前言
过去三年，我从一个技术、转产品再到运营，最后独自负责一个事业部。一直焦虑和关注的问题就是业务增长。这三年我经历的比较多，做过很多商业决策，有成功的，也是失败的。当时作为技术、产品负责人，和运营部门之间的冲突比较大，由于当时还不知道增长黑客这一套打法，导致部门之间的矛盾很大。在了解到增长黑客方法论之后，我确实从中找到了解决问题之道。
由于整篇文章大概1.5W字，这里拆分为三个部分，算是对我过去所做过的决策思考。温故而知新，希望我能够把”云猫增长实验室“打造成为一个增长黑客型团队。
在上一篇文章中，”云猫增长实验室“介绍了搭建增长团队的几个关键因素，以及增长实践中的流程：创建跨职能团队、验证PMF、确定增长杠杆、快速进行迭代。
本篇文章我们会重点讲解一下这两个核心概念，一个是北极星指标，一个是增长实验和迭代。以及如何围绕这两个概念进行增长。
北极星指标：找到一个宏观的增长方向。
北极星指标定义看起来很简单，比如电商的北极星指标就是GMV，互联网免费产品的北极星指标就是活跃会员数，网游戏的北极星指标就是付费会员数，但这都是大量的试错之后总结出来的。
在书中讲到了一个例子：早在Facebook成立之前，美国社交网络的老大是MySpace。MySpace公司运营的主要指标是注册“用户数”，而Facebook把“月活跃用户数”作为对外汇报和内部运营的主要指标。
仅仅是因为一个指标是用户注册数，一个是用户活跃数差别，就导致了这两家公司最终的命运。我之前觉得有点扯，在我在阿里工作期间，见证了KPI这个恐怖怪兽之后，突然就明白了一个正确的指标决定了产品的成败。
当KPI定义为用户增长数之后，公司所有的资源都会倾斜到用户注册层面，用户的体验以及留存和KPI没有关系，大家都不会重视。久而久之，用户流失越来越严重。
当年阿里推广社交产品“来往”的时候，内部员工要拉满100个好友，很多人都疯狂的骚扰用户的方式加满了好友之后，就当完成了指标。由于加入了太多不认识的人，也就没有人继续用这个产品了，这个就算是典型的目标设置错误，你越努力结果就越差。
在定义北极星指标的时候，一定要结合产品的特性。我之前做的一款产品，定义的关键指标是抢单率，这个有点类似滴滴模式，用户发一个订单，然后司机抢这个订单。
但是抢单率的设置中，我们发现存在一些细小的问题，比如抢单率逐步提高，是不是好事情？其实是未必的，在正常情况下，抢单人越多，说明抢单率越高，但是还有一种情况，就是发单的人数少了，抢单率也会提高。
还需要配合第二个指标，比如成功交易数来，通过成功交易数和抢单率这两个维度，共同定义北极星指标。
随着企业的增长，初期目标得以实现，北极星指标也会随之改变。facebook在了解到如何激发用户参与度之后，它最初的月活跃用户数指标就过时了，而日活跃用户数成了更为有效的衡量标准。
下面简单的介绍一下常用商业模式的北极星指标
1、网易云音乐：总听歌时间
2、陌陌：用户数，直播用户数
3、百度云盘：文件操作数，付费用户数
4、知乎：回答问题数
5、airbin：预定房间数
增长实验和迭代
增长实验和迭代主要包含三个过程：1、找到产品的啊哈时刻 2、设计增长实验 3、数据对比分析。
1、找到产品的啊哈时刻
首先我们先介绍一下产品的KANO需求模型。
KANO模型是由东京理工大学教授狩野纪昭（Noriaki Kano）建立的，用于对需求用进行分类和分级排序。
KANO模型将需求划分为必备型需求、期望型需求、兴奋型型需求、无差异需求、反向型需求。
它描述了需求具备程度和用户满意度之间的关系。一般最常见的就是必备性，期望性和兴奋型需求
必备型（Must-beQuality）需求：产品要具备的基本功能，比如登陆、注册，浏览，设置等基本功能 。期望型（One-dimensional Quality）需求：满足用户基本期望，只有达到这个程度，用户才可能留存。兴奋型（Attractive Quality）需求：超出用户的预期，让用户活跃，可以将产品传播给其他用户。
