互联网是现代社会最具颠覆性的引擎，从购物到交往，它改变了我们的一切。从购物到交往的方式。随着社会化平台的运用逐步增多，growth hacking也开始蔓延，初创企业开始改变对营销和增长的思考方式。强调数据、产品，力求“精益”的growth hacker正在对营销的基本假设发起挑战。 在这个过程中，我们如何打造自己的Growth Model？一起来看看本文。
一个有趣的现象：大家对 Growth Hacking（增长黑客）概念的理解很不一样，而且一直都在变。
后来除了用越来越精致的SEO、邮件和短信来拉新，还可以用社交邀请机制、公众号传播（扫码关注）和特定的交互设计（文案高亮、分享、下载）来拉动增长。
现在大家开始使用数据化运营的方式获取增长，如建立一些新的指标、搭建A/B测试框架等等。
经过一段比较复杂的思考，我认为 hacking（黑客） 是我看到的一个比较好的词。任何的系统都存在大家认知的规则和实际上存在的规则，hacking 就是在认识到实际存在的规则下，达成看似不能完成的目标。
从增长黑客的角度来说，上述案例的共同做法是通过探索前沿的技术和工具，获得更强的执行，然后在对这些工具或者规则的理解扩散之前充分利用它来获得相应的竞争优势。 这主要集中在获客、激活、留存、变现和推荐等领域，简单地说，增长黑客就是在上述领域进行技术套利。
技术套利的一些工具和见解，在广为扩散后基本就无法再现当年的效果，比如网盘邀请好友送空间、转发抽奖、CTA等等现在已经成为互联网企业运营的标配，但是也没见得几家因为变大。
真正重要的是，不断探索和验证新的做产品和运营的方法。也正是这一点，不同公司在不同阶段的探索方向是不一样的，因此造成了开头说到增长黑客定义的混乱。
越是前沿的实践越是有高投入高回报，因为竞争者少，甚至连知道的人都很少。通过一段时间，如员工离职再创业、技术分享等，这种做法得到逐步扩散，被实践证明非常有效，并且开始流行起来。随着门槛的不断降低，标准化的工作流程或者工具软件会出来，重要的分水岭就是SaaS化的工具，并逐渐成为各个行业的标准和规范。这就是雁行模式的特征。
就个人观点，对于初创公司来说性价比最高的做法就是做到目前大规模流行的SaaS产品能够支撑的程度。
增长黑客比较重要的一个领域、比较值得做的就是数据驱动。
一是，前面雁行模式所归纳的，现在大部分公司能跟得上的性价比比较高的前沿就是数据驱动这块，这里面涉及到的工具这两年以非常快的速度正在完善和SaaS化。
二是，数据分析本身是衡量一切后续产品改进或者增长黑客的结果的指标。这也正符合管理学大师彼得·格鲁克说过的：If you can’t measure it，you can’t improve it.
根据以往的实践经验，我们可以把这个过程分成三个部分。
规划主要分成两部分：
一是主要采集哪些事件；二是采集的事件中，用哪些维度去分析。
首先需要保证的是去记住那些构成关键指标的事件（这些关键指标和你的产品息息相关），例如注册、激活、购买等。
接下来去分解支撑这些关键指标的那些事情，例如注册包括：打开注册页面，输入账号、密码和验证码，或者使用其他的社交账号来登陆。
这个过程你会发现一些事件有明显的顺序，一些用户会在某些事件上放弃。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是可以这样一并记录，作为这个关键指标的延伸和改善。
最重要的原则是记录那些可能产生差别的维度。
比如某一个功能，我放在页面上不同地方会产生一些不同的影响，那么就需要记录他们的页面属性作为一个维度。再比如一个电商网站，卖出去的货可以记录编号、价格、产地等多种维度。
现在初创公司的话，性价比最高的做法就是用SaaS服务，通过第三方的SDK来完成原始数据的采集工作。
传统采集数据是一件非常花资源的事情，可能会用掉我们 1/3 到 1/2 的时间。
首先，在产品的早期，就要把“统计层”的需求直接放到产品规划和迭代的结构中去，提前规划好可以防止后面很多折腾和重构。因为后期你会发现，采集的需求从某种程度上和程序复用的需求有一些矛盾。
其次，在落实产品自动化测试流程的时候，争取把统计数据的统计返回结果也包含进去，长远来看可以帮助我们省掉很多技术上的问题。
最后，第一次采集数据的话，尽量用SaaS工具自带的SDK起步，可以帮你省掉很多细枝末节的小问题。
首选推荐的是 Mixpanel ,它的事件采集比较全面，强过Google Analytics，上手友好性非常好。
还有一个海外工具叫segment，也是一次埋点，然后把数据采集后转成你能接受的其他方案。你只需要通过后台开关就可以控制。它也是一个非常适合上手的工具。
上面这些方案都可以作为你去了解现在比较流行的 SaaS 产品的一个起点。
如果只用性价比最高的 SaaS 工具的话，数据处理过程也许不需要你操心；但是不一定都能满足你的数据要求。
