用户增长流程和增长规划图

增长流程的两个阶段

增长流程包括宏观上的战略制定和微观上的战术执行两个阶段。

战略制定阶段首先需要增长团队深入理解公司的商业模式，通过思考和分析找到北极星指标，搭建增长模型。然后根据北极星指标和增长模型制定核心增长目标，并通过指标分解的方式，找到现阶段对核心增长目标影响最大的聚焦领域。接下来，针对聚焦领域进行定性和定量数据分析，制定初步的增长战略。增长目标一旦制定了，就是比较长期的，以一年左右的时间重新审阅、调整比较合适。而每次选定的聚焦领域也建议维持60～90天不变，太短的时间不足以让团队充分地进行实验，探索各种可能。

宏观上的战略和目标一旦制定了，就进入了微观上的战术执行阶段，我们把它称为“增长冲刺”（Growth Sprint）。增长冲刺一般以一周或双周为单位，是指增长团队针对某一个聚焦领域，以提高某个指标为目的，进行快速迭代实验的过程，具体包含：产生实验想法、给想法按优先级排序、设计和上线实验、分析数据和应用结果几个步骤。

增长流程

增长规划图：连接战略与执行的“活文档”

一般来说，增长战略和目标是宏观的增长计划，如果要具体执行，需要有一个较为翔实的计划来落到实处。这时候，一份增长规划图就有了用武之地。

增长规划图（Growth Roadmap）是一份连接战略与执行的工作文档。它和产品规划图（Product Roadmap）类似，是一份不断变化的“活文档”。相对固定的部分是增长指标、目标和战略，但它最主要的内容是详细地记录实现这些战略和目标的计划。增长规划图可以帮助增长团队清晰地记录增长战略和实验想法，同时也有利于和其他团队沟通和讨论。

需要注意的是，和产品功能开发相比，增长实验的迭代周期较短，需要根据实验结果及时调整方向。如果实验没能产生设想的结果则需要及时地分析原因，如证明这个假设错误，可能要干脆把相关的实验都取消；如果实验效果很好，证明假设正确，则需要加大对这个方向的投入，乘胜追击，持续优化。因此，增长规划图在具体内容上要保持一定的灵活性。

表7-1是一份增长规划图的样本，它包含：

1）战略部分：总增长目标、某细分增长团队的目标、关键子目标以及相应的战略、公司目前的聚焦领域；

2）战术部分：针对聚焦领域的实验假设和实验想法。

增长规划图

增长规划图

接下来我们会详细地讲解如何一步一步地完成一份增长规划图。

增长战略制定

设定增长目标

增长团队战略制定的第一步是需要找到正确的增长KPI，并设定一个清晰明确的目标。

一般来说，北极星指标就是公司的核心增长KPI。这一步骤很重要，因为在错的指标上花力气，不仅有着巨大的机会成本，还可能会有负面的影响。

有了正确的增长KPI后，还要设定一个清晰的目标。

比如，我们假设有一家在线酒店预订网站叫作ABC订房网，它的北极星指标是订房数，而增长团队的目标就是今年完成1500万的订房数。这个目标有两个特点：第一，它是一个绝对值，不是一个百分比或比例；第二，它是一个非常清晰的数值，不是模糊地说“提高数量”。

一般来说，第一次制定增长目标时，增长团队并没有太多的历史数据可以依赖。所以，到底应该定1500万还是1000万，增长团队需要做一个判断，使得这个目标需要费点劲儿才能完成，但又不是完全没有希望。一旦设定了目标，增长团队内部以及领导层需要在全公司从上到下反复沟通这个目标，使得各个功能团队之间有一个共识，为增长团队的成功创造好的条件。

Zillow是一家美国线上房地产信息公司，它们内部每年都要制定一个增长目标，每年都有不同的侧重点和主题，比如搜索引擎优化（SEO）就是其中某一年的主题。这个目标一旦确定，Zillow的CEO会在各个公司会议上不停地提到和重复这个目标，使得公司上下各层级员工对增长团队的目标都非常清楚，其他团队会把“给增长团队的项目提供支持”排在非常高的优先级，这就有力地保障了目标的达成。

