編者按：本文作者孔淼，來自北京諸葛云游科技有限公司，一家專注移動端數據分析和 Growth Hacking 策略的企業服務公司。在服務客戶過程中，他們發現當前國內開發者所接觸到的數據分析、產品分析思路都還非常傳統，缺乏 “精益分析” 的思維和方法，因此寫了此文分享。

前言：最近一直在研究互聯網產品的 AARRR 模型和 Growth Hacking，有了一些思考，所以和大家分享一下，希望能夠拋磚引玉，歡迎持有不同見解的朋友討論、拍磚。

那么為什么要精細化分析？什么是 Growth Hacking,并且我們如何去做 Growth Hacking 呢？接下來我將從 “人群差異化”、“從流量經濟到 AARRR 用戶模型”、“硅谷公司的 Growth Hacking”、“尋找自己的 Growth Hacking 策略” 等幾個方面去解釋。

人群差異化

有過 App（網站）開發和運營經驗的朋友，一定對百度統計，友盟，Google Analytics 等統計工具毫不陌生，它們可以提供一些基礎數據統計服務，比如總用戶數，每日活躍用戶數，或者頁面訪問數等等。只是這些分析只能是一些通用的細分維度下（如渠道，版本等）的統計數字，所以這些統計工具無法從更詳細的維度（例如用戶的人口屬性，用戶的行為事件等）去細分用戶群體。

我們看看下面幾組來自 Talkingdata 的年度報告圖片：

首先，從用戶年齡群來看，90 后，80 后，70 后及以下的人群分布已經越來越均衡，由此可以預見到的是上網人群的年齡也會從過去相對集中的二三十歲的年輕人到全年齡層的分散。

其次，城市的覆蓋，也意味著上網人群從過去集中在一二線城市的情況，變成了到三四線城市的全面分布。

第三，上網環境的優化，WiFi 和 4G 的增加以及 2G 的減少，意味著，應用內容會越來越豐富，顯示的內容將不再受到網速的約束。

第四，北上廣深的應用偏好差異，意味著城市文化與節奏的差異已漸漸影響到不同城市人群的喜好。

2000年 互聯網起步，2005年 的 web2.0 以及 2009年 的移動互聯網的幾波浪潮期間，互聯網人群還比較集中在 80 后，一二線城市，沒有太大的差異。但是現在，隨著互聯網人群從年齡，城市等多方面的滲透分布，差異化越來越明顯。所以，如果幾年前互聯網還可以認為流量影響的人群比較一致，不用作細分分析的話，那么現在對于 App 或者網站而言，人群差異一定會存在不同的使用影響，例如母嬰類應用，全職媽媽或者白領媽媽，一二線城市的媽媽或者三四線城市的媽媽，抑或外婆奶奶這種 “偽媽媽”，她們對于應用使用也會有不同的差異。

從流量經濟到 AARRR 用戶模型

其實現今為止，大多數公司只關注三件事：流量、用戶、收入。

他們關注的是通過大批流量的入口，招來大批用戶，然后再帶來大量收入，或者換言之，這是一種 “流量經濟”。但現在，如上面所述人群差異化越來越明顯，導致以前的這種方式，會越來越低效，出現了越來越多的無用投放，以致于最后出現這樣一種現象：通過流量交換，或者一些渠道與 CP 其實已經影響了很多用戶，但最終留存下來的用戶卻很少。

之前 36kr 有篇文章《流量時代何時走向終結》寫過這樣一句話：“‘流量經濟’ 的重點在于 ‘洗’，要找到一種與之相對的模式，那一定是 ‘粉絲經濟’，其重點在于 ‘養’”。

所以拋開流量增長帶來的收入，我們更應該關心的是流量帶來的是什么樣的用戶，怎么來的用戶，以及不同用戶怎樣產生收入，產生什么收入。比如說，現在我們很多 App 常常會換量，找兩個 CP 換量，一個帶來 5000 量，而另一個帶來 3000 量。很多人單從流量數字來看會覺得 5000 的好，但是沒有考慮 5000 和 3000 用戶背后的留存率，如果 5000 的量的留存是 10%，3000 的留存是 40%，實際上是后者帶來的有效用戶是前者的兩倍；然后還不止這么簡單，如果前者（5000 量里的 10%的留存）帶來的 ARPU 值是后者（3000 量里的 40%的留存）的 5 倍，意味著前者帶來的價值又會是后者的兩倍多，所以這些都必須通過對人群的深度分析才能得出結論，了解你的高留存用戶，然后去 “養” 這些用戶，那么才有可能產生持續穩定的高價值。

