增长黑客：你能不能玩增长营销的5点建议

增长黑客的循环方式：

1分析数据并收集观察；

2提出试验想法；

3排定试验优先级；

4运行实验方法并测试；

5再回到分析阶段审视结果，决定下一步行动。

增长黑客的循环方式和我们平时做产品迭代的方式是差不多的，但是这种方式更像是敏捷开发方式。

用小步快跑的方式，以一到两周作为一个迭代周期。

在这种方式中，提出的试验想法不仅仅需要做到以“用户为中心”，还需要考虑增长的目标在其中。

这也是现在国内很多UED团队转变的方向和思维方式。

一篇文章了解什么是增长黑客

英文原文：3 Nearly Free Growth Hacks人们在看到增长黑客（Growth hacking）这个术语时，往往认为它可以神奇地免费营销任何产品或公司。我曾写过一篇《什么是增长黑客？》的文章，以解释有效、高效市场营销和增长黑客的区别，但人们似乎还是没有理解。在我告诉你三种基本不用花钱却又强大无比的市场营销手段之前，让我先解释一下我为什么不用《三个免费市场营销建议》做标题。增长黑客不是免费市场营销几个月前，我在一个初创公司加速器中发表演讲，这个加速器里的人想要了解增长黑客们所使用的全部免费营销手段。我不得不让他们失望，要知道我在小学六年级时就学到了世上没有免费的午餐。即便你可以免费吃午餐，也有人必须为午餐和服务买单，所以根本没有所谓的免费午餐。上传营销也是如此。通常来说，当有人说道免费时，他们指的是内容营销、公共关系或社交媒体。我明白预算总是有限，但好内容不会凭空产生（我写一篇博客文章平均需要四个半小时）。公共关系需要时间和研究，社交媒体也不例外。因此，虽然我很遗憾地告诉你没有所谓的免费市场营销，不过你要采用增长黑客的手段也不用太多预算。好啦，现在我们取得一致了，让我们来讨论一下如何花很少钱来进行有效的市场营销。三个近乎免费的增长黑客手段在你投入精力到搜索引擎优化上之前，用竞价点击广告来测试赢利能力实话实说，搜索引擎优化（SEO）很花钱。而且搜索引擎优化也很花时间，需要研究搜索量、创建内容、打造回链，而且还涉及到各种技术元素如网站打开速度、JavaScript 渲染阻塞等。当你在对搜索引擎优化做关键词研究时，你的主要指标是下意识性、搜索量和竞争程度。你对赢利能力一无所知。我不是唯一一个将时间浪费在搜索引擎优化上但没有赚钱的人。有效地利用一个登录页和一小笔预算来做竞价点击广告对于找到值得关注的关键词帮助很大。自从谷歌从谷歌分析中移除关键词推荐数据后，这一点就变得重要起来。用来测试的预算多少取决于你所处的行业，但花一点钱总比浪费几个月时间要好。用 Facebook 广告来做市场研究Facebook 广告提供了一些非常强大的精准广告选项，比如针对工作场所、从电子邮箱列表中定制受众、电话号码名单、应用 ID 和网站访客以及相似受众。相似受众名单是根据之前广告买家定制受众的数据生成的，这可能是所有付费渠道中最强大的工具了，不过要怎么才能近乎免费地利用这一功能呢，请听我慢慢道来。我所说的免费使用是利用 Facebook 提供的这一强大精准广告功能来挖掘数据和研究自己的目标市场。我为起步者俱乐部（Starters Club）撰写了一篇和这一策略有关的博客文章，也接受过采访，下面让我们来简要回顾一下。在 Facebook 强大的编辑器里，我们要先创建一个新广告活动、新广告集和新广告，但我们不用运行它，只是用于研究。由于 Facebook 提供的所有精准广告数据都发生在广告集层面，因此让我们去广告集中试验吧。这个例子中，我想要找到同时喜欢泰勒斯威夫特 (Taylor Swift) 和凯蒂佩里 (Katy Perry) 的粉丝，并按性别进行分类比较。首先，我将泰勒斯威夫特作为兴趣输入。我可以看到这个兴趣大概可以覆盖 2000 万人。接下来，我将精准广告投放的人群性别变为男。这时广告的覆盖人群大约为 680 万人。我将性别变成女，这时结果显示美国有 1300 万 13 岁以上的女性会被此次广告所覆盖。那还有 20 万人哪去了呢？原因可能有很多，比如有人没有表明自己的性别或者单纯是系统四舍五入了。我不大确定，但我已经知道女性对泰勒斯威夫特的兴趣要比男性大得多。如果我在研究哪位女性艺人可以为某个针对男性的品牌代言，这就是个有用的洞见。现在让我们再对凯蒂佩里做同样的事，她可以覆盖 2300 万人。要查看同时对泰勒斯威夫特和凯蒂佩里感兴趣的人，只需同时选择这两个兴趣，结果是有 2800 万人在广告覆盖范围之内。由于 2000 万人加 2300 万人是 4300 万人，我就知道了同时喜欢泰勒斯威夫特和凯蒂佩里的人有 1300 万。这个过程也可能会很花时间，而且这个方法也远谈不上是完美的市场研究，但它是个很好的验证手段和侦查方式。你受到的唯一限制就是 Facebook 提供的精准广告选项以及让选项生效的规则。Twitter 上针对特定用户的精准广告社交广告及其有效，但 Twitter 提供针对特定用户名发布广告的功能。在我解释如何做之前，让我告诉你为什么这不是一般的花钱获得结果类的建议。你可以针对 Twitter 上任何用户名发布广告！比如，如果你只有 50 美元的预算在 Twitter 上做广告，以宣传一部首次在美国播出的知名电视剧，你可以针对对动画或这部电视剧感兴趣的人发布广告，最后你很可能获得 30 次到 60 次网站点击以及一定程度的用户参与。但我们说的是增长黑客！我们可以做得更好。你应该先做些研究，找到在谈论动漫方面最具影响力的 50 个 Twitter 用户（Klout 等类似网站让这一过程变得相当简单）。你的目标是让这 50 个人与他们的粉丝分享你的内容。如果一切无误，这 50 个 Twitter 用户中会有一些人对你发布的内容感兴趣。如果你针对的人对你的内容不感兴趣，那你就是在浪费时间和金钱。因此，你应该好好规划。

