1704198470
1704198471
在缩小汇报范围之后，下一步就是使呈现的信息能够指导行动。首先，指标应以比例而非静态数据的形式呈现。比如，总用户数是静态的，说明不了很多问题，而每日或每周新增用户数则有用得多，因为它是当前时期和前一时期的对比，能够反映出指标的升降。数字的旁边还应当附带显示一个标志，体现与过去相比是上升、下降还是持平。这个标志可以是一个表示变化的百分比，也可以是颜色标识，以便让团队一目了然地知道某个指标的变化情况。
1704198472
1704198473
1704198474
1704198475
1704198476
图3–3 Pinterest增长总览图18
1704198477
1704198478
也可以在总览图中将指标数据与既定目标进行比较。例如，在英曼，团队将订阅人数增长与他们的季度目标进行对比来确定他们的目标完成进度。总览图应帮助团队成员掌握业务增长情况并根据总览图提供的信息对相关问题给出快速清晰的回答。虽然数据可视化设计是一项复杂的技能，但一位出色的数据分析师通过与增长负责人合作能够创建一系列极富洞察并可以指导行动的总览图，使团队能够跟踪核心指标的变化。
1704198479
1704198480
万事俱备
1704198481
1704198482
明确增长杠杆、进行深入分析和汇报并辅之以客户调查，这几项结合起来就可以解锁并优化增长机会。让我们再来看一看乔希·埃尔曼和推特的增长团队是如何发现“30个关注”这一阈值的，也就是说，关注了至少30个人的用户会成为长期活跃用户。埃尔曼首先进行了所谓的“群组分析”，即将客户或用户按照某个共同的特征划分为不同的群组。对推特来说，可以按照用户加入的月份进行基本分组。这样的选择几乎毫不费力，不过如果数据量很大且很详细，就可以创建更加细分的群组，比如每天查看推特5次但自己从不发推特的人、只在周末发推特的人、每周新关注至少10个用户的人等。
1704198483
1704198484
当时，推特面临的问题是用户留存。很多人注册但又离开了，同时，留下来的那少部分人成了比较活跃的用户。于是埃尔曼和团队开始按每月访问推特的天数对用户进行分组，然后他们对同一组用户第二个月访问的天数与第一个月的天数进行比较，他们惊讶地发现，一个月访问至少7次的人中有90%~100%会留存到下一个月，这个比例非常之高。
1704198485
1704198486
1704198487
1704198488
1704198489
图3–4 基于第一个月访问次数的留存率
1704198490
1704198491
之后他又将用户划分为三个群组：核心用户，即每个月至少访问7次的人；一般用户，即访问不是那么频繁的人；冷漠用户，即第一次访问之后便弃用的人。通过这一分组，团队发现20%的访客成了核心用户。于是团队进一步挖掘数据，进行了相关性分析，寻找一个群组的用户中存在哪些类似的、有别于其他群组的行为。对于每月访问至少7次的用户的分析显示，这些人一般关注的用户数在30左右，当然有一些人关注的人更多，但是30似乎是一个拐点，达到这个数字的人就会成为固定用户。
1704198492
1704198493
埃尔曼和团队并没有止步于此。他们知道，统计试验中有一句箴言：相关性并不意味着因果关系。他们本可以不再深究，在那个时候就开始推动用户关注量的增长，很可能这也会带来不错的结果。但是，如果人们想要关注很多人的简单愿望并不是促使用户产生黏性的深层次原因呢？于是团队继续深挖数据，很快就找到了另一组相关关系：用户活跃程度也与他们关注的30个人里有多少人关注他们有关。但出人意料的是，并不是说“回关”的人越多，用户黏性就越大。事实上，仅仅被自己关注的1/3的用户“回关”的人最有可能成为忠实用户。为什么？要想找到这个问题的答案，用户采访的重要性就显现出来了。通过给用户致电进行采访，团队得到的反馈是，如果自己关注的人中超过1/3的人“回关”，那么推特就跟其他社交网络没有什么区别了，产品的特殊价值就无从体现。如果不到1/3的人“回关”，那么推特似乎就更像一个新闻网站，而可供选择的其他新闻网站实在是数不胜数。只有达到1/3这个比例的时候，推特所具备的独特价值——让人们及时了解他们的圈子发生的新鲜事——才能清晰地展现在用户面前。
1704198494
1704198495
