产品的改进、市场方向的调整上，而不是继续加速扩张宣传。

为了找出影响留存率的关键因素，可以尝试向用户询问下面4个问题：
• 最初是什么因素驱动你注册账号试用我们的产品？
• 产品哪些地方没有达到你的预期，或是觉得很难使用？
• 停用一阵后，你为什么愿意再次回来使用？
• 哪些因素会让你倾向于今后更频繁地使用？

此外，如果统计代码部署得当，足以观测每一个单体用户的使用行为，那么去“死亡现场”勘探一下——也就是观测那些流失用户的最后一次使用行为，看看他们走过哪些路径、干了哪些事情、有哪些痛点还未解决，借此模拟用户流失的场景，寻求维护优化策略。

4.2.3 NPS净推荐值：衡量产品早期用户忠诚度

在创业型团队早期研发中，缺乏海量的数据反馈，面对数量有限的种子用户，NPS净推荐值系统是一种结合了定量研究手段和定性分析的有效方法。

NPS（Net Promoter Score），净推荐值系统，是一种计量某个客户将会向其他人推荐公司产品或服务可能性的指数。

计算NPS的方法很简单：

1.通过问卷或面对面访问，请用户回答“你在多大程度上愿意向朋友（亲人、同事）推荐某服务或产品？”用户以10分制数字作答，10分表示非常愿意，0分表示非常不愿意。
2.根据用户回答，将用户分成三类：评分在6分及以下的归为“贬损者”（Detractors），即用户不满意、无忠诚度；7-8分的归为“被动者”（Passives），即用户总体满意但没到狂热的程度，会考虑其他竞争对手的产品；9-10分的归为“推荐者”（Promoter），即用户是忠实狂热的，会考虑继续购买或推荐给其他人。
3.推荐者与贬损者在用户总数中所占百分比之差，就是净推荐值。

• 优点：与长期利润增长正相关，可操作性强，易理解和接受，能直接与竞品比较，帮助企业明确业务优先级，弥补了用户满意度调查（ACSI）所得信息太多又缺乏重点的问题。
• 缺点：需要结合用户的具体信息去考虑，如“生命周期”等；净推荐值≠用户满意度，它只能为企业提供“预警装置”；最后，它不能给你解释，需要结合其他定性定量的方法来分析原因。

建议：
1.请先衡量它是否适用于你的产品或服务。人们愿意推荐餐馆，却不见得会推荐墓地。你的产品或服务本身应当具有被推荐的价值，最好也能给推荐者带来某些好处（显得见多识广、塑造前沿形象）。如果用户选择你的产品或服务，是为了解决难以启齿的痛点，那么面向大众公开推荐的可能性会显著降低。
2.NPS可以结合其他指标体系共同作用。比如Airbnb的增长团队将顾客入住后的综合评分，以及清洁度、位置、性价比等6个子维度的数据与NPS（他们称之为LTR）结合，建立了一系列嵌套逻辑回归模型。
3.可以根据实际情况对NPS进行修改简化。例如取消10分制，改为7分制或5分制（“非常厌恶”、“勉强接受”、“中规中矩”、“超过预期”、“非常喜爱”）。

4.2.4 魔法数字：发现用户的惊喜时刻

用户流失的一般情形：
• 30%的人因“没有感受到产品价值”而离开
• 30%的人因“不知道怎么操作”而离开
• 10%的人因“使用中有失败体验”而离开
• 剩下不到30%的人出于兼容性差、投奔竞品等理由离开

新用户直至亲身体验到你的产品为他们带来的价值与愉悦之际才有可能转化成忠诚的常客。这个最终让用户成功驻留的关键点，就是 “惊喜时刻”（＂Aha！”Moment）。它代表用户在使用产品到达特定阶段后所产生的对产品价值的肯定。而奠定惊喜时刻的数据指标，则被称为 “魔法数字”（Magic Number）。

