顧青：移動網際網路都不增長了，還怎麼做增長黑客
在談具體如何增長之前，我們先來看一下QuestMobile所提供的2018年中國移動網際網路的總使用者規模，可以明顯看到中國移動網際網路的總使用者規模，2018年前9個月才增長了3400萬，而去年同期是6400萬，要是今後出現每年移動網際網路的新使用者出現1千萬，乃至幾百萬的情況，大家也不要奇怪。
2018年有一個詞很火，叫增長黑客，原本是GrowthHackers.com 的聯合創始人Sean Ellis和Inman News營運長Morgan Brown提出的概念。
增長黑客這件事的核心其實是技術和資料驅動，但是國內很多團隊在舶來這個概念，追隨增長這個詞的時候其實偏離了增長這個詞的本意，變成了流量增長，或者流量運營。
問題是我們已經進入負增長零增速的時代。
來看一下另一個數據報告服務商TrustData對主流電商的資料統計：
這樣的趨勢其實在2019年並不會變的稍微好一些，原因是移動網際網路的基礎格局基本都定了，個別細分市場還有機會，但是競爭非常激烈，流量獲取的成本是繼續升高。
所以千萬不要把粗放的廣告投放作為使用者增長的唯一手段（雖然繼續有大量企業為此買單而不自知）。
科學增長的主要聚焦點是通過低成本的使用者獲取手段（比如技術性的SEO專案）以及通過資料驅動獲得長期可持續的業務發展（比如精準推薦、基於User Profile的使用者分層運營、AB及多變數試驗）。
就如Mason Pelt在SiliconANGLE.com上於2015年寫的文章指出：
“Imagine your business is a bucket and your leads are water. You don’t want to pour water into a leaky bucket; it’s a waste of money. That’s it.”
我翻譯一下：想象一下你的業務（產品）就如同一個木桶，你的銷售機會如同水，你不會希望把水倒入一個漏水的桶，這是浪費錢，這道理很簡單“。
真正理解這一點的團隊，會把注意放在這些方面：
- 低成本使用者獲取 （SEO、產品自帶社交裂變、內容矩陣等）【可以閱讀什麼是科學可控的SEO？】
- 使用者On-Board的引導
- 業務變現/轉化流程
- 留存率
- 產品自傳播能力
比如快公司就把Twitter的”好友列表“功能作為一個很好的例子，並認為這是Twitter成長飛快的祕密武器，本質上是讓產品本身自帶引流能力，而不是建立一個產品後，大把花錢去做推廣。
而“好友列表”也好，精細化運營也好，AB測試/灰度釋出也好，這些手段的背後都是在通過資料探勘和分析，推匯出使用者的特徵，並體現在開發滿足對應使用者特徵的功能和產品服務流程（比如OTA可以做的同類人點評，或者電商會做的猜你喜歡）。
流量運營模式代表了2000年網際網路早期一批創業者的思維模式，這些模式已經被證明無法健康經營（比如千團大戰時期倒閉的大部分專案）。 而我們更應該關注的是使用者的生命週期貢獻價值，即LTV。
一個簡單的公式：
- LTV > CAC, 可以活得挺好
- LTV = CAC，繼續融資
- LTV < CAC，業務有問題，需要重新來過
什麼是流量經營思維？
流量經營思維在於比較簡單地認為流量獲取做好了，生意就會好起來，許多企業還是這樣在想：
1）我有一個很牛逼的產品，就用自己的網站和APP在各種渠道做做推廣，然後組建運營團隊，做好使用者運營，做好轉化就好了
2）每天關注各渠道的PV/UV，轉化率，跳出率，不斷提升PV/UV的量，優化好網站/APP就好了