有些增长团队在制定目标时，会考虑采用百分比。假如ABC订房网把增长目标定为“将新用户订房成功率提高15%”的话，这个目标会受到分子“新用户订房成功数”和分母“新用户数”两部分影响。从理论上讲，如果增长团队控制新用户数量，并且只允许那些质量最高的用户注册，那就更容易达到这个目标，但是这却不能与公司的终极增长目标相一致。所以选取一个绝对值“新增订房数”作为目标，既好理解，又好沟通，也符合公司的最终利益。

指标分解：发现增长切入点的撒手锏

增长团队的核心原则之一，是在任何时候都要找到在当时的情况下，对增长潜在影响最大的领域，然后集中火力在那个领域进行实验，推动增长指标的实现，也就是所谓的“寻找增长杠杆”。
要做到这一点，首先必须学会“指标分解”这个技能，在这方面，增长模型就发挥了作用。

增长模型

根据这个增长模型，指标分解可以分为以下两步：

1）第一步是横向分解：按照用户的群组，按照“加法”的方式把大的增长指标拆分为小的指标。

比如ABC订房网的例子，它的增长指标可以很容易地拆分为如下结构：

2017年订房数（1500万）=新用户的首次订房数（500万）+已有用户的订房数（1000万）

很多时候，这种拆分也和增长团队的设置相一致。比如，Facebook月活跃用户的指标可以分解为：

月活跃用户数=新增月活跃用户数+留存活跃用户数+流失活跃用户唤回数

正好对应它们增长团队内部新用户团队、用户留存团队和流失用户唤回团队的划分。这样每个小的增长团队都可以有自己的子目标，子目标加总就合成了总目标。

2）第二步是纵向分解：按照用户的生命旅程，通过“乘法”的方式将子目标进一步拆解为更细的漏斗步骤。

比如ABC订房网的例子，经过第一步，它的增长指标拆分如下：

2017年订房数（1500万）=新用户的首次订房数（500万）+已有用户的订房数（1000万）

接下来，假设ABC订房网也有一个专门的新用户增长团队，他们负责完成500万的新用户首次订房数目标，这个小目标下一步应该如何拆分呢？

秘诀在于，通过绘制用户旅程找到能够影响这个小目标的关键输入变量。我们通过增长模型的思路，进一步对新用户首次订房的漏斗进行拆解：

新用户首次订房数=新增用户数×新用户首次订房成功百分比×每人平均订房数

所以要实现新用户首次订房数达到500万的目标，ABC订房网的新用户增长团队可以考虑的方向是：①增加从各个渠道获取的新用户数量；②提高新用户首次订房成功的百分比；③提高每人平均订房数。

找到聚焦领域

经过横向和纵向两轮目标分解，ABC订房网的新用户增长团队已经将新用户首次订房数500万的指标，分解到了三个可能的方向上。

如果ABC订房网的新用户增长团队足够大，这三个方向可以齐头并进。但在绝大多数情况下，资源是有限的，怎么办呢？

我们需要做的就是通过分析和研究，找到性价比最高的聚焦领域。

增长团队针对这三个方向进行了定量和定性研究。每个人的订房数显然更多地取决于用户的需要，比较难以改变。如何拉新用户有一些可能的思路：一是目前老用户推荐新用户的比例略低于行业参考值，这个比例应该有一定提升空间；二是有几个新的用户获取渠道，例如Snapchat社交平台广告和苹果应用商店搜索广告，虽然这两个渠道还比较新，但发展势头很好，值得尝试。

但是潜在影响最大的还是新用户首次订房的成功率，目前只有9%左右，还有较大的优化空间。同时，通过第2章对增长模型的讨论我们也知道，提高新用户激活率是一个半衰期更长的项目，可以放大所有新用户获取渠道的成果，同时改善用户留存曲线，因此对长期增长的影响更大。