以下是一组“惊喜时刻”及其对应“魔法数字”的例子：
• Twitter的增长负责人Josh Elman透露，如果一个新用户关注了至少30人，他才更倾向于转化成活跃用户，而不是随便看看就离开。
• Facebook的Chamath Palihapitiya说，他们定义的惊喜时刻是让新用户在注册的前10天里添加至少7个好友。为此Facebook开发了“你可能感兴趣的人”（People You May Know）功能来引导用户互加好友。
• Zynga的Nabell Hyatt意识到，如果他们游戏的玩家在注册后的第二天重新登录，则这批人变为活跃用户和付费用户的可能性更高，所以将“第一天的次日留存率”（Day 1 Retention）视作核心指标之一。
• Dropbox的增长负责人ChenLi Wang观测获知，惊喜时刻在于让用户上传至少一个文件到自己的网盘空间。

通过对常见产品魔法数字的归纳总结，不难得出以下三种衡量标准。
• 用户关系网络密度：在X天内添加/关注了Y名好友。
• 产生内容：添加（上传/发布/撰写）了X单位的内容。
• 访问频度：在X天之内发生重复访问行为。

掌握用户的惊喜时刻的方法

• 询问用户
• 借助数据分析工具精确地探寻产品的惊喜时刻，将它们作为增长团队行动的参照。国外的Mixpanel、国内的GrowingIO等。

分析移动端订单数量下降情况
假设你是百度外卖App的增长团队负责人，某天移动端的订单数量比前一日下跌了5%。你的老板要求你对这一数据变动做出合理解释，你将如何应答呢？

为了分析订单下跌情况，可以从以下三个方面展开论述：
• 明确指标变动的异常程度、预期影响面
• 寻求数据分析的角度，排查异常原因
• 根据结论寻求优化或止损方案

第一步：订单量比前一日下跌5%，影响是否大到必须加以重视？
以2015年百度外卖B轮融资计划书展示的数据看，其拥有3 000万注册用户，日订单数量超过110万，客单价可达50元左右。以此数据估算，假设2016年底注册用户数达到6 000万，日订单数量突破200万，客单价基本不变，那么5%的订单量下滑意味着当日损失500万元营收。
天然的单一突发事件几乎不可能造成这么大的损失，因此这足以引起产品团队的高度重视。

第二步：影响数据异常变动的原因可能有哪些？
1）全局指标：包括一定时间内新增用户量、用户活跃度、总转化率、搜索功能使用率、翻页率、Bug率等。全局指标用于分析对全体用户产生影响的共性原因。
2）分渠道指标：可按不同下载渠道、用户所在地域、移动平台、运营商、网络接入方式等维度观察不同渠道数据是否存在异常。
3）用户行为数据：在上述两项指标基础上，重点观测用户在不同时间段、不同需求类型下的行为，从而定位到由于某一细分人群的定向变化产生的数据异常。
4）时间因素：外界环境的影响也可能对产品数据造成影响，因此观测同比和环比数据都很重要。典型代表如“月末效应”，即一定规模的用户群体会因月底手机流量用尽而减少上网行为，造成整体流量的下滑。另外，对于一款外卖产品而言，天气变化也会造成数据波动，通常阴雨天的订单量会走高。
5）其他产品线监控：百度集团旗下的其他产品线变动也可能成为造成订单量下滑的原因，例如91应用市场改变了App广告的展示位置，或是搜索引擎的算法调整降低了网民常用关键词的权重等。
6）舆情监控：包括但不限于通过人工或机器方式，从内部反馈通道、论坛、贴吧、微博、朋友圈等处采集大众对产品的实时意见。极有可能因此发现导致产品数据骤然降低或飙升的特殊舆情，如新发布的当季财报引发投资者关注、母公司运作纰漏招致大众抵制，或是竞争对手做出了哪些新动作。

第三步：提出应对方案。
排查完成后，通过定位到具体原因，给出对应的方案。比如修复某个版本新上线引发的严重Bug、联系合作部门提高曝光量、针对竞争对手的营销策略做出同等力度的折扣反击等。

4.2.5 同期群分析

同期群分析（Cohort Analysis） 亦称群组分析，是按照用户初始行为的发生时间进行群组划分，继而分析相似群体随时间变化情况的数据分析方法。

在产品研发中，同一项产品改进，对不同同期群中的用户而言，产生的影响是不同的，分开衡量才能反应最真实的情况。如果你为产品增加了新手引导，那么就要将新手和老用户区隔开验证；如果你准备发放折扣券，那么已长期使用的忠实用户会比刚注册的新用户更乐于响应。

