硅谷增长黑客实战笔记读后感(增长黑客总结)

新媒体兔Tik Tok待售:成长黑客也是一种成长模式。在数据分析的基础上,创业团队利用产品或技术手段获得自发成长的经营手段;在成长黑客的运营和推广中,需要从多方面去把握;作者分享了关于黑客成长的实战分享。让我们一起来看看。

这是我几个月前就想写的一篇文章,但一方面是去年闲下来的事情太多,另一方面是心里一直有一种“完美文章”的执念,所以没有写出来。

这是常见的思维陷阱。我们常常不敢迈出第一步去得到10或100,但实际上是0和1却是有着本质性的区别.

所以,这还是一篇粗糙的文章,但与其是0,不如有一个亏损一万的成品。

01 保险也需要【增长黑客】

AARRR(获客激活留存付费病毒传播)是众所周知的互联网产品用户增长模式。

互联网保险也探索了这一模式的应用。最大的声势是15年和平和围绕“医、食、住、行、玩”.需求的“四个市场、两朵云、一扇门”战略

到目前为止,这个策略中的重应用,比如安全屋、安全车、安全车主,都已经消亡了。

通过实证研究,建造电影院出售爆米花的做法被证明是行不通的。

然而,在第一个月,1元的保险模式将保险产品转变为类似互联网产品的模式。第一个月,1元的低门槛承载了【获客-激活】,的角色,大量低门槛用户加入。如何留住和回购后续用户,成为各大互联网保险玩家不得不关注的问题。

这时,黑客增多的理论在保险领域找到了最好的应用。

02 提出假设

我在《如何在用户增长中做好假设》一文中分享过这一点。

去年解决一个重要渠道的客户留存问题,第一个月1元月供,我首先划定了1.0版的边界:即提高M2(购买后第二个月)的续费率(扣费成功率)。

用户流失有两种类型:

退保

关闭第三方支付的预扣。

在没有任何实质性分析的情况下,我提出了第一个假设:丢失节点的分布应该符合28原则。

于是我请数据生做了一个分析,发现购买当天的关闭、扣款、退保占流失用户的80%以上。

同时我提出了第二个假设:要么是有账单,要么是销售前后认知严重不一致。

和BD频道沟通后,我首先排除了计费的可能性。

然后全程体验了渠道的产品销售过程,发现销售页面对于下个月应付的保费比较弱,而支付成功页面明确告知用户下个月应付的保费。

然后我提出了第三个假设:在购买之前,流失的用户以为保险是每个月1元,购买之后,看到下个月实际要交的保费比第一个月高很多,就立马流失了。

基于假设,我们与渠道协商,在支付成功页面上剔除了下月应付保费,并制定了一系列匹配策略。

实验结果最终显示M2流失用户降低了50%。

03 复利效应

“成长黑客”理论中有一个基本的说法,那就是任何策略都必须有正反两方面的作用。

一个好的策略应该是正向效应负向效应.

1.01的365次方=37.78。

0.99的365次方=0.02。

它揭示了一个正确的策略和一个错误的策略在反复多次后的巨大差距。

在传统的保险电话营销中,有一个行之有效、经验丰富的策略,即保险销售后第二天的电话回电,可以让用户趁热打铁,有助于后续的留存和回购。

因此,这一策略被应用于第一个月1元保险的保留。

起初,这个策略没有设计实验组或对照组。在提取了一些电话回访的录音后,发现很多用户在送货模式下,因为冲动消费,没有意识到自己在买什么产品,回访成为了【质疑-感情破裂】.的导火索

在重新设计实验组(进行回访拨打)、对照组(不进行拨打)的实验并运行两周之后,我们可以清楚地找到对照组的次月留存比实验组高出了很多.

与此同时,来自另一个业务部门的学生仍在应用这一策略…

复利效应下,双方的差距可想而知。

04 实验设计

对于流失用户的召回(封闭预扣),使用了人工AI的召回实验,实验结果表明是积极的。

因此提出了给予额外权益的强化回忆策略,但操作生只设计了给予A权和B权的实验组,没有设计不给予权益的对照组。

当这个问题被发现时,这个策略即将上线。当时我就质疑,如果不设置控制组,极端情况下赠送权益的实验组可能不如之前不赠送任何礼物的策略有效。

墨菲效应,果不其然,最终出来的数据显示,两个实验组的数据表现比过去不送人的时候还要差。

A/B考试,牢记要验证的变量是什么,控制好变量,做好实验设计,是最基础也是最重要的要记住的内容。

05 不止于相关性结果

对于上述的流失用户召回(封闭预扣),人工智能和人工智能的召回实验表明,人工智能的召回效率高于人工智能。看到这个意想不到的结果后,我提醒相应的操作学生听电话录音,找出因果关系。

这位同学此刻没有立即采取行动。在赠送权利的实验中,数据也显示AI的表现要比手工好。

这一次,他听从了建议,听了录音,案件立即得到了解决。

因为召回效率不高,代理商获得的收益有限,所以人工代理商拨号时积极性不高,所以不如标准AI的效果好。

如果你用优秀的座位叫失忆策略呢?