因此经过分析，ABC订房网的新用户增长团队决定把“提高新用户首次订房的成功率”作为接下来的聚焦领域，而把用户推荐和尝试新渠道作为备选方向。

■子目标1：提高新用户首次订房的成功率（聚焦领域）
■子目标2：提高老用户推荐新用户的比例（备选方向）
■子目标3：尝试新获取渠道以增加新用户数（备选方向）

对于经过分析思考得出的备选方向及相应战略，也可以记录在增长规划图上，但是可以较为简略。针对接下来的聚焦领域，则需要制定更为详尽的计划，来指导增长冲刺。

增长战术执行：增长冲刺

在有了清晰的增长目标和聚焦领域后，在接下来的60～90天内，增长团队就进入了具体的执行阶段，也就是7.2.1小节所介绍过的“增长冲刺”阶段。

在ABC订房网的例子中，新用户增长团队决定把提高新用户首次订房比例定为聚焦领域。这就意味着在接下来的2～3个月之内，增长团队要集中火力，针对这个领域进行实验。

接下来我们将按照产生实验→决定优先级排序→设计和开发实验→分析数据→应用结果这一流程，具体介绍增长团队如何针对聚焦领域进行实验。

第一步，产生实验想法

针对聚焦领域，通过数据分析制定几个大的探索方向，然后针对每一个方向，产生出一系列的备选实验想法，记录在增长规划图中。

ABC订房网的新用户增长团队针对聚焦领域“提高新用户首次订房的成功率”，首先想尝试的方向就是优化新用户订房流程，因为经过数据分析，增长团队发现很多新用户填写了订房信息，但是在确认之前就流失了。

团队继续进行了问卷调查、用户调研和内部讨论，他们发现了一些线索，并形成了以下三个假设：

■假设1：一些新用户觉得过几天可能会降价，觉得再等几天再做决定也不迟；
■假设2：一些新用户在进入确认页时，看到需要先注册账户，觉得很麻烦就跑掉了；
■假设3：一些新用户看到可以选择的房源太多了，选好了一间又回头去看别的，一纠结就搁置了。

针对每个假设，团队又产生了一系列的实验想法。比如针对假设1，可以做以下实验：

■想法1.1：写上“全网最低价”保证；
■想法1.2：写上“如发现其他低价，可以调整价格”；
■想法1.3：显示“已售罄”酒店信息，给用户增加紧迫感。

针对假设2，可以做以下实验：

■想法2.1：开发Google、Facebook一键注册功能；
■想法2.2：开发免注册预订功能；
■想法2.3：……

针对假设3，可以做以下实验：

■想法3.1：在明显处表明“每日精选”酒店；
■想法3.2：加入“按性价比排序”的功能；
■想法3.3：……

要保证备选方向清单上有足够多的高质量的想法，需要把收集实验想法作为增长流程的常规组成部分：

1）增长团队定期举办实验想法讨论会；
2）通过邮件或定期头脑风暴从全公司收集想法；
3）和客户服务团队或销售团队定期沟通；
4）监测应用商店评价、问卷用户评论、社交媒体评价；
5）定期进行用户电话、入户访谈或用户测试。

第二步，优先级排序

当产生了一些初始的实验想法之后，该从哪个实验入手呢？

增长专家们发明了很多优先级排序系统，比如ICE（Impact=影响力，Confidence=成功率，Effort=开发成本）。其核心思想就是根据想法的性价比进行排序，“性”就是指预期效果和成功率，“价”就是指开发成本，一般需要建议量化为对设计师和程序员的时间要求，以小时计较为客观。预期效果越大，成功概率越高，开发成本越小，优先级越靠前，反之则越靠后。

回到ABC订房网的例子，“想法2.1：开发Google、Facebook一键注册功能”和“想法2.2：开发免注册预订功能”都有较高的预期效果，但是开发成本也较高。“想法1.1：写上‘全网最低价’保证”和“想法1.2：写上‘如发现其他低价，可以调整价格’”的预期效果较高，而开发成本很低，这时候就应该先上线这两个测试。

下面一些详细的标准，可以帮助你判断哪些测试预期效果更好。

如果实验想法具有以下特征，预期效果更好：

1）改变位于网页靠上方的位置，用户无须滚动就可以看到；
2）5秒之内就能注意到的改变；
3）增加或去除某个元素的改变；
4）改变位于高流量页面或用户流程。

如果实验想法具有以下特征，成功概率更高：

1）改变能增加用户动力；

2）想法源于用户测试或定性研究（问卷、访谈、焦点小组）；
3）想法有数据支持；
4）想法有热图（Heat Map）等证据支持；
5）其他网站、产品验证过的最佳实践。