同期群分析的作用主要体现在：
• 衡量产品业务的整体进展。
• 评估产品改版的效果。
• 优化产品的用户体验。
• 寻找产品改进关键点。
• 提升用户参与度。

4.3 案例：如何通过大数据分析提升电销利润

4.3.1 如何获取并维护客户销售线索

销售线索（Leads）是指有成单可能性的客户名单，是电销行业中非常重要的资源。传统的做法是从各种渠道获取销售线索名单，直接海量拨打。某网则通过数据挖掘，创建出周密的分析模型，继而搭建出两套自动化系统：1.商机自动识别和分配系统；2.客户策略性维护系统。

1.商机自动识别和分配系统：针对海量客户数据进行挖掘，决定触达客户群

首先通过数据分析，归纳出100多个影响成交率的不同维度数据（包括行为数据、订单数据、行业地域数据等），再结合机器学习，教会机器模型如何通过上述特征判别出有成功可能的通话记录。经过训练，机器模型成功将需要拨打的电话数量从2万5千条降到了5千条，节约了近五分之四的成本，成功率提升到80%。模型上线后的一段时间内，团队继续通过报表监控预测值和实际结果的区别，每周对模型更新和维护，收集销售端反馈，持续优化模型参数和商机分配规则。

2.客户策略性维护系统

只有客户留存率足够高的时候，追求客户数增长才是有意义的，否则即使利用高额成本获取了大量客户，也只能制造短暂的市场繁荣假象，无法带来持久增长。某网采用了RFM模型进行客户状态跟踪和维护。

RFM代表：
• Recency：最近一次消费距今时间。
• Frenquency：消费频率。
• Monetary：消费金额。

依据上述三个核心指标，用户被划分成八种类型。从消费金额角度，花钱多的用户定义为重要客户，花钱少的用户定义为一般客户。将重要用户继续拆分：
• 重要价值客户。最受欢迎的是这类消费频率高、最近一次消费距今时间短的“重要价值客户”。他们价值高、行为活跃、维护成本低。通过观察重要价值客户的占比，可以衡量公司重点客户的风险性和维护效果。
• 重要发展客户。这类客户最近一次消费时间较近，单消费频率偏低，说明其消费潜力没有被充分发掘，因此需要重点发展该类客户。
• 重要保持客户。客户历史上消费过多次，而最近一次消费距今较远，有可能体现了客户对产品的兴趣减弱。对这类客户要积极跟进，以防流失。
• 重要挽留客户。客户历史消费金额较高，但是消费频次低、最近一次消费时间距今较远。这类客户很有可能已经流失了。该类型客户的占比反映了重要客户的流失情况，如果占比较高，需要引起警惕，可以通过对该类客户的回访找出流失原因，制定补救方案。

4.3.2 如何控制成本实现收益最大化

相对于邮件或短信营销渠道，电话销售渠道的成本非常高。因此在进行业绩目标规划时，也需要考虑到成本因素，让电销的收益最大化。

1.营收管理：如何实现收益最大化
首先将各个维度的成本分摊到每通电话上，并且将电销渠道获取的消费总金额分摊到每通成功转化的电话上。例如，假设折算出一通电话的成本为5元，而一通成功转化的电话可以带来100元的消费，那么只要一个销售线索的转化率高于5%（5元/100元），那么拨打是盈利的。
于是借助上文提到的数据挖掘模型，可以预测出每个销售线索的转化率，并依据转化率倒序排列，制作出 ROC（接受者操作特征）曲线。曲线可以反映出拨打决策和相应的预测结果。在这套模型下，如果决策者计划削减外呼量以控制成本，电销人员就可以选择拨打模型预测出的转化率最高的20%客户。

2.系统管理：减少无效拨打，增加工作条理性
某网将客户名单池划分为：个人池、公共池和无效池。
• 个人池：属于单个销售人员的名单池，为了避免抢单，其他销售不可触达。个人池可进一步细分为。
a）熟客维护池：属于该销售维护的已成单的客户。
b）新分配商机：属于系统自动分配或销售从公共池领取的商机。
• 公共池：当个人池的销售线索无法满足业绩指标时，销售人员可从公共池领取替补销售线索。
• 无效池：当所触达的客户明确表示无需求时，销售会在客户商机标注无效，该商机从个人池流转至无效。