如果我们不理解相关性背后的因果关系,也许我们会得出一个错误的结论。

其实对于很多迷信的AB测试团队来说,这是一个临界点,他们只关注相关性,而不深究因果关系。

我听过一个故事。今日头条通过某国实验发现,用户继续使用紫色视觉颜色会更好,但因果关系是什么?没人知道,没人深究。

06 设定实验目标

这一点我一直强调,但其实很多人会忽略。他们认为这个实验无非是跑出来一个实验结果,用最终的数据说话。因此,在实践中,我们应该只设计实验方法,而不是设定实验目标,但实际上这是非常重要的。

以张小龙在微信十周年的演讲为例:

6月,社交推荐新版本还在开发的时候,我在黑板上写了一个断言:有一天,视频播放、关注、好友推荐、机器推荐的消费比例应该是1:2:10。也就是一个人平均要看10个关注视频,20个好友点赞视频,100个系统推荐视频。

当时解释如下:

内容有两种,一种是你需要用脑力去理解的智力信息,另一种是学习。一个是不需要脑力的思维舒适区的消费者信息,是娱乐。朋友赞是朋友强迫你获取你可能不感兴趣的知识信息,属于学习范畴。机器推荐,让你舒适地浏览自己喜欢的消费信息,属于娱乐,兼顾两种信息。

因为你已经知道会是什么,所以不会很吸引人,所以是1。虽然我的朋友看起来很累,但他不会错过的,所以它是2。系统推荐,符合懒人原则,是大部分人更容易消费和获得舒适感的信息,所以是10。

但我们目前的市场数据并不是这个比例。现在朋友赞生成的整体vv是机器推荐的两倍。

所以我让数据同事做统计,只看关注的用户。目前关注的用户很少,都是活跃用户,所以代表了未来活跃用户的行为。前几天数据显示,关注用户在三个标签页生成的vv几乎是1: 2: 9。当我得到这个结果时,我非常惊讶。这只是一个粗略的估计,并不是说预测特别准确。而是说我们做东西的习惯是,如果这样做,应该先推理出来一个结果,然后用数据去验证,才能检验方向是不是对的。

对于任何实验,包括活动操作,如果需要想出一套逻辑自洽的推理过程(假设基础)背后的预测数字,这将迫使个人进行更深入的思考。如果不做这一步,很容易陷入事后评价实验结果时没有规律可循的境地。

举个反例,我让一个运营同学分析一下生命周期不同节点(主要是月供扣费节点)余额不足导致用户流失召回效率的差异。起初,我建议他对分配进行预测,但他没有采纳。

数据出来后,他很困惑,因为在传统认知中,历史上用户支付的费用越多,用户对产品的认同度就会越高,召回效率也会越高。

但数据显示,M2(第二个扣分节点)下的召回效率最高,其次是M4,M3最差。

在我的提示下,他重新分析了召回M2后用户的留存情况,最终他得以有所作为。

07 用户增长策略模板

这是我几个月前整理出来的一个用户增长策略模板,整合了“增长黑客”理论中的主要关键要素。内容形式没有什么异常,重要的是坚持。

复利效应,时间会给你最好的答案。

策略主要指:迭代,对谁做什么,何时何地/渠道做什么。

怎么做主要指:.开发新功能/开展新活动/拓展新业务

假设基础(why)主要指:.定量(数据分析)和定性(用户研究)的相关基础

参考数据

《张小龙:微信十年的产品思考》

#专栏作家#

向,微信公众号:产品123,大家都是产品经理专栏作家。8年产品经理经验。他曾在网易和国内领先的金融集团负责用户产品,目前在一家移动互联网巨头负责金融子业务。

本文由大家作为产品经理原创发布,未经许可不得转载。

图来自Unsplash,基于CC0协议。

奖励作者,鼓励TA努力!欣赏



新媒兔新媒体交易平台目前有 抖音号出售抖音号转让抖音号购买快手号购买等新媒体账号服务市场,并在新媒体服务的基础上将会开拓更多的虚拟资产服务业务。新媒兔对用户的需求提供信息匹配、账号估值、数据鉴定、资金担保、合同担保、运营指导等专业的虚拟资产服务配套服务! 还有问题补充欢迎评论与新媒兔小编互动哦~