美国知名的酒店和机票预订网站hotwire曾自己发明了一套实验排序系统，如表7-2所示，这对于ABC订房网来说就可以借鉴。

表7-2　实验排序系统

表7-2　实验排序系统

第三步，设计和开发实验

如果你是理科生，大学里应该写过实验报告。上线A/B测试之前，也需要写一份增长实验报告。在本章最后有一个增长实验报告的模板（见模板2），其中，实验假设、实验设计、实验指标、实验打分四个部分是实验开发前要做的设计文档。实验结果、实验心得和后续计划三个部分在实验结束后填写。

针对ABC订房网的例子，实验指标就是每组新用户订房成功的百分比，而实验假设我们可以这样填写：

如果这个实验成功，我预测新用户订房成功比例可以提高20%，因为：

①我们认为很多新用户首次使用ABC订房网时，发现房源很多，觉得过几天可能会降价，觉得再等几天再做决定也不迟；
②如果在订房确认页加入“全网最低价”或者“可以调整价格”的文本，可以消除新用户的疑虑。这些政策ABC订房网本来就写明了，但是没有显示在新用户酒店预订确认页上。

注意这个假设遵照“如果成功，我预测（实验指标）可以提升（%），因为（原因）”的格式。它不仅谈到了受影响的指标，还包含了预期的提升数值，以及为什么我们觉得会是这样。在假设中包含以上三个要素，可以帮助增长团队深入地思考增长实验的目标、预期影响和背后的原因。

第四步，分析数据

在实验上线之后，增长团队需要监测数据。当实验结束时，增长团队需要分析结果。

如何确保实验结果的准确性呢？有下面几条注意事项。

首先，要确保实验结果具有统计显著性（Statistical Significance），如果结果没有达到统计显著性，说明实验组和对照组的不同可能是由随机误差引起的，可以认为两组结果不相上下，不应该认为实验组是胜利组，在这种情况下，建议仍然认为对照组是最佳方案。

如果你想进行实验，但又不知道需要用多大的样本量才能达到统计显著性，才能让结果可信，那么可以考虑选择市面上一些现成的样本计算器，帮助你计算。

你需要设置的参数是：

1）基本的转化率。比如你想改进产品的注册流程，这一步目前的转化率是20%。
2）最小能监测到的改变幅度。比如你希望这个改进至少能提升10%的转化率。
3）统计显著值。一般来说我们建议至少要达到90%，如果达到95%会更保险，这可以保证你的实验结果是可信的，而不是由于随机误差。

如果使用商用的A/B测试工具，如Optimizely，它会自动为你计算实验结果是否达到了统计显著值。如图7-5所示，在ABC订房网的酒店预订页测试中，在“订房成功比例”这个指标上，实验组1和实验组2的表现都超过了对照组，分别提高了49.8%和122.5%，并且都达到了90%的统计显著值。

其次，尽量让测试运行完一个天然使用周期。有时候就算样本量很大，很快就有了统计显著的结果，但是在这种情况下还是建议让这个测试至少运行完一周到两周。为什么要这样？因为一两天的数据可能会有比较大的波动，另外，如果只运行了一两天，这个样本群可能刚好只包含了那些每天都来的高频用户，而遗漏了那些一周才来一次的低频用户。所以要想一想用户的天然使用周期是多少，如果是以周为单位，那么建议让测试至少运行一周，让高频用户和低频用户都有机会接触到实验。

图7-5　ABC订房网酒店预订页测试结果界面

最后，在分析实验数据时，要把微观的实验结果和宏观的增长指标联系起来。比如，在ABC订房网的例子里，实验组2将新用户预订成功率提高了122%，那么回到我们之前的增长模型