4.3.3 如何抓住转瞬即逝的商机

和传统线下商店不同，困扰很多电商平台的一个大问题是：用户来访转化率大多只有5%左右。也就是说，每100位来访者，仅有5位客户会真的付费。另外，互联网访问的低成本也加剧了市场竞争：客户可以毫不费力地去访问多家网站，对比产品和价格之后再做出购买决定。

某网借鉴沃顿商学院市场营销系知名教授彼得·菲德尔（Peter Fader）关于路径数据（Path Data）的理论体系，对客户行为进行拆分和建模，观测到了用户从出现购买意向到被销售人员触达的时间间隔和用户转化率之间的关系。

研究发现，在客户出现购买意向之后越快得到销售的服务，其成单可能性就越高。这里面有两个原因：

• 第一，市场竞争激烈。客户同时有3家以上分类网站可供选择，稍有延迟，客户就流失。
• 第二，“被服务”VS“被推销”：不同时机带来截然不同的客户体验。越及时地触达客户，就越能更好地帮助客户，节约客户的时间，从而让客户对你的服务满意并乐意购买你的产品。基于这一点，某网确定了服务营销的关键时刻，研发了一套实时用户需求挖掘和响应系统，从用户在某网的点击流数据中挖掘其出现付费需求的可能性和强烈程度，并及时将信息利用CRM系统传达给电销团队。

4.3.4 如何利用用户需求提炼系统找出业务增长点

电销团队就某网来说，不是一个赚钱工具，而是最能理解客户需求的渠道。因此
某网研发了一套需求提炼系统，通过评估、跟踪用户的需求满足情况找出产品缺点，推动产品的革新和业务发展。用户的需求识别系统可以分为两个部分：显著需求和潜在需求。
• 显著需求是指那些信号明确，流程清晰的常见需求，包括验证失败、支付失败、发布失败、发布超限等。
• 潜在需求则是指较为模糊的、有待发掘的需求，包括流量需求（用户发布信息之后感觉来联系的人少）、编辑需求（用户对如何优化信息的内容比较在意）、信息需求（用户并没有找到想要的信息）等。

对于某网这个服务提供方来说，显著需求的整理主要是为了降低理解成本，简化沟通流程；而潜在需求则是某网在销售服务上的核心竞争力。对潜在需求的精确解读可以为用户提供更与众不同的服务，推荐个性化的付费产品。

那么某网是如何分析和提炼出用户的潜在需求的呢？
第一，对潜在需求进行定义和分级。
第二，对定义好的潜在需求进行数据整理和建模。
第三，对单个用户进行需求提取，方便销售人员了解用户痛点。
第四，对客户需求进行宏观总结，制定针对性的政策。

通过宏观总结客户需求的处理率，某网就可以发现产品和服务上面的改进点，从而推动服务运营能力和产品完善性。

综上所述，某网利用其大数据技术优势，结合营收管理和市场营销理论，全方位地改造了电话销售团队，使其成为一支能够实时捕捉商机、高效服务于客户的精英团队。

5 洞悉用户心理

5.1 用户画像：理解你的目标用户

用户画像（Persona） 可以给用户体验建模，从而帮助团队更加清晰地理解目标用户的工作方法。“Persona”在拉丁语中的原意是“面具”。在产品研发中，Persona 是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型。通过用户调研去了解用户，根据他们的目标、行为和观点的差异，将他们区分为不同类型以进行用户信息标签化，然后从每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个Persona。

用户体验专家大卫·特拉维斯（David Travis）认为，一个令人信服的Persona要满足七个条件，即P.E.R.S.O.N.A——
• P代表基本性（Primary research）指该Persona是否基于对真实用户的情景访谈。
• E 代表移情性（Empathy）指 Persona 中包含姓名、照片和产品相关的描述，是否能引起同理心。
• R代表真实性（Realistic）指对那些每天与顾客打交道的人来说，Persona是否看起来像真实人物。
• S代表独特性（Singular）每个Persona是否是独特的，彼此很少有相似性。
• O代表目标性（Objectives）该Persona是否包含与产品相关的高层次目标，是
否包含关键词来描述该目标。
• N代表数量（Number）Persona的数量是否足够少，以便设计团队能够记住每个用户角色的姓名，以及其中的一个主要用户角色。
• A代表应用性（Applicable）是否能使用Persona作为一种实用工具进行设计决策。

