阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)

于2017-04-01由小牛君创建

分享到:


3月6日下午14:00,由大数据培训,就上小牛学堂主办『大数据应用与实践』主题沙龙在北京中关村创业大街3W咖啡成功举行。来自国内外上百家多家大数据企业代表参加了本次活动,并针对大数据商业应用问题展开了激励的讨论。

活动现场,GrowingIO公司CEO张溪梦先生以幽默风趣的方式,并结合应用案例,向大家介绍了“增长黑客”的核心。他说,增长黑客的核心包括获取用户、激发活跃、提高留存、增加收入和传播推荐,支撑增长黑客不断创造商业价值的“背后黑手”就是大数据。他强调,企业应该重视产品留存率,尤其是移动互联网产品。关注留存率将带来更好的客户口碑和营销效应、更长的客户付费生命周期、更多的机会做交叉销售和更低的CAC/LTV比率。而GrowingIO就是一款基于用户行为、提高留存率,用数据驱动增长的大数据产品。

增长黑客

下面是现场的演讲图文直播,另外,我们将在位置末尾放出演讲PPT的下载:

GrowingIO公司CEO张溪梦先生:

非常感谢大数据培训,就上小牛学堂举办这次活动,也感谢金玲,她花了很多时间和心血,包括凌晨1-2点还在准备各种材料和文案,我非常感动,也非常荣幸能与在座的各位专家分享的我一些基本知识,包括我来中国创业做的一些事情。

1

首先,今天我跟大家分享的是有关增长黑客的概念。在过去的几年里,我在美国工作了五年多时间,而Facebook他们是最早建数据科学部门的公司。

当时核心概念其实很简单,就是把数据的处理、展示、模型和商业应用加上最后的变现或增长的部分,做一个闭环的打通。因为大公司以往所有的工作都是不同部门协同执行完成的。但是对创业公司来说,他们希望把数据变成一种产品或是一种直接变现闭环的能力。这就要求我们在组建团队的时候,整个团队成员有一个整体的大局观,迅速的把技术、业务、数据和创新进行闭环。这也是数据科学家团队最基础的技能要求。

我当时很幸运,因为之前在Eaby工作,我很荣幸当时做了第一个负责变现的数据科学家。后来我们组织一个团队叫做商业分析部,这个部门的核心就是把这种理论应用到每一个功能或者是垂直里面去。商业分析部门分成四个业务线,我们有四个组,每一个组纵向涵盖市场营销、产品设计、销售、业务运营等不同职能,我们迅速用同样的数据把这些部门关联起来然后进行变现。

2

大家可以看看上面这张图,我是在2010年年初加入美国的Linkedin公司的。经历了大约五年的时间,在去年年底的时候Linkedin收入达到了30亿美元。大家可以看看它整个过程取得了将近四五十倍营业额的增长。

怎么做到呢?

我觉得有两点原因:

一是他切入的时候非常好,包括人才非常难以找寻,它的产品线叫做人力解决方案满足了市场的需求同时提供非常低成本大量获取人才的方法。

另外是它在使用数据上面确实是动了很多脑子,它用最快的速度、最低的成本获取了大量的客户,同时增加了这些用户的生命周期价值,它不断的让这些人在平台上使用自己的产品为公司付费,数据驱动业务增长,业务模型又反哺了数据的生成。所以我当时在公司积累了一些经验,这跟公司的发展是不可分开的。

今天我想跟大家分享的是新型的“增长黑客”概念,其实这个概念可以说是在过去若干年里面,基础的数据分析向数据科学的迭代,数据科学又向创业企业的迭代。本身的核心方法论和过去十几年里面应用是非常统一的,只不过它在业务上的落地场景变化了很多。这个概念大约是2010年的。

3

什么是增长黑客(Growth Hacking)?为什么今天讲增长黑客?增长黑客大约是2010年被一个叫Sean Ellis提出来的,他在过去的十年里面,在若干个高速成长的企业里面管理他的增长团队,他提出来这个概念,一个产品经理,一个程序员,一个分析师,包括一个心理学家,在一个综合的混合体。为什么提出这个概念呢?大约在2004年,也就是十一年以前,它主要有两个大的业务部门线,一个叫增长,一个部门叫变现。

我当时加入公司以后负责的是变现。增长部门为什么对公司很重要,特别是早期的互联网公司,他们核心关注的是你如何迅速扩展你的业务,来取得竞争的行业优势。

4

这个增长部门就像大数据数据科学部门一样,它也是有一个混合的团队部门组成,比如说市场部门、工程部门、营销部门,每周开三次最重要的会议。一次是公司的全体大会。一个最重要的会议就是增长部门的会议。