新用户首次订房数=新增用户数×新用户首次订房成功百分比×每人平均订房数

2016年数据为   180万=1000万×9%×2

假设其他变量不变，变量2从9%提高到20%，那么可以推算出仅仅这个实验就能够带来一年将近220万的新订房数。这就非常清晰地让人看到增长实验的价值了。

至此，ABC订房网增长团队终于可以填写一份完整的增长实验报告了，如图7-6所示。

实验1－ABC订房网新用户酒店预订页测试（实验记录模板—数据均为虚构）实验假设

如果这个实验成功，我预测新用户订房成功比例可以提高20％，因为：

•我们认为很多新用户首次使用ABC订房网时，发现房源很多，觉得过几天可能会降价，觉得再等几天再做决定也不迟；
•如果在订房确认页加入“全网最低价”或者“可以调整价格”的文本，可以消除新用户的疑虑。这些政策ABC订房网本来就写明了，但是没有显示在新用户酒店预订确认页上。

实验设计

1.在用户酒店预订确认页上加入文本：

a.对照组：无其他文本
b.实验组1：在明显处写上“全网最低价”保证
c.实验组2：在明显处写上“如发现其他低价，可以调整价格”

2.通过A／B测试工具，将新用户随机分为三组，比较结果

实验指标

每组新用户订房成功的百分比

实验打分

实验结果

实验心得

1.“可以调整价格”和“全网最低价”都提高了新用户订房成功率，说明是否拿到最低价确实是顾客的担心之一
2.“可以调整价格”比“全网最低价”效果更好，推测因为“全网最低价”是一个比较虚的说法，而“可以调整价格”给了顾客实实在在的保障，让顾客订房更无后顾之忧

后续计划

1.将实验组2应用到酒店预订页
2.继续测试其他类似的文案
3.考虑在着陆页和邮件中也测试类似的语言

第五步，应用结果

根据实验结果，有几种不同的应用路径，和科学实验的方法几乎一模一样（见图7-7）。

如果实验成功，那么将实验组发布给100%的用户。如果同一个产品有多个平台，如苹果、安卓、网页端，一般而言各个平台上的用户行为类似，实验结果页类似，建议同一个测试只选取一个平台进行。所以，实验成功后，需要在其他平台上开发同样的功能。

图7-7　实验结果的不同应用路径

另外，如果初始实验效果不错，说明在这个点上是有优化空间的。一般初始实验以尽快上线为目标，设计会比较简单，建议针对这个点继续进行优化，从而最大化效果的提升。

如果实验失败，或者虽然有改善但没有达到统计显著，那么需要总结经验，看看下一步的实验有哪些可以改进的地方。失败是由于假设不对，还是实验设置有问题。

最后，不管实验成功或失败，都需要尽快将实验的代码清除，以保持代码的干净，为后续实验打好基础。

无所不在的A/B测试

上面的例子是产品内的A/B测试，事实上，A/B测试作为一种方法论，在增长的方方面面都有所应用，如：①付费广告A/B测试；②应用商店A/B测试；③着陆页A/B测试；④新用户引导流程A/B测试；⑤产品功能A/B测试；⑥邮件A/B测试；⑦移动推送A/B测试；⑧应用内信息A/B测试。

A/B测试的优势有如下几点：

1）量化结果：A/B测试将实验组和对照组进行比较，所以你可以清晰地看到某个改变带来的影响是多少；
2）限制负面影响：你可以通过A/B测试来衡量一个简易的产品功能原型，如果它失败了，就避免了你投入大量的时间来开发这个功能；你也可以只把某个改动发布给一小部分用户观察结果，从而限制可能的负面影响；
3）学习：因为你每次只改变一个变量，所以你可以清晰地知道什么因素导致了结果变好或变差，从而加强你对产品、用户和渠道等的认识；
4）文化：A/B测试可以帮助改善HIPPO（Highest paid person opinion，最高工资人意见）问题，或者与产品或市场经理之间有分歧的情况，每个人的意见都只是意见，而通过测试可以实实在在地看到结果。

A/B测试也有其不可避免的局限：

1）A/B测试虽然可以帮助公司形成战略或愿景，但它本身并不是一个战略方向；
2）开发测试比直接上线功能或创意浪费人力和时间；
3）如果测试意在改善的指标是错误的，比如把利润放在用户参与度之上，可能反而损害了增长；
4）A/B测试更适合优化设计，但是一般很难通过A/B测试开发出全新的设计，所以它会面临局部最大化的问题。

未经允许不得转载：陈海飞博客 » 用户增长流程和增长规划图