什么是“增长黑客”？概念是什么？希望可以得到详解！

链接：

提取码：49mt

增长黑客入门训练营。增长黑客入门特训营，适合市场、运营、产品人的增长入门课。5大增长模型，实战练习，系统训练核心增长能力。100+案例拆解，场景化教学，加速业务落地能力。

课程目录：

帮你节省时间的小窍门

了解增长和增长黑客

了解用户增长（Growth）是什么

针对生命周期制定对应的增长策略

「增长黑客」的成长路径

做好增长黑客必须具备的三大实践原则

AARRR流量漏斗模型的应用

......

什么是增长黑客？

增长黑客的概念起源于硅谷企业家Sean Ellis，是介于技术和市场之间的一个新角色。它主要依靠技术和数据的力量来实现营销目标，而不是通过砸钱来获得用户的传统手段。这一概念引入中国后，“用户增长”成为其知名度的核心。在早期的成长圈中，企业使用的成长手段包括但不限于渠道投放、任务体系、线下活动、优化路径等，行业内曾有一个不成文的规定，不管怎样，只要能带动成长，就去做。

增长的概念在初创企业中很常见。它的手段与营销团队的手段相似，常常混淆。以“成长型产品经理”为例。产品经理主要负责产品开发，以提出用户需求和解决问题为导向；营销团队负责新用户数量和用户参与度；而成长型产品经理处于产品与市场之间，目标是用户成长，通过对用户行为的分析，促进一定指标数据的成长。一般来说，成长团队的运营资金远远少于营销团队。因此，我们应该用更直截了当的语言来理解增长团队在做什么——使用低成本甚至零成本的“技术”手段来实现有效增长的目标。更具体地说，在成长目标的前提下，成长成员观察用户行为，分析行为，划分优先级，然后设计并启动实验进行测试。

目前，国内用户增长可分为“产品导向型”和“新媒体导向型”两类公司。以产品为导向的公司，比如今天的头条新闻，有一个成长团队的目标，就是让用户更频繁、更长久地使用他们的客户。所以成长团队的工作就是通过分析数据寻找机会，通过检验设计“实验假设”，分析结果，看看假设是对是错。假设适用于右翼；如果错误被纠正了，假设就被纠正了，下一个实验将继续。因此，成长团队的大部分工作都与“试错”有关。在这个过程中，掌握SQL技能可以帮助您成长。

媒体导向型企业，由于其“媒体属性”，不仅要随时关注新的增长点，更需要有强烈的内容意识来判断一个话题是否会成为热点。最后，分享运营用户增长的“常规”：aarrr，即获取、激活、保留、实现和推荐。这是最基本的增长方法。简而言之，我们应该关注用户的生命周期，并以数据为导向，直到商业化。

朋友圈评论表情包原来只是A/B测试？一文搞懂A/B测试与统计学原理

还记得前一阵子风靡朋友圈的表情包评论斗图吗？

但是从12月24日起，陆续有网友反映微信朋友圈无法评论表情包了。当时就有网友猜测该功能非正式版本，很有可能为A/B测试。

12月25日，微信官方回应表示：“此前，我们对朋友圈评论发送表情包功能进行灰度测试，部分用户更新 7.0.9 版本后可使用。目前，该功能已暂停。”