这种理念实际上应用了十来年。他提出这种概念被很多高速增长的互联网企业采纳,比如说十年以前的互联网公司,特别是现在在中国当红的几家公司都应用了增长黑客(Growth Hacking)的理念,Uber就是最典型的例子。实际上它们今天用的各种技术和方法论都是以数据驱动为核心的,以速度和效率为主轴迅速的推广自己的产品为核心概念的一些团队。

增长黑客(Growth Hacking)是以数据为核心,分析师、市场营销人员、工程师、心理学家的聚合体,这种聚合体最核心的关注点,就是如何用最低的成本、最快的速度获取大范围的增长。这个增长里面不止是限于用户数的增长,还有用户体验和用户黏度的增长,还有营业额的增长,这是真正成体系的过程。

5

在过去十年里面,我个人认为数据分析经历了三个很大的阶段。

首先是十年之前,当时我刚入行的时候,数据仓库里面有各种系统,进行大量的数据整合和存储,有一系列的分析方法来做各种分析。

第二阶段是数据从一个结构化向非结构化或者是半结构化演变,比如说包括今天各大互联网公司应用的Hadoop框架,大规模的计算渐渐的替代一些交易型或者是重仓库的框架,前端展示也由以往比较规定的结构化的报表向非结构化展示。比如说新增一些BI工具。

第三个阶段就是今天增长黑客概念的展示。数据分析由以往完全专注于结构化向半结构化的数据源整合,向业务端推进,这就是增长黑客的核心。它不止是讲数据分析或者是数据处理、数据可视化,它讲的是如何用分析把项目管理、产品管理、市场营销、销售、PR、内容营销、行为分析、经济理论一步一步完全联动起来,甚至还有用户体验,完全连在一起,而是一个更扩展性的闭环。今天来说,它已经把很多业务端关联在一起。同时它用非常低的成本,非常小的团队来做这件事情。

6

7

讲一讲为什么增长黑客的概念现在会崛起,我觉得其实很简单。就是在过去的十几年,互联网从流量为王的时代或者说流量相对来说很低成本的时代,向着一个流量逐渐变成非常高成本的时代迁移的过程。

在过去几年中,对于做一个ToC的客户的产品或者软件来说,我们通过打一个广告立刻会导来上百万的用户。但是在今天,如果我们再用原来的方式来获取用户的话,花费同样广告费的前提下,所获得的流量只是原来的10%、20%。这意味着我们获取客户的成本再大大增加,同时我们获取客户的时间也大大增加。

8

另外,他们还做过一个研究,这是美国专门为创业和投资的公司做过的研究。他们发现同样的商业概念,在五年之前你所经历的竞争的残酷程度是今天的50%,以往有两家公司竞争,今天你至少跟四到五家公司竞争,竞争的压力在加大,获客成本的增加,要求我们必须尊重每一个流量,这是比较粗放的流量驱动的概念,向以用户体验为主不断的迁移和转化,这就是为什么过去四五年,美国特别专注增长黑客这个概念。

其实“增长黑客”的核心和前一阵子硅谷创业家 Eric Rise 在其著作 《精益创业》一书中提出了 “精益创业”(Lean Startup)的理念是一致的,开发产品时先做出一个简单的原型——最小化可行产品(Minimum Viable Product, MVP),然后通过测试并收集用户的反馈,快速迭代,不断修正产品,最终适应市场的需求。

9

以往我们设计产品都是用一种我上来要造一个大的项目,我上一个新的产品线,我要造一辆奔驰汽车,上面有地盘、轮胎、框架、仪表。

MVP的概念是什么呢?就是用非常小的投入来迅速验证我们的商业化概念,一步一步的迅速往前迭代。大家看看它最终的目的还是要造出来那辆汽车,只不过经济化创业的核心,先造很简单、很小、很快的东西验证我们的理论。其实这种理论不是验证自己的产品,而是验证用户是否有最终的需求,它的优点就是低投入、速度快、迅速试错。包括今天的FaceBook它的核心概念也是这样的。

首先我有一个假设,我迅速的把变成一个很简单的产品,立刻进行市场检验和验证,验证出效果后在上线或者是下线。其实不止在北京,硅谷也有大规模的企业在慢慢的走向衰亡。其实最大的原因就是产品迭代速度太慢,发展落后于新创企业。

10

今天因为来的都是专家,不讲什么细节了,精益创业、精益分析它讲的是AARRR理论,首先是获取客户,然后是激发活跃度,我们要增加存留,再下一步是要做变现,最后一点是传播。

其实这五点和以往做传统的数据分析、产品生命周期,没有什么核心的区别。唯一一个很大的区别就是在传统上来讲,大家对于用户的存留度关注往往不太够。大家往往把用户的留存率放在业务线的最后一步或者是倒数第二步考虑。

今天的概念是以用户存留为核心打造的一套体系,虽然它是AARRR互相交织、互相交错、互相互补,但是在最早期要关注用户的使用度。获取流量成本增加,如果不能保持新进来的用户,我们的增长就会乏力。