团队也通过采访了解到另外一个特别的用户群组的行为，这个群组就是“休眠用户”，即消失了一段时间之后又突然变得活跃的用户。团队通过给这些用户打电话了解到了真实的情况：这些人刚开始使用推特时，觉得它只是个发布信息的地方，特别是一些推广信息。他们对这些并不感兴趣，所以就弃用了。但是后来他们身边的人告诉他们自己在推特上关注了某个人，比如明星或者在他们的行业或者圈子里广受尊敬的人，这时他们才认识到推特的真正价值——网站提供了与他人建立联系并向他们学习的机会。结论很明确：关注别人的用户数和被关注的用户数是驱动增长的关键杠杆。他们利用这一发现进一步细化了向用户推荐关注账户的过程。19
1704198496
1704198497
推特的这个案例说明，确定增长等式和关键指标，同恰当的数据跟踪设置、数据采集和包含了客户反馈的报告一道，可以帮助团队明确并监测核心增长杠杆的变化，这是增长黑客过程走向成功的关键而有力的第一步。这时，你已经做好了展开增长攻势的准备。接下来，我们将为你分步骤具体介绍我们所总结的这一套增长过程，它包括：提出最值得测试的一组想法；以最为高效的方式开展试验；召开流程严密的增长会议；持续从试验结果中吸取经验教训并进一步巩固试验成果，以加快增长引擎的运转速度。
1704198498
1704198499
[1] 利基领域，指相对小众但有盈利基础的细分市场。——编者注
1704198500
1704198501
1704198502
1704198503
1704198504
增长黑客：如何低成本实现爆发式成长 [:1704197388]
1704198505
增长黑客：如何低成本实现爆发式成长 第四章 快节奏试验
1704198506
1704198507
2007年，美国得克萨斯州贝勒大学橄榄球队又一次在“大十二联盟”[1]南部分区橄榄球联赛中排名垫底。这支球队已经超过10年无缘碗赛[2]了。这时阿特·布莱尔斯接管了教练工作。很快，贝勒大学熊队在联赛中平均每场得分就升至64分，并且每年都入选碗赛，成为全美排名最靠前的球队之一。实现这一转变的关键就是快节奏的“无聚首进攻”[3]，这个战术令对手猝不及防、乱了阵脚。一个体育记者将贝勒队的这一打法称为“势不可当的战术”。贝勒队的进攻速度不仅大大挤压了对手的空间，也使队员在每一场球赛中学习到更多取胜的办法。
1704198508
1704198509
通过加快每一次进攻的速度并缩短两次进攻的间隔，贝勒队每场比赛的进攻次数比对手多出13次，比大学球队平均每场比赛的进攻次数高出20%。按照每赛季10场比赛计算，这13次累加起来相当于球队多打了整整两场比赛。1这就为球队创造了更多的学习机会，丰富了球队的实战经验，使他们懂得在不同情况下应如何实现最好的团队协作。
1704198510
1704198511
通过快速学习学到更多也是快节奏增长黑客过程的目标和一大优点。
1704198512
1704198513
增长最快的公司正是那些学习最快的公司。开展的试验越多，学习到的东西也就越多。道理就是这么简单。团队应该开展大量的试验，因为大多数试验都不会产生你想要的结果。有的试验会产生一些成功的迹象但是无法得出绝对的结论，这样的试验结果不足以证明可以在更大范围实施被测试的方法。有的试验会取得小幅的成功，但并不会带来实质性的变化。只有少之又少的试验会带来巨大的成功。也就是说，寻求试验的成功是一个以量取胜的游戏，每一次成功不论大小都很重要。
1704198514
1704198515
请记住，增长黑客的巨大成功往往来自一连串小成功的累加。一点一滴的认知学习都会带来更好的表现，催生出更好的试验想法，进而带来更多成功，最终将一次次小幅的改善转化为压倒性的竞争优势。
1704198516
1704198517
转化率优化专家佩普·拉哈在帮助网站或App将更多访客转化为客户方面享有很高的声誉，他在说明小成功的威力时喜欢提到一组数据：每个月5%的转化率改进会带来全年80%的提升，这就是成果自然累加的特点。如果你是通过搜索广告获取新访客，那么如此高的转化率提升几乎可以使你的广告成本减半。这一原则适用于公司业务的各个领域。事实上，留存率的小幅提升能够带来更大的影响。来自贝恩公司（Bain&Company）和哈佛商学院的一群研究者发现，5%的留存率提升会带来25%~95%的利润增加，因为留存率的小幅提升会因为客户使用时间延长而带来累加的收入增长。2
1704198518
1704198519
我们将在本章讨论如何开展快节奏试验以获得这种累加的成功。