百科
我们所说的找到产品的”啊哈“时刻，就是KANO模型中对应的兴奋型需求，只有找到了这个点，增长才是有效果的，否则即使用户引进来，很快就会流失。
产品”啊哈“时刻的确立，是增长实验的前提。当产品没有找到”啊哈“时刻的时候，只能通过小规模的推广，看看用户的活跃度，留存度，以及产品功能的热度。
在这个过程中，最重要的就是数据分析，看看用户的行为路径和你预期的是否一致，产品的重点功能是否能够引起用户的兴趣，或者找到用户最喜爱的功能单独进行分析。
增长黑客中举的是instgram的例子，早期instgram是想做社交网站，让用户上传自己的照片，然后让对方查看，用户可以在信息流里面查看照片，进行约会。
instgram通过小范围推广发现用户使用的最多的是上传照片和浏览信息流照片，并且上传的照片很多都不是个人照片，五花八门的都有，并且用户经常对这些很有趣的照片点赞，就是很少有人去约会。这就说明了，这个产品的啊哈时刻是上传漂亮的照片，并且浏览这些照片，给这些照片点赞。
也说说我们的曾经的一个案例，最开始的时候，我们想做一款“借条产品”，主要的目的是做一个借条凭证，不会涉及到资金，就是简单的记录，因为对于用户来说，在支付宝花呗借呗，银行卡里面都可以借钱，我们可以帮他们管理这些借条，并核算具体的账单，提醒他们还款。
但实际情况是户下载的很高，但是进来就流失了，后来我们想了一个方法，就是做了一个留言功能，让用户提交他们的真实需求，才发现他们的真正的需求是借钱。而我们认为借钱的渠道很多，比如银行、支付宝等，毕竟支付宝这么大的用户体量，大家都应该有限额。能够帮助这些人借到钱就是真正的兴奋型需求，才是产品的啊哈时刻。
2、设计增长实验
增长是一个持续实验的过程，就像做产品迭代，最科学的方法是向迭代要数据，依据数据做迭代；做增长也是如此，通过数据驱动增长。
整体的流程是：分析书→提出假设→设计方案→获得更多数据→验证假设→对比预期结果→提出新的假设。
通过无数次尝试和迭代，根据实际达到的效果以及成本，找到最优的增长方案，确定产品的核心价值，并为产品提出一些可能的方向。
第一步：从业务领域出发产生各种实验想法
一般情况下想法来源于竞争对手那边吸取的灵感，内部数据分析中发现的问题，以及从其他产品借鉴的一些方法。对于团队能力还比较弱的情况，建议直接参考竞争对手的方式，很多时候，竞争对手的做法都是有一定道理的，除非你认为你比你的竞争对手强。
我之前带的互联网保险团队，由于产品经理的经验还不是太丰富。我就让她做竞品调研，让他把市面上所有的比较大互联网保险公司的落地页分析一遍，然后提出我们的优化方案。
这种方式效果非常明显，虽然可能到不到最优秀的效果，但是至少不会存在太大的问题。随着调研的深入，我们借鉴了各家互联网保险公司的落地页方案的优点，一步一步整合，在经历了5次试验之后，我们的落地页转化率提升了20%左右。
这个落地页的变化过程，我们会在互联网保险案例中介绍一下，落地页的设计大体上有一套标准的设计思路，但是实际上需要根据自己的业务特性一步步进行尝试，很那一开始就能做到最优的效果。
对于涉及到产品功能的细节，实验的成本还是比较高的，每一步版本的改动都涉及到产品、技术、BI、运营，这些资源的投入都是比较大的。对于产品的优化，和具体的业务比较耦合，并且涉及到太多细节，没有一套可用的方法论。
不过我的经验就是研究一些大公司的产品和一些比较野路子的小公司推广。大公司会把最新的研究成果运营到增长上，比如以拼多多为代表的强制红包弹屏，这在之前产品设计上是完全不可接受的，但是拼多多就是使用这种粗暴的路线。