所以當 “流量經濟” 已經大打折扣時，就沒有別的辦法嗎？不，其實國外已經提出了一種新的分析思路就是 AARRR 用戶模型。

所謂 AARRR 用戶模型其實就是 “獲?。ˋcquisition）”、“激活（Activation）”、“留存（Retention）”、“傳播（Referral）”、“收入（Revenue）”，整個步驟如圖所示。

用戶獲?。ˋcquisition）其實就是通過各種方法吸引用戶到自己的平臺來，例如常見的搜索引擎優化，二維碼掃碼，應用市場，內容提供方，社會化分享，軟文等等。

用戶激活（Activation）就是讓用戶注冊成為你的用戶。

用戶留存（Retention）就是讓用戶持續使用你的應用。

傳播（Referral）就是讓用戶愿意替你傳播你的應用，例如通過社會化分享或口碑宣傳等方式。

收入（Revenue）就是獲取用戶收入了。

整個過程就是先獲取用戶，然后部分用戶會成為激活用戶，而激活的用戶里面會有一部分成為留存用戶，留存的用戶里會有一部分用戶幫助向外傳播，又會吸引一部分用戶，最后留存用戶里面會有一部分用戶產生收入。

所以再對比剛剛的那個流量模型，顯然我們可以通過 AARRR 的整個過程更加細致的去了解用戶的整個生命周期。

硅谷公司的 Growth Hacking

Growth Hacking 其實是一種用戶增長的方式，通常來說即通過一些策略去幫助公司形成快速的增長，但它又不等同于 BD 和 Marketing。

Growth Hackers 并不是 BD 和 Marketing 的替代，Growth Hackers 并不意味著優于 BD 和 Marketing，BD 和 Marketing 專注于從多方面去發展和推廣，而 Growth Hackers 通常是專注于某一點。

Growth Hackers 利用對產品的理解以及對產品推廣運營的分析，去提出策略，幫助公司快速增長，這個過程一般都是要基于技術和分析去探索的。

創業公司更需要 Growth Hackers。

所以 Growth Hacking 最重要的是通過策略去增長，那么有哪些經典的策略呢？

上面幾家公司現在都是明星企業，但在初期 Growth Hacking 都幫助他們實現了快速增長。

可能看到這里很多人還是不太明白這些精妙的策略是怎么想出來的，很多國內的相似企業都會 copy 他們的策略，但是對于如何去找策略卻是毫無思路，之前有一本書叫做《精益創業（Lean Startup）》，這里我要介紹的是《精益數據分析（Lean Analytics）》，里面提到了一個觀點就是 OMTM (One Metric that Matters) 也就是找到影響最大的一個指標。

前面已經說過 Growth Hacking 會更專注于分析聚焦在某個點的問題，回想剛剛的 AARRR 模型，其實這就是一個漏斗。

從用戶獲取到激活到留存，留存到傳播和收入就是一個自上而下的漏斗，越往下越窄。理想的境況下，我們都希望這是一個圓柱體，但顯然這是比較困難的，而我們要做的就是精細化分析用戶獲取到收入的整個過程。

對于沒有過數據分析運營的公司來講，這個過程中一定存在很多優化點，縱觀整個過程，我們首要的就是找到步驟間轉化率最低或者最容易提升的一個點，然后結合這個點去想策略。

我們再回到剛剛的那幾家公司的策略：

最典型的是 Linkedin，Linkedin 發現用戶獲取是一個低效的點，同時他們發現很多人在搜索引擎搜索自己的名字時沒有太多相關信息，所以他們提供了一個功能，就是創建個人資料頁，然后幫助做 SEO 優化，這樣，再搜索自己名字的時候，前幾個結果就會有用戶的專頁，這個 feature 當時就吸引了不少的新用戶，并且注冊成為他們的用戶。

Quora 和 Twitter 都發現了用戶獲取到用戶激活的比例比較低。他們用了不同的策略，Quora 增加了注冊的途徑，比如閱讀到一半彈出了注冊框；而 Twitter 則是發現來到注冊頁面，在注冊過程中流失的人很多，因此他們選擇的是優化注冊流程來提高注冊量。

Dropbox 發現從用戶的激活到用戶留存有提升空間。在發現這個問題后，他們分析發現一部分人注冊后并沒有下載客戶端，而往往他們就是留存最低的那部分人，顯然如果能將這里面的一部分人喚醒，那么這個轉化率一定能提高，所以他們就給注冊了賬號但沒有下載客戶端的用戶發送了下載客戶端的郵件。

