初創團隊的精細化分析和Growth Hacking
那麼為什麼要精細化分析？什麼是Growth Hacking,並且我們如何去做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”、“矽谷公司的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後，80後，70後及以下的人群分佈已經越來越均衡，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佈。
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後，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佈，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，那麼現在對於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”，她們對於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，大多數公司只關註三件事：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，然後再帶來大量收入，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，以致於最後出現這樣一種現象：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'的重點在於'洗'，要找到一種與之相對的模式，那一定是'粉絲經濟'，其重點在於'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麼樣的用戶，怎麼來的用戶，以及不同用戶怎樣產生收入，產生什麼收入。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用戶背後的留存率，如果5000的量的留存是10%，3000的留存是40%，實際上是後者帶來的有效用戶是前者的兩倍；然後還不止這麼簡單，如果前者（5000量裡的10%的留存）帶來的ARPU值是後者（3000量裡的40%的留存）的5倍，意味著前者帶來的價值又會是後者的兩倍多，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，然後去“養”這些用戶，那麼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取“（Acquisition）”、“激活（Activation）”、“留存（Retention）”、“傳播（Referral）”、“收入（Revenue）”，整個步驟如圖所示。
用戶獲取（Acquisition）其實就是通過各種方法吸引用戶到自己的平台來，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）就是讓用戶註冊成為你的用戶。
用戶留存（Retention）就是讓用戶持續使用你的應用。
傳播（Referral）就是讓用戶願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，然後部分用戶會成為激活用戶，而激活的用戶裡面會有一部分成為留存用戶，留存的用戶裡會有一部分用戶幫助向外傳播，又會吸引一部分用戶，最後留存用戶裡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的整個過程更加細緻的去了解用戶的整個生命週期。
矽谷公司的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，但它又不等同於BD和Marketing。
Growth Hackers 並不是BD和Marketing的替代，Growth Hackers並不意味著優於BD和Marketing，BD和Marketing專注於從多方面去發展和推廣，而Growth Hackers通常是專注於某一點。
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於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，那麼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。
可能看到這裡很多人還是不太明白這些精妙的策略是怎麼想出來的，很多國內的相似企業都會copy他們的策略，但是對於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）》，這裡我要介紹的是《精益數據分析（Lean Analytics）》，裡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會更專注於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。
對於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，然後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，然後幫助做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，並且註冊成為他們的用戶。
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增加了註冊的途徑，比如閱讀到一半彈出了註冊框；而Twitter則是發現來到註冊頁面，在註冊過程中流失的人很多，因此他們選擇的是優化註冊流程來提高註冊量。
Dropbox 發現從用戶的激活到用戶留存有提升空間。在發現這個問題後，他們分析發現一部分人註冊後並沒有下載客戶端，而往往他們就是留存最低的那部分人，顯然如果能將這裡面的一部分人喚醒，那麼這個轉化率一定能提高，所以他們就給註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，更利於開發者去閱讀理解；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並不是統計服務，而是類似於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麼行為等）。
兩類工具各有各的特點，對於查看概況，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，那麼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，會有一些層次關係，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，那麼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，那麼一線、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，甚至對於淘寶而言，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註冊，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，然後統計中間的轉化率，找到提升空間比較大的點，然後再細緻的去跟踪中間的過程，比如如果發現分享比例比較低，那麼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。
最後想說的是，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，對於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麼遠。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，比如註冊過程，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。
本文由諸葛io CTO孔淼原創，轉載請註明出處，歡迎大家關注我們的微信號（zhugeio）與我們交流、溝通。