3）每天策劃好文案的編寫，比如標題、賣點和痛點分析好，通過視訊、圖文和利益點的稱述，加上購買引導錢的優惠刺激，做出一個10萬+的推文，提高銷量就好了
4）每天看一下資料，分析一下原因，找開發按照業務規則篩選一批可供營銷的客戶名單，並通過Push和簡訊推送來召回就好了
5）設計一個使用者裂變流程，讓購買的老使用者幫助拉新，通過分銷返利手段刺激一下就好了。
6）我們只要做好社群（比如微信群的運營），在社群裡傳送產品和紅包，就可以獲得一些使用者了
這些都還是隻是停留在流量運營的層面，沒有深入去了解一個使用者在時間、市場競爭、產品使用場景、地點、價格和其他使用者影響力這些多變因素下的決策是多變這個基本原理。
我記得在一次知識星球的分享裡，我和張國平老師關於這個思路的對話：
張國平：從微信這個生態就看出來了，當一個流量渠道足夠強勢，基於它的任何獲取流量的方法都會很熱門，國內的SEO也曾經是這麼一個階段性的東西。現在大部分一些做微信流量的方法也將會這樣。SEO的侷限就是流量本身的侷限，之所以叫“流量”是因為它會流走。當網際網路融入所有行業後，全民參與每個毛細血管的競爭，現在就是一個圈使用者的時代了，流量思維早過時。
顧青： 傳統只瞭解SEO的人員需要去增強的是如何研究使用者行為特徵，如何掌握有效的網站和App資料分析方法。LTV這件事需要去掌握基本的資料模型，如RFM和WOE，學習和鞏固統計學和概率論，並通過理解使用者行為特徵來做到有效的使用者分群。
在一個產品的不同階段，使用者會呈現出不同的業務和行為特點，業務價值自然也不一樣。所謂大資料殺熟，先不談“殺”，但是的確可以通過完善的資料採集和維度建模，並通過標籤體系形成業務團隊可以用來沉澱業務經驗的資料平臺，並基於此實現資料驅動運營，讓不同的人群體驗個性化的產品體驗流程和價格體系，提升留存率、核心業務收入、降低營銷成本（比如優惠券的金額）。
在這個對話裡，國平點出了流量模式的問題，我點出了理解使用者特徵對於一個業務的重要性。
什麼是使用者運營和健康增長？
一個真正理解資料驅動和使用者運營的團隊，他們要做的事情遠遠不止流量獲取這件事，他們需要做好：
1）使用者洞察 （不是簡單的轉化率分析）、策略干預和資料追蹤
2）通過核心指標的活躍分析、同類人模型，設計出產品從拉新、促活到業務增長的完整體系，
3）做好使用者的個體畫像Profile和群體畫像Profile、分層規則，並有效評估單個Profile和規則的有效性
4）結合畫像Profile，設計運營規則並通過AB測試（科學分流）來驗證規則的提升效果
5）在技術條件具備的情況下，實施全域Profile規則平臺，提升個性化推薦、搜尋和自動化運營的精準效果
對於全域Profile，或者全域使用者畫像這個名詞還不太熟悉的朋友來說，可以去網上尋找一些有關User Profile能力方面的一些內容（建議用Google搜尋）。
本質上，全域Profile是企業自己需要去構建的能力，相當於一個基於自有資料中臺能力基礎之上的資料資產管理平臺，用來管理第一方、第二方等資料資產，形成自有的符合業務需求的全域標籤（使用者、業務、產品和任何有業務價值的實體物件）。
在這個能力的基礎上，可以讓業務運營團隊做到利用資料驅動全鏈路優化業務。
什麼是資料驅動的原則
國內外的不同風格的企業在資料驅動上的做法不同，但是都會遵循一些相似的原則。比如：
大膽實踐小心求證，把資料化的工作流程成一個閉環，做事情會先設計一個有助於資料驅動的工作流程，在具體實踐中會通過提出假設，檢驗；採集資料，分析結果，最後根據試驗結果改進產品、設計和運營策略。比如Twitter和領英每個星期都跑大量實驗，國內的騰訊、美團、百度、攜程、餓了麼等也建立了完善的AB測試文化。