完整有价值的Persona，应当包括以下内容：
• 赋予每一个角色姓名、年龄和性别。让他更像是有血有肉的真实存在，并且方便迅速沟通。
• 寻找一张代表这个角色的真人照片。
• 确定所在的地理位置。
• 职业、收入范围。
• 喜好、人生态度、对于外部特定刺激的固定反应。
• 用户使用产品的场景和外部因素。
• 致使他们使用产品的主要原因。
• 他们的根本需求、痛点及核心目标是什么。
• 与产品使用相关的其他补充信息。

构建Persona的一般步骤
第1步：根据角色对访谈对象进行分组。根据研究结果和理解对用户进行大致的角色划分，并根据角色对要访谈的用户进行分组。
第2步：找出行为变量。把每种角色的显著行为列成几组行为变量。一般包括用户的活动（行为及频率），以及对产品及相关技术的态度、能力、动机、技能等几个方面。
第3步：将访谈主体和行为变量对应起来。实际上就是为每个访谈用户标注各项行为的情况。
第4步：找出重要的行为模型。发现访谈用户中的显著行为模式组合。
第5步：综合各种特征，阐明目标。从用户模型的行为细节中综合挖掘出用户的目标和其他特性。
第6步：检查完整性和冗余。为每种用户模型弥补行为特征中重要的缺漏，将行为模式相同而仅仅是人口统计数据有差异的用户模型合并为一个。
第7步：指定用户模型的类型。对用户模型进行优先级排序，确定主要、次要、补充、增加负面的用户模型。主要用户模型是界面设计的主要对象，一个产品的一个界面，只能有一个主要用户模型。
第8步：进一步描述特征和行为。通过第三人称叙述的方式描述用户模型，并为不同用户模型选择恰当的照片。至此，用户模型构建完成。

例如，某产品构建的Persona文字部分示例如下。
用户画像：互联网公司产品经理Jason
基础信息
• 姓名：Jason
• 性别：男
• 年龄：出生于1993年，金牛座
• 籍贯：江西南昌
• 性格：腼腆内敛，富于好奇心
• 职业：产品经理
• 工作单位：北京某互联网公司X，月薪6千元
• 常用软件：Visio、Axure、Office、MindManager
• 经常关注网站：增长黑客网、知乎、36氪、馒头商学院
用户特性
• 出入产品经理行业1年，对产品工作经验不足
• 面对部分工作力不从心，急需快速提升产品相关专业能力
• 希望可以通过行业内前辈的指导以及同行交流帮助自己高效完成工作
用户故事
• Jason 刚进入一家互联网公司做产品经理，由于缺乏实战经验，有时对于团队负责人分配的工作显得力不从心。
• 他希望通过使用本产品，能跟行业内的大牛互动，逐步形成自己的思维方式和产品方法论，掌握一套趁手工具的高效使用流程，提升自己对于产品的把控能力，尽早担负起独当一面的责任，计划两到三年内从产品经理上升到高级产品经理。
• Jason 可能会在入行五年后考虑自行创业，因此与创业有关的技能和行业八卦也是他所热衷的话题之一。

怎样才能让Person发挥最大作用呢？
• 首先，应当确保获得公司各部门的支持。良好的跨团队协作交流，既有利于获取生成 Persona 需要的信息和资源，又可以让大家都有参与感、了解 Persona的产生过程，最后的结果会更让人信服。
• 其次，每个产品界面只对应一个主要的Persona。不要试图满足所有的Persona，这很可能导致众口难调，最终谁的需求都无法充分满足。
• 最后，针对不同的项目、功能及时调整 Persona，不要指望一劳永逸。时代在前进，产品在更迭，Persona迟早是会过时的。

5.2 新手引导：加速惊喜时刻的到来

新手引导流程（User Onboarding）是加速惊喜时刻到来的重要环节。成功的新手引导流程不仅便于用户快速上手，还能让他尽快感受到产品的价值，从而形成长期使用的习惯。