为什么有的用户还可以用表情包，而有的用户就不能用了呢？这其实就是A/B测试。

与微信这次的测试类似，假设我们的网站有一个落地页。关于详情按钮，设计团队偏向绿色，而产品经理则主张蓝色。双方对他们的选择都有强烈的看法。 谁来决定？ 选择是否正确？

根据范冰在《增长黑客》一书中的介绍，A/B测试，简单说来就是针对想调研的问题提供两种不同的备选解决方案（比如两个注册页面），然后让一部分用户使用方案A，另一部分用户使用方案B，最终通过数据观察对比确定最优方案。

A/B测试的所有步骤都要遵循 单变量 的思想，比如

1.将测试用户随机分为两部分

2. 测试要在同一时间进行

想像一下，如果我们要测试游戏注册按钮蓝色绿色孰优孰劣。蓝色版本在周一周二测试，绿色版本在周六周日测试，测试的结果是绿色按钮点击率更高。但是，由于周末游戏用户活跃度原本就比较高，测试结果很有可能受到了时间因素的影响。

A/B测试不是一次性的试验，而是一个不断【设定目标】-【提出假设】-【变量修改】-【运行试验】-【衡量结果】的一个循环过程

目标： 目标是用于判断哪个版本更好的量化指标。

假设 ：生成A/B测试的假设。

变量 ：确定单一变量，对网站当前版本的该变量进行所需的更改。

试验 ：网站的访问者将被随机分配到两个版本，并收集相应的数据。

结果 ：通过假设检验与置信区间来分析收集到的数据，得出结论。

从原理上看，A/B测试通过抽取样本来估计总体，在上面的例子中：

样本  是随机抽取使用该版本的用户的点击动作（0或1）

总体  是（如果网站全面改版）所有使用该版本的用户的点击动作（0或1）

但这样就足够了吗？如果我们最后得出的结果是A版本点击率5%，B版本点击率5.2%，B版本一定就是更好的？事实上这很有可能只是由抽样误差引起的。

这时我们就需要通过  假设检验  对结论进行数据支撑

针对具体业务问题，我们可以将其提取成统计问题。以新旧哪个版本的点击率更高这个业务问题为例，假设检验的步骤如下

1. 提出假设

将新版本的点击率写成p1，旧版本的点击率写成p2

H0：p1=p2

H1：p1p2

原假设H0是新旧版本点击率没有差异，备选假设H1是新版本点击率高于旧版本。

如果有足够的证据去拒绝原假设H0，我们就可以得到 p1p2 的结论。

2. 确定显著性水平a

提前设定一个比例。如果测试结果出现的概率低于这个比例，我们就有足够的理由拒绝原假设H0。一般取5%。

3. 确定检验统计量

为了计算测试结果出现的概率，我们需要一个已知概率分布的统计量。一般对比双样本转化比率差异用z统计量，z服从标准正态分布。

4. 根据样本计算统计量及p值

我们通过试验得到了该统计量的值。由于已知其概率分布，我们能算出“出现比试验结果更极端情况”的概率，即p值。

5. 得出结论

如果p值小于我们之前设定的显著性水平，我们就有足够的证据拒绝H0假设，即新版本点击率比旧版本高

如果p值不小于我们之前设定的显著性水平，我们没有足够的证据拒绝H0假设，即新旧版本点击率没有明显差别

统计量z是怎么来的呢？为什么z服从标准正态分布？

首先要明确一点，我们对比两个版本的点击率，就是在进行双样本比例假设检验，因为我们有两个总体。

假设我们有随机变量 (xi), i=1,...,n，xi {0,1}，0代表失败，1代表成功

那么xi服从伯努利分布，xi~Bernoulli(p)，p为总体比率

根据伯努利分布定义，xi的期望为p, xi的方差为 p(1-p)

现在我们考虑 

p' 的期望是 n*E(x)/n = p

p' 的方差是 n*var(x)/n^2 = p(1-p)/n

现在我们考虑统计量 

根据中心极限定理，不论xi服从什么分布，当n趋向无穷时，Z都服从标准正态分布

首先我们有原假设 H0: p1=p2

如果 xi~Bernoulli(p1) 来自总体1，yi~Bernoulli(p2) 来自总体2，x之间iid，y之间iid，x与y独立  

p1' 期望为 p1，方差为 p1(1-p1)/n1

p2' 期望为 p2，方差为 p2(1-p2)/n2

因为 在H0假设下 p1=p2:=p ，

p1' - p2' 期望为 p1-p2=0

p1' - p2' 方差为 p(1-p)(1/n1+1/n2)

由于 p1=p2=p 未知，我们用样本统计量 p'=(n1*p1'+n2*p2')/(n1+n2) 来代替 p

根据中心极限定理

服从标准正态分布

在这个模拟例子里，我们分别在两个版本抽取了1000个样本

版本1获得237个点击，点击率为23.7%

版本2获得195个点击，点击率为19.5%

Z统计量为2.28，p值为0.01120.05

所以我们得出结论，版本1点击率显著高于版本2