增长黑客： 1.5 一切用数据说话

数据分析是增长黑客日常工作中的基本组成部分。产品功能逻辑越复杂，用户量越大，涉及的利益方越多，数据分析的成本和要求就越高。据统计，今天的互联网中，每60秒会产生10万条Twitter微博、50万次Facebook互动、400万次信息搜索。在纷繁复杂的世界里，学会通过量化的方法观测世界，才能更好地理解和玩转一切。

进行数据分析的首要环节是明确分析的目的。脱离具体目标的单纯数据查看没有任何价值。在有些公司里，向数据支持部门索取数据，需要提交相应的流程，转交给对应的负责人进行手动查询。如果分析目的不明确，无疑是在耽误整体项目进度，浪费他人的时间。好的增长黑客懂得有的放矢，杜绝意义不明的数据索取需求。

其次是要了解数据来源的相关信息，包括各项指标的定义、采集点和上报机制。在一家公司内，不同部门关注的指标可能不尽相同。开发人员警惕代码编写中的错误率，产品人员在意每次版本迭代的留存率，而市场人员将更多目光聚焦在推广费用的投入产出比上。

在大部分情况下，各部门通力合作，但也偶尔存在利益冲突的情况。比如在eBay这样的电商平台，很容易就陷入这样的混乱局面：有的人认为买家数量最重要，有的人认为利润最重要，还有人反驳说卖家数量才是关键。实际上，如果问一问eBay的核心领导，他们就会告诉你真正的指标是商品价值量，以及eBay网站上的活跃卖家在全球电商平台的占比。这就需要一套自上而下推行的核心指标作为共识，来凝聚团队劲往一处使。在Facebook，马克·扎克伯格在公司内部大力推行的核心指标是月活跃用户数，而非像其他社交网络如MySpace、Compact那样关注注册用户数量。

在公司内部强调核心指标，意味着员工磋商问题时即便核心领导者不在场，或者不同业务组之间暂时产生矛盾对立时，人们脑子里依然能清清楚楚地界定：对公司发展而言什么是必须严格恪守的，什么是应当暂时妥协的，什么又是能无憾放弃的。这一理念在思路易发散的团队中尤其重要，很多时候它能终结一场无意义的会议，把更多时间花在产出。

图片发自App

陌陌主打功能之一的“附近的人”

不同产品对指标的定义应当建立在品类特性和自身提供的服务核心价值之上。对一款即时通信应用而言，每日启动用户的数量远不如消息发送量重要。如果人们每天打开你的产品在线挂机，却从来不怎么聊天，那即使再庞大的用户基数也不具备价值。WhatsApp创始人简（Jan）就从来只对外公布发送消息的数量，将其作为“活跃用户”的定义。而同样是具有即时通信功能的移动应用——陌陌，则主推陌生人交友特性，基于地理位置的“看附近的人”是其早期引爆增长的卖点。陌陌内部对每天“活跃用户”的定义是“登录成功并提交地理位置一次”。

上报机制则是指数据上报的时机、内容和技术实现形式。例如对一款移动应用而言，上报机制需要考虑的内容可能包括：在应用刚启动时上报还是即将退出时上报，每次批量收集一组数据再上报还是随时上报，是否只在Wi-Fi环境下上报，本地保存的待上报数据有效期是多久，是否会有其他因素干扰上报等。只有明确了上报机制，才能及时对数据异常做出感知，及时做出调整反应。

在数据来源正确的前提下，进行数据分析的方法可分为定性分析和定量分析。

定性分析，就是对事物的性质作出判断，究竟它“是什么”。例如，2014年8月13日“新媒体排行榜”发布了微信公众号影响力排行榜，通过榜单上名列前茅的标题《再见，彼得潘》、《再亲密的人也没有义务去懂你》、《关于抑郁的真相》、《双腿反映全身病，一时疏忽损你命》等的搜集汇总，我们可以粗略地下一个定性判断：微信公众平台订阅号读者的群像，是一批在当代社会背负沉重生活压力的年轻人，他们或许郁郁不得志、未被他人理解，因而将精神信仰寄托在物质享乐、童话故事和旧日时光中。因而我们针对这样的用户做运营，就可以多发一些适合他们的内容，如励志故事、职场技巧、幽默笑话等。再比如，2014年9月初迅雷的活跃用户数量大增，结合对迅雷服务器每天下载量排行榜的分析，可以发现根源于当时“iCloud泄露门”流出的女星相关文件，因此可以定性地判断用户活跃度上升是网民对这类文件的热搜造成的。

定量分析，是指对事物的数量作出统计，衡量它“有多少”。例如为一个“注册”按钮改文案，前缀是放上“立即”好，还是“免费”好？前者能带来紧迫感，后者祭出了“免费”大旗，让人难于取舍，倘若折中来个“立即免费注册”，又稍显冗长，效果未必更好。通过A/B测试后，我们或许能发现，“免费”二字更加打动人，按钮点击率能超过“立即”30%。这就是通过定量分析来解决问题的方法。

数据分析就是定性分析与定量分析相互结合，不断验证的过程。提出假设、设计方案、分析数据、验证或推翻假设，最终抽丝剥茧，逐渐接近真相。数据是相互验证的，彼此之间有如通过无形的网络纵横连接，只需轻轻按动其中一个，就会驱使另外一个或一组产生变化。通过数据分析得出的结论，应当能反推出其他数据，或是与其他数据分析得出的结果相一致。例如，假设某日在线订餐网站的数据量猛升，猜测与天气阴雨、用户窝在办公室或家中不愿出门有关，那么就应当去翻查近期之内网站在阴雨天期间的访问数据，看是否出现了类似的攀升。有经验的数据分析师，如果发现电商网站上婴儿车的销量增加了，那么他也会在奶粉销量的同步增加中得到回应。经典的“啤酒与尿布”销售案例正是来自于对数据关联性的分析应征。

保持对数据的敏感性，有助于在机遇与危机不期而至前，提前嗅到并做出准备。某天LinkedIn发现来自雷曼公司的访客量骤然攀升，但他们没有深究个中缘由。结果第二天，雷曼公司就宣布破产倒闭了。与之类似地，国内猎头会在招聘网站上潜伏狩猎那些突然变得活跃起来的用户，与他们交流互动并试图探查到对方跳槽的意愿。如果你是一名从事招聘相关项目的增长黑客，这样的数据异动足以让你加以重视。

最后附上一组增长黑客应当关注的指标作为参照，请见附录A。