Robbie Kellman Baxter在其著作《成员经济学》（The Membership Economy）
中提出了新手引导流程的三大法则和八个步骤。

法则一：消除用户疑虑，降低挫败感
➢ 步骤1：注册环节
你应该设法让注册环节变得更简单，减少用户的疑虑困惑，让他们毫无负担地尽快开始使用。例如：
• 将注册时的必填项缩减到最少，其他选填项允许在之后填补。
• 采用第三方账号（如Facebook、微博）一键授权登录。
• 如果是收费服务，记得提供免费试用期或者演示账号。

➢ 步骤2：欢迎信息
在注册完成后，马上提出感谢并告诉用户他们应该干些什么。常用的做法有：
• 给用户发送一封欢迎邮件，展示产品的主要功能。
• 用浮层页面指示用户常见操作的入口。
• 或是像Slack那样，模拟机器人小助手的输入，与用户轻松对话。

法则二：为用户提供立竿见影的好处
➢ 步骤3：让用户马上体验主要功能
在新用户热情尚未消散之前，尽快引导他们用上产品的主要功能。为此你可以：
• 让用户注册完毕后，立即跳转到主要功能的所在页面。
• 将执行“标准动作”作为必经步骤，无法直接跳过。
• 安排另一名用户主动发起交互（如聊天、私信、漂流瓶），主要适用于社交类产品。

➢ 步骤4：询问反馈
通过提前部署数据分析工具，你可以明确追踪到每一名用户的使用行为，并在适当时机与其建立沟通。如果用户卡在某一任务流程中，始终未能走完，那么不妨询问他阻力来自哪里并予以适当协助。

➢ 步骤5：提供建议
如果用户已经逐渐从新手阶段过渡到进阶阶段，那么不妨给出一些使用中的小技巧、高级玩法，提升他们的使用效率和愉悦感。例如，可以向使用Dropbox网页版的用户建议：
• 下载手机版App，体验手机照片同步备份到云端的功能。
• 开启浏览器插件，一键拖动自动上传。
• 更换Webkit内核的现代浏览器，让使用过程更顺畅。
• 体验一次版本控制、文件标注等高级功能。

法则三：根据用户行为施予小恩小惠
➢ 步骤6：鼓励用户邀请好友使用
如果你的产品自带推荐用户（Referral Program）模块，记得找机会鼓励那些活跃度高的用户，号召他们邀请亲朋好友一起使用你的产品。常用策略有：
• 邀请好友注册，你跟他都获赠一个月会员、500MB空间及100元礼金券。
• 你获得受邀好友日后实际消费金额20%的销售提成。
• 分享到社交网络，解锁某个高级付费功能的3个月使用权限。
• 推出人气榜单，公开展示邀请好友数量最多的活跃用户名单。

➢ 步骤7：向用户提供定制的个性体验
在用户使用一定程度后，你应该能通过数据对他描摹出画像，由此提供独特的专属服务。包括但不限于：
• 内容预测类，如“你可能感兴趣的人”、“猜你喜欢的内容”、“你的音乐口味”。
• 身份特质类，如向个人用户发放指定品类的消费代金券，给企业用户一定额度的垂直人群免费曝光机会。
• 个性彰显类，达到特定等级的用户，可以自己选择主题背景、图片配饰、签名小尾巴等。

➢ 步骤8：提供有营养的长期价值
无论是智慧的与日俱增、财富的水涨船高，还是友情的持续升温，你的用户应当在每一次使用产品的过程中，明确感觉到长期价值的提升。你的整套产品都应当毫不吝惜于彰显自己的价值，不必藏着掖着。

5.3 病毒基因：让产品像病毒一样疯传

乔纳·伯杰（Jonah Berger）在其著作《疯传——让你的产品、思想、行为像病毒一样入侵》一书中，归结出以下六个关键因素：社交货币、诱因、情绪、公共性、实用价值和故事。它们构成了广泛传播的深层次原因。


➢ 因素一：社交货币（Social Currency）
每个人都希望自己在他人眼中更加灵巧、更加富有、更加时尚。人们对产品或思想的评论，就像服装和轿车一样，成为别人对其评判的重要因素。我们需要洞悉人们的内心深处，让他们感觉到自己进入了他们渴望的世界之中。我们需要调整游戏规则，去迎合人们向身边朋友炫耀身份的需要，构建出他们渴望的形象。这就是社交货币。