随后像淘宝、支付宝、美团这种公司也都在学习和借鉴了。打开淘宝的时候，偶尔会强制弹出你感兴趣的商品浮窗，支付宝进入口碑Tab框的时候，每次都要弹出红包领取页面，美团现在在外卖频道，也会强制弹窗。
大公司的方法一般都可以借鉴，毕竟经过验证和测试。还有一些小公司，尤其是游戏公司的获客方式，非常值得中小公司借鉴。可以关注 ”云猫增长实验室“的公众号，我们会定期分析一些中小公司的增长方式。
第二步：针对各种各样的实验想法进行优先级排序，决定先做哪个实验后做哪个实验。
一般情况下重点就是评估可能性、可测性、和资源的投入。
可确定性：可确定性就是增长实验成功的可能性，也就是这实验的确定性如何。在考虑确定性的时候，需要评估是否存在已有的成功案例，是否有理论依据（一般是心理学或者行为经济学），其他产品的使用的方法，以及情感上的意愿度。可能性越大，优先级就越高。
可测性：就是修改是否能够被验证，很多设计上的优化比如，色彩视觉上就很难被验证。可测性越高，优先级就越高。
资源的投入：每次增长实验都要投入资源去做版本的发布，数据的分析，结果的评估，我们要综合整体的资源，有的可能是版本修改耗费资源少，但是执行验证的周期非常长。比如我们执行调价策略，需要在不同的城市进行测试。那么测试一个城市的可能在两周。由于不同的城市资源分布不一样，即使把城市分为5批，一次调价的测试可能都在2个月左右。整个开发和测试资源投入基本为零，但是运营和BI分析的资源投入比较大。
看起来这三点非常简单，但在实际操作过程中，能够同时满足这三点的非常少，这也是为什么理论看起来很简单，但是实际执行起来是非常难的。
一般最难的就是可确定性，当有竞品的时候，你完全可以抄袭竞品的，但自己要创新的时候，就很难评估。
曾经我们做用户拉新的时候，采用社交裂变的形式，在评估的时候，可确定性非常难以评估，因为我们同城用户存在竞争关系，社交裂变的效果估计会打折扣，但是具体的数据无法评估出来，这里面存在有利于裂变因素，也存在不利于裂变的因素。到底做不做这个尝试，这个尝试的效果怎么样，是难评估的。当这个资源投入比较大的时候，如何选择就是一个难题。
第三步：当你有了具体想要进行的实验之后，要细化变成一个可以落地的实验方案。
当确定具体的试验的时候，就是需求细化的时候。这里面最重要的就是衡量指标的细化。
有一段时间，技术人员经常投诉运营，说运营的活动结果效果不好，又没有具体的分析结果。这个就是我们刚开始的存在的问题，就是预期指标的量化。
做增长实验的方案，最重要的就是如何验证方案的结果。有时候一些方案结果是很难验证的，比如对充值起充金额进行调价，从原来的188 调整到 288 。这个能不能带来充值金额的增长了，如果能够带来，能带来多少。
虽然是一个调价，想提高月充值金额，但是起充金额会涉及到多个指标，有可能会影响充值转化率，用户退款率。这里面需要全面的分析指标，然后对每一个指标的变动进行量化。有时候不是每一个指标都能够进行量化 ，只能根据进行先定义一个目标值，小氛围测试之后再进行调整。
指标的量化最好的倒逼产品和运营提到自身能力，需要产品和运营有能力把无法评估的指标有能力按照一定的维度进行细化，只有他们去认真思考，逐步细化，能力太有可能提高。
第四步：进行数据的埋点，怎么能够保证你清晰的衡量实验的结果。
所谓埋点就是在应用中特定的流程收集一些信息，用来跟踪应用使用的状况，包括访客数（UV），停留时长，页面浏览数（PV）和跳出率。
这样的信息收集可以大致分为两种：页面统计和统计操作行为。页面埋点是开发中最容易遗漏的一个环节。好的产品经理能够设想用户的可能的行为路径，给出清晰的埋点规则。一般的产品经理，就是所有的操作点都打上，没有一个系统化的思考。埋点是必须要设计好的，否则BI系统会因为这些埋点数据崩溃。我们曾经就吃了这样一个大亏，大量无效的打点占据了硬盘空间，导致磁盘使用率暴增，BI系统宕机。