大数据

我用的例子是大家熟悉过往的案例,虽然增长黑客是一个概念,但是大家实际操作已经很多年了。在十几年以前,在美国实行的是免费的产品,当时有一个用户把签名嵌在一句话下面,通过这个获得了高速获客的增长,工程师把这一句话放在产品里面去,然后在市场上产生病毒传播的销售方式。

12

说一个FaceBook的案例。其实FaceBook用了很多邮件营销的方式激发用户的活跃度。每七天里面有多少用户同时登录FaceBook的产品,六天以上这是最核心的指标,平均每七天里面有六天登录多少人。他是怎么做到这点呢?在早期很低的时候用邮件营销的方法激活睡眠性用户。当时定价的时候,至少测试了25种以上不同的定价策略,迅速在网站上针对不同的用户区隔进行各种测试,然后找到最佳的盈利点,同时不会影响用户的体验,当时做了很多测试,包括线上线下互相是不是有挖脚的情况。比如说用户给你20GB的免费空间,这样他们获取了迅速的业务额和客户数、用户体验的增长。

用户的生命周期,我只想强调一点,传统的做法是用户生命周期往往在最后一刻才考虑留存。其实包括今天大多数企业也是在最后一刻才用户的留存,包括我工作过的企业,到用户快续约的时候才会找用户你会不会续约,后来发现流失率非常高,后来才开始进行优化。

13

下面我用数据分析的角度分析几个案例,一是数据分析从哪里开始。首先我用的例子是美国的Pinterest公司,它们发布了一个PPT,那里面我截取了他们用的KPI,实际上它是美国最新高速增长的五个互联网企业之一,它以前的增长团队分享了内部如何做的案例。我把里面几张截图拿下来作为案例跟大家分享一下,如何在公司里面做数据驱动分解数据。

首先这家公司追踪很多的KPI,包括我们以前的企业每天追踪超过800个以上的KPI,但是没有人看那么多。怎么办?

它需要找到核心最关注的指标,像它关注的是MAU(monthly active users) 月活跃用户人数。每个月有多少活跃的用户。一个公司必须要核心定义增长的指标,比如说FaceBook定义七天之内六天活跃数,所以说8800多个指标里面出来一个指标,下一步需要对这个增长有预期和预测。

14

所以说它做了三条线,上面那条线他认为增长最高的可能性,下面那条线他认为是增长最悲观的可能性。中间是正常的业务运营部门增长的曲线,他们每天都在盯着这四条线在看,蓝线只要低于下面这两条线说明业务运营有很多问题。大家看看它的增长曲线一直在超过很多内部期待,所以他们获得了几何的增长。

下面我们把这个指标迅速分解成可执行的指标,我如何操作把它变成活跃用户呢?我们看一下它是怎么做呢?

它把活跃用户分成四种,这个是指标分解。第一步是新增用户,新来多少用户,因为它是活跃用户,至少在当月或者是当天。红色代表的是睡眠掉的用户或者是休眠用户,被反响逆向激活了,变成了这个月活跃的用户。再下面他又把已经有的用户,但是这个月不活跃了。再下面是新增用户在一定时期内不再登录,当他把这个数字分解成四个数字的时候,他就可以知道用户使用产品的情况,并且有针对性的采取措施。

15

比如说新增用户怎么拉进来,活跃用户或者是如何能持续的保持他们的活跃,如何能减少既有用户活跃度的流失。新来的用户如何能把迅速的活跃起来不让它流失,应对这四种不同的场景。所以把它较虚的KPI分解成比较有执行力的KPI。

16

大家看看,继续把它的流失的用户又分成两种,比如说绿色的是女性,红色的是男性。这是隔日的留存率,这么一分就发现,女性在它平台上存留时间很长或者是比较好,男性衰减的比较快。他又可以对流失的客户进行进一步的调优,他针对男性和女性分别有不同的产品设计。

17

下一步再继续分解,这是复活的用户、休眠的用户和重新激活的用户,根据不同的平台。比如说PC端、IOS、安卓,大家可以看这三条线的趋势是不一样的,这个找到了哪种营销方式最好把休眠的用户激活,进一步对KPI分解,分解来分解去分解成可以有商业目标可以持续进行优化的指标,大家可以看他们做的。把它的推荐引擎也进行了细化,分成了不同渠道的推荐,我不具体讲案例了。它的思维方式是定一个非常核心的KPI迅速进行分解,把低级的进行分解,再以纬度进行分解,慢慢找到业务的增长点,进行各种运营和操作。
18

