（本文閱讀預計需要7分鐘）
「增長技術棧」是一套適合增長黑客的知識框架，通過應用這套框架，我們可以避開「拍腦門」和「Boss專家」的坑，制訂切之可行的增長戰略。這套技術棧適用于不同階段的產品。
什么是「增長技術棧」
「增長技術棧」概念最早是由 Andy Carvell 提出，概念基于他15年的產品設計「和營銷、尤其是最近5年在SoundCloud專注移動端增長的豐富經驗。技術棧現在由 Andy 和 SoundCloud 前增長組同事 Moritz Daan 共同維護和更新。
「增長人」旨在將這套技術棧轉化為適合國情的理論武器和實戰工具，介紹技術棧的構成和概念，第一篇我們將著重介紹技術棧的概況和「預測分析」層面的技術點。
「增長技術棧」里有什么？
技術棧由3個水平的技術層構成（見上圖），分別代表3個關鍵業績目標：獲客（Acquisition）、互動留存（EngagementRetention）和營收（Monetization），而以上3個技術層皆由第4技術層——分析層（Insight&Analytics）支撐。
處于不同階段的產品，需要關注的「技術層」也有所不同(初創冷啟動，則有可能把資源傾向至「獲客」；做存量市場，則有可能優先選擇「留存」和「變現」)。但是，只有3個核心技術層良好契合，整體戰略才有可能出效果。而「預測分析」層就充當了契合「潤滑劑」，在數據驅動決策的大環境下，沒有分析作依據，就等于摸黑走路。
棧中的每個格子都稱為一個元素，它代表了一項組成增長戰略的手段。但這些手段并不是用的越多就越有效，還要根據不同的產品來選擇不同的手段，畢竟抓住耗子的貓才是好貓。那些上來就大肆浪費資源、粗放發展的公司，往往都掛的很慘。
選擇高性價比、可快速驗證的手段，聚焦痛點打組合拳，才能花更少的資源辦更有效的事，同時還能將富余的資源投入到經過驗證的手段上，走上良性增長道路。
預測分析技術層
「預測分析」是技術棧中最為全面的技術層，涵蓋了定量和定性數據、指標、模型和報告，在探索增長手段、監測效果、發現機會的方向上起到決定性的作用。網上可以找到很多適用于預測分析層的工具（部分需要付費或二次開發），舉一些常用的例子：
來路分析、群組分析：GA、百度統計等；
事件追蹤、廣告效果統計、轉化漏斗：友盟、Growing io；
用戶細分：艾瑞、TalkingData；
App Store分析：App Annie、ASO100；
滿意度調查：問卷星；
內容分析：ROST CM；
用戶測試：UserTesting；
App性能測試：Testin、MTC；
A/B測試：云眼；
頁面追蹤：Screenflow；
LTV模型（生命周期價值模型）、增長統計、增長模型：Excel、SPSS；
如果產品達到了一定的規模，建議自主開發BI，以適用于不同數據場景，有效保護數據隱私。
來路分析
今天的下載量有多少是從應用商店來的？分別是哪家，每家具體下載量多少？從微博、微信渠道來了多少下載，哪些內容吸引了更多的下載？----想找到更有效的渠道，必須知道每個渠道帶來的用戶有多少，這時候，我們就需要「來路分析」幫忙。
「來路分析」是一種追蹤用戶來源的技術。對于Web產品，通常用Cookies來作為唯一標識符跟蹤用戶的行為和瀏覽路徑；對于App產品，則可以用設備唯一識別碼（比如iOS的IDFA和安卓的IMEI或Device ID）或者多維護數據組合（比如位置信息、BSSID、IP地址、用戶指紋、手機號、微信號等）來跟蹤用戶（確切說是一臺設備）的動作。
時下流行的跨平臺流量模式（比如微信、知乎等產品的跨Web和App的導流跳轉）則讓「來路統計」變得更有挑戰性。
事件追蹤
用戶行為是產品優化和功能設計的重要依據。用戶在App中的操作（打開應用、注冊賬戶、頁面跳轉、點擊按鈕、內容分享、購買等）和狀態（啟動成功、注冊失敗、升級成功等）都被稱為「事件」。
我們通常使用第三方統計SDK（比如友盟）來統計「事件」。當App聯網時，SDK就會在特定的時間，把「事件」和「事件」有關的元數據上傳至統計服務器。
我們可以登錄第三方統計網站，通過儀表盤（如上圖）查看統計數據，還可以使用第三方提供的趨勢工具來做進一步分析。
廣告效果檢測
廣告是最有效的增長手段之一，2015年度中國互聯網廣告的規模達到了2093.7億元人民幣，平均消耗在13億人身上的廣告費為161元。我們每天都能看到大量的廣告，但如何投放廣告才更有效呢？
對于以「獲客」為目標的廣告投放，我們一般會對廣告的「效果」和「投入產出比（ROI）"進行定量分析，并根據分析結果來優化「投放策略」和「物料設計」，優化方式主要有：
投放策略優化：統計渠道的「安裝量」、「獲客成本」和「用戶質量」，并將全部渠道的統計結果進行比較，下掉成本高、質量差的渠道，提高優質渠道的投放預算。
物料設計優化：投放前一般通過問卷調查、用戶測試的方式進行調研，投放中則通過A/B測試、點擊率對比方式來調研。
短信通知、Push通知和應用內廣告（比如Banner）等以「留存/促活」為目的的廣告同樣需要進行統計，并根據統計結果調整「投放策略」和「物料設計」，優化方式主要有：