埋点的数据最好是层次的，分为一级指标，二级指标，三级指标。每一个指标都可以具体的分解，比如用户登陆数定义为一级指标，就可以分解为：登陆页面PV，手机验证码发送数，登陆成功数等几个二级指标，然后手机验证码发送数可以点分解为：随机校验码点击数，随机校验码框输入数，验证码提交数等三级指标。实验结果最好也列出分级指标，粗放的指标看到直接效果，更细粒度的指标可以发现问题以及推导出有趣的结论。
最后一步：怎么通过一个系统性的实验方法分析实验结果，保证得出的结论是可信的，并能够很好的放大你的实验影响。
最后一步就是数据分析。每一次实验的结果都必须有一个数据分析报告。最开始做增长的时候，我们都有实验报告的发送，虽然都能够通过数据得出结论，但是对于一些效果不好的尝试，就很容易轻描淡写的略过。
一般实验预期不好的都会写一些很虚的理由，比如对用户的分析不足，用户的行为预估错误。这些分析报告都没有价值的。有价值的分析能够得出一个定量结论，比如我们的ios用户对起充金额的接受率比android高，有90%的用户ios用户能够接受起充金额提高。
对于数据分析的具体的方法，涉及到BI的一些算法，这里不做展开，对于一些没有能力建立BI团队的小公司，可以直接使用第三方数据分析公司的产品，做一些基本的相关性分析还是可以的。后面在数据转化和分析的课程中，会提到一些产品和使用方法。
对于增长实验，这里要说的是，这几个过程是标准的增长实验设计过程，并不是每个团队都一定要按照这一套方法来做。每套方法论都有自己的逻辑闭环和不同的适用场景，也存在在执行时仍然存在的困惑，根据自己遇到的困惑，拆解输出的方法论理解消化后输出自己的方法论，才是最合适的做法。
3、数据对比分析
任何一个科学实验，都需要有对照组和实验组。
在做增长试验的时候，有时候比较容易找到对照组和实验组，比如比较同一个落地页的转化效率，可以同时发布两个不同版本的落地页，实现起来也比较简单，可以把用户随机分到这两个落地页上，也可以在不同的渠道投放不同的落地页，然后综合比较。
但是有时候，找到区分实验组和对照组的工作量非常大，比如订单调价，同一个城市出现两种价格，在业务上是不可接受的，虽然有办法实现不同的用户看到不同的价格，但是对系统的影响太大了，不如直接进行测试，因为中小公司的产品影响面还没有那么大。当出现这种情况对系统的影响非常大的，且不可逆的情况，决策就需要谨慎。
数据对比分析涉及到多个工具的配合，从落地页的数据到转化过程数据，最终到业务数据，链路比较长，最常用的AB测试仅仅可以测试落地页的对比效果，业务效果很难直接对比。这里就需要专业的数据分析，比如神策数据。我们之前的数据分析都是基于神策数据的。对于中小公司来说，使用工具是性价比最高的一种方式。
AB测试有一些好处：
第一，可以量化结果，帮你看到结果到底是好还是坏的。
由于你是严格控制变量，你可以确定结果是好还是坏，就是因为你所做的改变。很多时候我们不做AB测试，做前后对比，会出现一些我们控制不了的变量，导致结果变了。
第二，试水新产品和功能，在小范围里面做测试，可以降低风险。
第三，积累认知。
其实测试是一个很好的学习过程，我们学习的方式除了在书本上学习，如果能够直接在产品上学习、用户上学习，这是最直接的。
第四，形成增长文化，鼓励所有人提出想法，参与进来，避免由最高决策者一个人主观臆断式的决策。
打好基础之后，应用增长黑客的第二步就是去寻找增长机会。
关于云猫增长实验室
云猫增长是一家致力于帮助中小企业主、个人品牌提升流量运营能力的增长团队。团队成员来自阿里等国内知名互联网公司，曾在互联网金融、互联网保险、企业级SaaS等项目中负责用户增长，团队管理的工作，拥有丰富的一线流量增长经验与实操手段。未来云猫增长实验室将会持续在用户获客，流量增长领域深耕，为中国的中小企业与个人带去高效可执行的流量增长方案。