如果資料驅動和試驗做得好，包括精細化運營，AI，個性化，預測分析，風控這些工作都可以對業務產生極大的貢獻，比如Paypal和唯品會金融消費貸團隊都在用自動化和AB測試不斷優化自己的風控模型，並獲得了業務的很大收益。
拿我們給企業培訓和諮詢經驗來看，越來越多的網際網路團隊意識到資料和使用者畫像驅動業務增長的重要性，並注重實際產出。
從人才市場的角度來看，越來越多的企業都開始組建專門的資料驅動產品增長團隊，比如需要這些技能：
- 設計：能通過通過資料分析、使用者調研和流量試驗等手段改進使用者體驗設計，並解決業務需求，能利用網站和APP分析、AB測試工具。一個很好的例子見：矽谷產品牛人談指標和產品設計：價值8千萬美元的“Metrics-Driven Design” 【PDF】
- 產品：學習、應用、迭代：使用資料分析的手段找到促進使用者增長的點；設計A/B測試方案
- 市場增長：通過測試平臺推動增長，包括市場營銷，轉化率優化等。通過試驗和迭代，找到我們增長最快的地方，並知道是怎麼做到了。
- 使用者運營：通過對使用者的洞察，設計運營策略，藉助資料分析和AB測試驗證運營策略的有效性，有效應用標籤規則和使用者畫像Profile，做好使用者分層，並精準地圍繞使用者生命週期完成業務運營
比如下圖就是一個比較完整的標籤體系，在實際應用中是一個數據產品（含API和資料輸出能力）：
我前不久寫了有關什麼是使用者畫像主義者的試金石？
很多讀者紛紛來信與我探討這個問題，還有估值數百億的網際網路團隊負責人找到我，提了許多問題，這是好事，代表越來越多的人理解到粗暴增長的問題，並期望通過資料驅動運營的方式，吸引有價值的使用者（ARPU高）對平臺的忠誠度。
這裡我推薦網易嚴選演算法負責人楊傑老師寫的：讓機器讀懂使用者–大資料中的使用者畫像。
一位在香港上市的大型網際網路企業負責做使用者增長的學員向我提了一個問題：
“我們在通過通過CRM使用者觸達+站內產品路徑優化+B端附能做使用者增長。基於我們業務，我們會有一些基礎的使用者畫像，比如使用者社會屬性、產品行為、消費偏好等等。但對業務層面來講，有三點是很弱的：
1，畫像和業務是割裂的，就是不特別清晰畫像在業務的提升上哪些屬性或維度的權重佔比有多少，即沒有一個完整化的使用者資料模型去支撐我業務的優化評估。單點的AB很弱，效率也很慢。
2，我們的畫像沒有體系化，畫像的精細度不夠深，也不能量化去評估。維度之間沒有串聯起來。比如我不清楚使用者的優惠敏感度和他的性別關係有多大，比如我不清楚A人群和B人群的異同有什麼量化的差異。
3，資料做不到構建模型驅動運營，只能單純的通過不停AB測去判斷使用者的偏好，合適的閾值。運營的精細化程度進度很慢。不斷AB測疊加的結果下，可能反而離真相越來越遠。
我們特別希望能構建體系化的使用者畫像和智慧化的使用者資料評估和行為預測體系。”
我想這或許是困擾許多團隊的問題。
文： 顧青@共相Ebizcamp(e-bizcamp)
首席增長官CGO薦讀小紅書推廣：
- 《 首席增長官：增長黑客最常見的6大誤區 》
- 《 從0到1，什麼樣的使用者增長手段是我們可以借鑑的 》
- 《 增長只能靠裂變？不不不 》
更多精彩，關注：增長黑客（GrowthHK.cn）
增長黑客（Growth Hacker）是依靠技術和資料來達成各種營銷目標的新型團隊角色。從單線思維者時常忽略的角度和高度，梳理整合產品發展的因素，實現低成本甚至零成本帶來的有效增長…