铸造社交货币的方式：
1）发掘标志性的内心世界。
2）撬动游戏杠杆。
3）使人们有自然天成、身临其境的归属感。

➢ 因素二：诱因（Triggers）
怎样能提醒用户想到我们的产品呢？巧妙地利用心理学的“锚点”，把你的产品和用户司空见惯的事物建立关联，一旦产生刺激，瞬间激发人们的记忆，就能让人们想到你的产品。这就是诱因的作用。许多产品之所以缺乏传播，是源于“空对空”的单纯吹嘘工具性能，而不是放到用户实实在在的业务需求场景中展开讨论。

➢ 因素三：情绪（Emotion）
有感染力的内容通常能够激发人们的即时情绪。只有选择高唤醒的情绪才容易带来更多转发。

➢ 因素四：公共性（Public）
当人们看见别人使用我们的产品时，他们会不会考虑这种产品是否符合自己的需要呢？有样学样的“羊群效应”很能反映人们的跟风趋势。所以从反面来讲，人们只要没有看到相关的事物，是不会轻易模仿的，更不可能让这些事物变得流行。所以我们需要设计一些具备公共性的产品，主动制造一种在公众中广泛渗透的影响力。

➢ 因素五：实用价值（Practical Value）
人与人之间本来就有互利的倾向，只要我们向用户证明我们的产品能够为他们节省时间或者金钱，他们就会大力宣传我们的产品。不过当我们绞尽脑汁想以产品信息将用户的视野淹没时，应该更清醒地意识到，应当让自己的信息能够优先凸显。为此，我们应该弄清什么东西会让用户觉得更优质、更加值得信赖，从而尽可能地向用户提供更具性价比的商品。

➢ 因素六：故事（Stories）
人们不仅会分享信息，更可能会讲述其中的相关故事。特洛伊木马之所以经久流
传，是因为故事本身就是传播道德和启示的血液。信息会经过闲散的聊天包装后逐渐传播。所以我们需要建立像特洛伊木马这样的传奇故事，用来注入我们的产品和思想。这也是为什么越来越多中高端产品开始重视对品牌故事的包装叙述。

6 技术驱动营销

6.1 营销是如何逐渐被技术接管的

传统以营销为驱动力的增长是如何被技术颠覆的？
1.营销和产品的边界正在变得模糊。过去的产品和营销是割裂的，互联网的兴起为软件产品的推广和交付带来全新可能。以云端同步工具 Dropbox 为例，每一位用户可以将它推介给自己的好友，双方都将因此获赠额外的500MB免费存储空间。这算是营销吗？当然，但它是技术团队开发出来的产物。这算是产品吗？的确，但其初衷是完成与营销密切挂钩的用户增长指标。

2.获得用户数据越来越容易。一个对普通用户而言有点难以接受的事实是：如果你获得的商品是免费的，那么你自己就是商品。

3.平台和开放接口（API）的涌现提供了更多机会。如今，你既可以花钱购买平台提供的广告展示机会，也可以借助第三方提供的接口（许多是免费的）从零开始搭建自己的产品、服务或营销工具，利用网络上现成的基础设施为你节省下一大笔费用。

4.营销者眼界逐渐放宽。周遭环境的变化让敏锐的营销者重新开始审视自身权责的边界。一种新技术或渠道的出现让他们眼前一亮，而当流量红利逐渐殆尽，他们不得不伺机待发，随时扑向另一个潜在机会。

6.2 爬虫抓取：对网络公开资源的巧取豪夺

互联网是一座资源未被充分结构化的数据仓库，利用技术手段批量从已知网页或其他数据源下载资源的方法，就是爬虫抓取。执行这项任务的程序被称为网络爬虫（Web Crawler），它的职责在于采集、处理和储存。