還有一個很有名概念就是 “AHA!MOMENT”，可以理解為驚訝時刻，其實也是通過對內部數據的分析，找到一個影響用戶留存的關鍵點，比如 Facebook 是 10 天內 7 個新用戶，Twitter 是用戶關注到達 30 人，而策略就是刺激用戶達到這兩個目標了。

所以可以看出，每一種策略都在針對著 AARRR 模型過程中的某一步。而我們要優化應用和 App，首先要做的就是找到整個步驟中存在問題的那一步。

尋找自己的?Growth Hacking?策略

合理使用工具是重要的一步。

不考慮推送、客戶管理等企業工具，單從分析來講現有的工具主要分兩類：通用統計類和精細化分析類。第一類就是開頭所講的友盟這一類工具，他們是最基礎的統計服務；Talkingdata、Dataeye 則是在統計基礎上做了一些垂直化，把一些統計數據包裝成行業指標，更利于開發者去閱讀理解；而另外一類工具就是 Mixpanel 和諸葛 io (zhugeio.com)，他們為開發者提供的并不是統計服務，而是類似于 BI（商業智能）的分析工具。

統計類工具特點是每天計算一次關鍵指標，用戶看到的都是預先計算好的數據，因為分析的維度是固定的。比如對人群在通用維度（版本，渠道等）進行分析。

分析類工具則是非常靈活動態，大多都是實時分析，而且分析人群可以定制化細分（比如和內部數據庫相關的人物屬性，或者在應用內產生了什么行為等）。

兩類工具各有各的特點，對于查看概況，統計類工具無疑是適用的；而對應到要找到 Growth Hacking 策略之類，則需要深入分析應用以及用戶使用過程，那么還是需要分析類工具。

學會使用一些方法

漏斗

漏斗是常用的分析方法，在應用的使用過程中，會有一些層次關系，例如在視頻應用中，用戶看視頻之前可能有很多入口，比如從搜索、推薦、分類，用戶都能完成看視頻操作，那么哪一個轉化率是最高的呢？或者用戶有很多種，一線城市、二線城市，那么一線、二線哪個完成看視頻的轉化率最高呢？再說電商應用，典型場景就是從加入購物車，到下訂單，到完成支付，這也是一個漏斗；或者用來支付的方式，是微信支付還是支付寶支付，誰的支付率更高，同樣也是一個漏斗，所以用精細化分析工具分析漏斗是非常重要的。

自定義留存

我們之前常常以為的留存，都是用戶有沒有持續去使用應用其實每個應用的核心價值其實是不一樣的。比如知乎日報就是有沒有持續去閱讀；優美圖是有沒有持續去看圖片；淘寶是有沒有持續下訂單，甚至對于淘寶而言，持續看商品，持續下訂單，持續完成支付的用戶價值也是不同的。所以當涉及到精細化分析時，留存也會因為應用內觸發行為的差異而不一樣，因此自定義留存也能夠幫我們去衡量一些用戶的持續價值。

找到你自己的問題

回憶一下剛剛的 AARRR 模型，每一個應用都可以把自己的一些用戶行為找到對應的過程中，所以首要的就是你要找到跟這幾個過程相關的事件，比如用戶獲取可能就是用戶不同來源，用戶激活可能是用戶的注冊，用戶留存就是剛剛說的應用自己的一些核心事件（比如閱讀，看視頻），用戶傳播就是分享行為，用戶收入就是付費過程了。利用分析工具先檢測好這幾個點，然后統計中間的轉化率，找到提升空間比較大的點，然后再細致的去跟蹤中間的過程，比如如果發現分享比例比較低，那么就可以看看是分享的刺激不夠，還是分享過程需要優化，比如微信認證或者微博認證流程中出現問題。

最后想說的是，很多小的公司誤以為數據分析和自己無關，但從長遠來看，了解和熟知自己的客戶群體以及產品使用的數據，對于發展和增長的策略來講很有必要，Growth Hacking 離每一家企業都沒有那么遠。分析數據不用一次把所有的業務都設置成自定義事件。通過分析或者統計工具埋點，數據太多了反而會影響自己去分析，把埋點分析也變成產品迭代的一部分，每次只需要分析一個模塊的問題就可以，比如注冊過程，分享過程，留存過程等等，核心是每次迭代產品，找到 OMTM，分析和優化這個關鍵指標。

工欲善其事，必先利其器，產品就是你的利器。

本文來自讀者投稿，不代表 36氪 立場，如若轉載，請注明出處：http://36kr.com/p/5037490.html