下面我讲一讲留存,其实刚才已经有一些展示了。

为什么一个企业要关注留存,这也是我学到最重要的东西,包括今天ToC的公司必须要关注留存度,这是企业追捧核心的原因之一。

19

大家可能知道LTV代表用户生命周期,UAC是获客成本,UVC是每个客户增加的边际成本。这两个数字LTV大于UAC+UVC的关系,以前我没有深入研究,最近这两三年我们看到一个黄金公式,如果你的LTV除以后面两个数的相加大于30%,这个已经被很多创业公司、VC包括新型美国的大企业验证。但是想关注这个指标的话,就需要把流失率做低。

比如说你的获客成本是30人民币,如果一个用户他只能给你带来应收50块钱,最多能挣20块钱。如果一个用户可以带来100块钱的应收,你能获得70人民币的效益,就比刚才那20人民币高3.5倍,这是一个很简单的公式。所以这是核心的指标,只不过被很多公司忽略掉。当时我们把这个东西叫魔术的数据链。

20

比如说每个月如果你的流失率是3%的话,另外一家它的流失率是逆向的,就是不断增长的。过五年它们之间的营业额差距会超过四倍。我们为什么要在早期关注流失率,这是在各种公司都被证明的,包括VC还写了文章,减低流失率会给用户带来很大的效率。更长的用户生命周期,我们有很长时期的交叉销售,让他买同样的东西。有更长的时间让他们买更新的产品,好的产品用户会推荐给他认识的朋友或者企业,这几点相加平均来说会增加100%的营业额的提升,一个低流失率和高流失率的公司相比至少差一倍的营业额。

21

当时LinkedIn是怎么做到的呢?在上市前一年,当时LinkedIn花了四个月的时间做了一个工作,就是找到和这个核心的转化点之间最直观可执行的指标。当时做了四个月的分析做了那么一个有趣的点,我们发现在一星期之内,如果一个用户能够增加五个社交访问连接数,它们在未来的流失率是在第一周之内不增加这么多连接,就是十倍的差异,找到了这个点以后,公司所有的火力集中在产品、市场营销、销售各个领域增加它的社交网络数量,特别是做了很多工作围绕这个点来打。比如说你认识的人,做了很多工作。

22

我用我们自己的案例,我们GrowingIO是怎么做的。这是我们产品里面用户的留存率,我们用它来衡量我们的访客,我们发现很有意思。一天后的流失率,我们发现创建了一个新指标或者是提案指标功能的用户留存率从10%增加到30%,这个数据不是最终的数据,但是方向性是完全一致的。找到这个点以后,我们立刻开始优化我们自己的产品,在产品里面新创建了一个钮,后来我们把它拿到前面来,我们迅速看到留存的增长,大概过了一两个星期以后有了攀升。

23 24 25

26

27 28

我们再讲一下转化率,其实刚才讲的增长黑客AARRR,如何能迅速的用户转化是数据分析里面核心的指标。举个例子,还是我们的SaaS体验,它的注册线是11个步骤,普通SaaS企业注册流的线是5个步骤,比如说我知道是这样的转化方式。如果我只有一次方式优化我的产品,我们会做哪步的调整。很明确应该是第四步,因为衰减很厉害。

29

我就用我们的产品再给大家举一个例子,当时的官网刚上线的时候,我们的首页到注册率是6%,很多人进来以后没有人注册和使用我们的产品。当时的设计是这样的,首页我们需要用户填电子邮件地址、电话号码、密码申请才能使用。后来我们想那么多信息,谁愿意填这些信息,我们应该让用户尽快进来。所以我们做了一个很简单的改变,只让他填一个电子邮件,不让他们填电话号码。我们发现转化率提升到了12%,原来是6%,没有做什么改变,这个改变一共就花了工程师一个半小时的时间,从我们讨论完到它上线,一个晚上提高了那么多的转化效率。

数据分析

所以用我们亲身实践的实例跟大家分享,数据分析里面有很多可以为企业带来增长的点,这些点的本身来说可能花不了大家太多的时间,只不过它是持续不断、不断运营的概念。

大数据

很多朋友问我,我们企业该怎么做。我觉得首先在过去十几年,在美国工作这几年,我感觉最重要的一点是每个企业家、每个企业内部、工程、产品部门和市场推广,他相信用数据驱动更多的价值,这是所有获得价值最根本的。如果他根本不相信能做出来,另外一点是努力优化,今天来说整个互联网世界不断的演化。包括金玲跟大家分享的,一个数据科学家做所有的事情是绝对不可能的,是团队的工作。

我觉得未来很多公司的崛起都是再不断通过数据优化产品方案来驱动公司增长的。好的企业会关注自己的产品线和增长点,他会熟练运营各种增长工具,这是增长黑客的概念。60%是营销策略,40%是用工具和数据驱动各个部门,我觉得未来这也是一种趋势,这也是在座的很多专家努力的。我相信能给很多企业带来高速增长的价值,感谢大家。

 下载完整PPT课件>>>

End.