策略優化：統計「通知到達率」、「點擊/參與率」、「效果（比如應用內付費率、成交率、轉發率等） 」與「成本」，根據渠道效果來調整投放偏好；
物料設計優化：與「獲客」目標的優化方式類似。
應用市場分析
據統計，2016年期間App Store新增了100萬款應用，達到了300萬款應用的規模（鑒于近期蘋果清掃僵尸應用的良好效果和新增應用的放緩，這個數字預計會在2020年達到500萬）。想要從海量的數據中找出提升App排名的方法，我們必須先要了解影響App排名的幾大因素：關鍵字覆蓋、關鍵字熱度、競品排名和AKD（Appname應用名稱、Keywords關鍵字、Description描述）。
使用ASO分析工具（App Annie、ASO100等）對排名較高的競品進行分析，找出競品的關鍵字覆蓋、熱度（App Store的熱度不是從零開始的十進制數，是以4605代表真實流量為1的函數）和排名，根據這3個指標就能粗略估算出該應用不同關鍵字的導入流量。
用戶細分
人上一百，忤逆俱全，用戶的表現也同樣有差異性。我們將特征比較接近的那部分用戶歸為同一類型，并根據不同維度 （比如喜歡參與促銷活動的用戶，喜歡通過「搖一搖」社交的用戶）把用戶分為多種類型，用來統計分析、差異化營銷和動態定價。
常用的分析工具都提供了用戶細分功能：通過「用戶屬性」（通常是用戶主動填寫的資料，比如性別、年齡、居住地等）、「用戶行為」（通常是用戶在App中的行為表現）等數據對用戶進行分類。我們可以根據分類結果定制差異化的廣告，并將廣告精準投放到特定的目標群體，以提高廣告的相關性和效果。
同期群分析
同類群組(Cohort)就是指同一時期完成同一行為的分析樣本的集合。舉個例子，我是A大學2008級的本科畢業生，那所有和我同年考入A大學的同學就是我的同類群組。而2010級、2017級這些又是另外的群組集合。隨著時間的推移，不同群組畢業、肄業、就業狀態的變化也不同。群組分析主要用于研究用戶增長和留存隨著時間推移的變化趨勢。
同類群組會被某些事件所影響，擁有相同的行為、習慣規律。比如微信搶紅包這件事。因為搶紅包驅動，微信支付的會員數量噴井。但是過完年后。這些用戶就由于習慣驅使，不再使用微信支付重回支付寶懷抱。那么這部分用戶的留存率就會比較低。也就說，通過群組分析，我們可以得出同類群組不同時間段的留存率。
談到留存率，留存率是指經過某一段時間后相對于初始同類群組建立時間分析樣本依舊活躍的比率。它的公式是：
>留存率 = 特定時間段活躍樣本數 ÷ 初始時間段分析樣本總數
假設1月份注冊人數是100人，我們把他們歸為一個同類群組，這個群組在2月份訪問的人只有23人，所以對于這個群組的30日留存率就是23%。其他的人去哪里了呢？他們已經「沉默」了。我們可以通過「短信」「應用內推送」等通知手段來「召回」和「激活」他們。假如這個同類群組的部分「沉默」用戶被成功「召回」后，那么留存率肯定就高于23%。也就是說，留存并不是隨著時間推移而遞減的。
常見的同期群留存表（下圖是GA中的群組分析工具）會把同一時間段注冊的用戶歸為同一群組，并展示不同時間段有多少用戶（通常是百分比）重新打開應用，得出不同時間段的留存率。
內容分析
App中有很多內容（比如視頻、文章、菜譜、照片、音樂等），通過對內容的分析，才能把內容價值傳遞給用戶，打造令人印象深刻的品牌和有調性的產品----統計用戶的行為，比如「瀏覽」、「點贊」、「添加書簽」、購買等，我們可以定位哪些內容最受歡迎、哪些內容銷售利潤最高；統計「分享次數」和「分享來路/去向」等傳播環節，則可以了解哪些內容更有傳播性、哪些傳播渠道更有效。
滿意度調研
用戶滿意度是產品增長的晴雨表。不滿意的用戶不僅容易流失，甚至還會在應用市場、產品論壇中扮演「黑嘴」角色，對潛在用戶的轉化極其不利；滿意用戶則是忠實鐵粉，不僅到處宣傳產品，還會呼朋喚友促進增長，我們要著重識別這類用戶。
如何統計用戶滿意度？問卷調查著實是個不錯的手段，但這個方法不僅耗時，成本還很高。所以，現在更流行的調研方式是「引導評價彈窗」：在App定場景彈出對話菜單（一般是用戶完成核心功能后，比如淘寶的成交頁面），如果用戶想給好評，就會跳到應用市場的評分頁面，如果用戶滿腹牢騷，則會將他引導到「意見反饋」功能。
這種功能獨具匠心：既可以阻止消極用戶差評、提高應用整體評分（評分越高，評價越多，排名越好），還能有效收集用戶的反饋，用于需求分析和產品優化。
通過滿意度的追蹤，我們能有效區分「滿意用戶」和「消極用戶」，并依據分類來進行差異化的引導：促進「滿意用戶」進行更多的「五星好評」、「好友邀請」、「SNS分享」行為；安撫「消極用戶」的情緒，避免負面消息傳播。
很多產品遭遇過這類尷尬----新版本上線后全民吐槽，被迫回滾至舊功能。滿意度調查就能避免此類問題的發生：先在部分用戶范圍內測試，調研測試用戶的滿意度，再決定是否要把新功能上線。
本篇內容增長人就說到這，如果想繼續看增長黑客的干貨，歡迎關注「增長人」（搜索「zengzhangren」）公眾號，在這里，我們一起做增長。