大家可能听说过 ETL (提取，转化，写入)，很多时候我们会有一些自己的数据处理工作。这主要是出于性能考虑，SaaS 产品的 SDK 抓取的数据格式和我们需要的不一致，亦或后期处理的需要。
规划并采集好需要的数据，然后开始进行数据分析，主要目的是通过分离维度来查看数据之间的相关性。
首先是提供报表和 Dashboard 。根据公司每一个同事的业务需求，去产生他需要的结果；这个时候需要重点关注关键指标，生成报表或者Dashboard，便于可视化分析。在制作指标的时候，数据尽量不要做历史的存量，比如从公司成立到现在一共有多少个注册用户，这个数字看似很辉煌，但是没有可比性，我们更加关注的是每个周期的变量趋势，对比本期和上期的数据， 由此发现问题。
然后是假设检验，指导业务。等到我们报表或者是 Dashboard 反应整个业务发展情况后，对工具使用也会有比较好的经验，可以根据业务经验提出一些假设，并指导你的产品和运营。然后观看数据发展趋势，来验证你的假设是否成立；借此不断优化你的产品和运营。
报表应该覆盖关键行的为（注册、激活、购买支付等等）和关键的路径（转化、漏斗、留存等等），其中要重点关注“怒点”行为。
什么是用户“怒点”？如果用户在一个页面上面10秒之内针对同一个元素连续进行了超过5次以上的操作，那往往可能是出现他拿鼠标对这个按钮不断的点，这就是用户的一个“怒点”。
那这种情况有两种可能，一种是产品真的做得很贱，就是一个动作要按同一个按钮 8 次，那8 次都是切换不同的状态了。另外一种就是产品出现了不符合用户认知和预期的表现，那这种情况下用户的推论是网络问题或者是产品卡住了，有些情况是他没有真正理解你这个产品交互的逻辑，那很可能其中你的设计有一些令人迷惑的地方，或者是有一些提示没有到位的地方，你这个过程其实很值得深入的进去找一下。
假设检验一个比较标准的步骤如上图所示。我们观察到一个现象，结合业务经验推测这个现象是由于什么样的机制引起的，或者是有什么样的机制是跟这个现象是相关的。如果假设成立的话，我们推广这个机制可以更好地优化我们的产品，如果不成立的话，产品或者运营可能会恶化或不变。我们通过前后持续的数据观察，对比数据变化的差异来分析假设是否成立。
上图是 Teambition 的在线创建项目的界面，针对这个项目我们专门做了漏斗分析，当时观察到一些用户在【项目类型】处操作后就退出了，还未完成创建项目。在这样的情况下我们能不能改善这件事情呢？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，导致核心操作受到影响。创建项目的核心是要用户创建一个项目，而不是非得选择一张封面。
那怎么来验证这件事情？如果能省略掉非关键因素，把非关键的信息放在用户创建项目完成后再来自定义，那么能否有改善呢？
根据上面的假设，我们对创建项目的界面进行了简化。上图左边是创建企业项目，右边是创建个人项目，非常简单便捷，不到一分钟就能完成。
通过后期的漏斗分析我们发现，转化率确实是大幅度提升了。
积累出大量的这样的洞见，来支撑你的产品的更新迭代，之后经过验证的假说或者你所有决定的汇总，也就成为了大家所说的 growth model，也是现在一个所谓的很热的词，海盗模式-AARRR，就是把每一个首字母拆开的话就是获客、激活、留存、变现和推荐。
其实上面的每一步，企业都有自己的目标取舍。假如在用户注册的过程中，是尽可能让用户少填信息提升注册转化率，还是让用户完善信息方便销售部门后期跟进呢？其实，企业可以结合自己的发展阶段制定对应的策略；例如初创公司可能比较注重转化率。
将AARRR模型中，你企业实际业务所关注的每一点结合起来，就称为了你自己的Growth Model。现在能够比较好地建立和迭代Growth model是行业当中比较稀缺的、看重的技能，另外就是完成了迭代之后实时去检测并且改善rowth model。
最后一点，团队数据意识和工具使用能力的培养。这个非常重要，内部意识加上他们能够自己操作数据得到自己想要的结论的话，在某种意义上是这种先进技术在你们组织内的杠杆率。
第一是企业数据基础设计的建设速度很慢，传统的手动埋点过程耗时1-2个月，等出新版本的话，项目基本告吹。
第二是数据的使用者和采集者错开，鼓励自助查询，业务、运营和产品经常使用数据，需要利用数据来支持决策；但是采集和处理数据需要数据工程师来跑。等数据工程师把排队堆积的数据报表跑出来，业务那边已经错过了最佳决策时机。这样同样会严重限制数据技术的使用和企业决策的进行。
在这种情况下，建议使用第三方的SaaS 化的SDK 来简化埋点，并尽量鼓励自助查询，甚至自助埋点，方便业务端人员自行完成数据的查询和数据驱动决策的过程：这是一件非常重要的事情。
作者：钱卓群，原文整理于 GrowingIO 网络公开课，最先发于微信公众号 GrowingIO 。
本文由 @GrowingIO 原创发布于人人都是产品经理。未经许可，禁止转载。
|