利用抓取技术解决产品增长的案例，包括：
• 锁定早期用户。
• 调研竞争对手。
• 立项市场调查。
• 年底业绩交差。

编写爬虫脚本抓取数据的基本步骤：
1）选定目标。首先确定被抓取方提供了哪些服务，比如网站、移动应用、开放平台等。如果所有服务是等价的，不存在某一服务缺失功能，那么就优先从移动应用开始抓取。因为应用一般是通过API来获取数据，透过API抓取的数据方便后期的结构化整理。
2）技术方案。依实际情况而定。
3）性能优化。如果是单次抓取需求，并不需要持续稳定地一直跟踪抓取。复杂一些可以考虑用付费的第三方云服务。
4）资源结构。抓取网页，一般先研究页面上是否有统一的资源ID命名方式（分类、排行、导航、搜索通常能提供良好的组织结构和命名规则），然后递增、遍历或借助能批量处理特定结构的第三方库。
5）见招拆招。对于采取防抓取措施的对象，也有应对方法：如果对方要求注册，网页服务可以在request请求中把浏览器的cookie带上，移动应用抓包看看Auth Key然后在请求中带上；如果对方有 IP 限制，可以用代理池解决；如果有随机数时间校验，就用random命令生成一个对应长度的随机数来延时。
6）数据处理。脏数据要用正则表达式或者 beautifulsoup 这样的第三方包把想要的内容取出来，然后存放到数据库。
7）数据分析。

如何反抓取，保护自己的数据资产
封锁IP、封锁设备、限制单位时间内的访问频度、混淆代码增大识别难度等。将单一策略组合起来，能更有效地避免误判，以免将普通用户识别为爬虫。

6.3 A/B测试：如何用数据定夺最终决策

所谓A/B测试，就是针对想调研的问题提供多种解决方案（比如两个页面），然后让一部分用户使用方案A，另一部分用户使用方案B，通过数据观察对比确定较优的方案，从而确定最终结果。世界上最好的产品经理也只能跑赢一半的A/B测试。

A/B测试的基本思想：
• 提供多个方案并行测试。
• 不同方案之间只存在一个变量。
• 以某种标准判定结果，筛出最优方案。

利用A/B测试优化产品，分为后验和试验两种策略。

• 后验是通过统计分析目前用户的行为指标，以判断产品在哪些地方可以做改进，比如将白底黑字改为黑底白字是否影响页面停留时长、将按钮体积增大20%能否提升被点击的概率。
• 试验则是根据项目目标提出方案的假想，再经过A/B测试的结果对假想结果加以检验，从而推断是否应当上线某项改动。

A/B测试中抽取的测试流量应当来源于该功能的真实使用者，核心在于无感知分流和对不同流量群准确观测。在产品初期，随意的改动都可能引发寥寥数个用户的测试曲线波动，造成数百上千倍的增长或下滑，这样的测试结果并不能落在有效的置信区间内。一般来说，产品的UV超过数千时的测试结果才有意义。

为了得出足以具有说服力的测试结论，你应当考虑以下两个要素。
• 转化率基准线（Baseline Conversion Rate），用于参考的控制组数据。
• 最少可检测效果（Minimum Detectable Effect），相较于控制组数据，产生多
少变化被视作试验产生了效果。

为了确保A/B测试工具本身的科学合理性，你可以试着跑一次“A/A测试”——实验组和控制组没有任何产品特性的差别，仅存在样本量上的变化。

6.4 深度链接：如何合纵连横提升转化率

当今，一个个应用如同一座座老死不相往来的信息孤岛，彼此暗自较劲，争相将用户锁定在自己的平台上。例如，微信中只能通过内嵌浏览器查看有限的外部网页，某些竞争对手的产品受到严格的封锁与限制。这种巨头互掐之下的做法虽然确保了应用的活跃度与使用时长的增长，却剥夺了用户自由选择和高效获取信息的权利。

用户的真实需求是，在朋友圈看到时尚的服装单品推荐，能够直接点击文章里的链接，打开手机淘宝，直达购买页面。在这种转化流程中，用户主动操作步骤少、跳转方便灵活，因此能产生更高转化率。但在实际操作中，用户不得不先记住商品名称，再主动打开手机淘宝，从首页中搜索并找到对应商品，一个简单的需求经过多个步骤多次跳转才能实现。由此，一种打破移动应用彼此割据封闭状态的技术—— 深度链接（Deeplink） 应运而生。

深度链接的基本原理是：为移动应用的每一个子页面分配一个特定的链接，该链接能够被其他应用识别，经调用后打开应用并直达相应的子页面，从而彻底打破彼此间的壁垒。

深度链接技术涵盖的优势如下：
• 解决了跨域信息损耗的困境。
• 打破了入口垄断。
• 实现了入口的多样化和切片化。