第1章 首席增长官的崛起

首席增长官是以不断变化的顾客需求为核心，将市场、产品、运营和客户服务通过一体化战略的方式来推动公司增长的核心管理职位。

为什么会出现首席增长官

从卖方市场到买方市场的转变

第2章 从增长黑客到首席增长官

Sean Ellis认为增长黑客工作的核心就是测试！
增长黑客着眼于“产品该如何获取用户”等传统问题，并通过A/B测试、落地页、病毒营销、邮件营销等方式来解决。
增长黑客是市场营销、产品研发、数据分析三个角色的聚合。增长黑客的核心，是用最快的方法、最低的成本、最高效的手段获取大量的增长。

企业增长的周期

1、问题和解决方案匹配的时期：第1个阶段是发现用户面对的问题和解决方案的匹配期，我们应该关注于用户的痛点，进而探索解决方案。这个阶段我们应该要和用户进行深入的沟通，做很多用户访谈。
2、最小可行产品时期（MVP）：建造最小可行性产品原型，即利用最少的资源去开发出MVP产品，去验证我们的解决方案是否满足用户的需求。
3、产品和市场的匹配时期（PMF）：如何验证产品和市场之前达到契合呢？可以用两个指标来衡量：1、用户对产品是否有足够多的黏度和留存。2、如果停止用你的产品，用户是否会感到很不舒服。在这个阶段我们应该关注用户留存和NPS
4、渠道和产品匹配时期：这个阶段企业需要大量的资源投入，迅速复制和扩张现有的渠道。在这个阶段我们应该关注渠道营销的效率和性价比
5、成熟期：在这个阶段企业的复合增长率往往会下降，但是我们应该尽量去拓展新的未覆盖的渠道，或者通过并购来实现进一步的增长

第3章 增长框架

学习引擎模型（上图左侧部分）对应团队的业务执行，即如何将一个想法快速落地上线并且做大做强
1）计划（plan）：这一步的目的是阐明业务问题，目标，潜在资源，项目范围以及高层项目时间表。简单来说，确定目标以及完成目标的计划和相应的资源。
2）投入（invest）：根据用户行为来确定正确的渠道，制定资源的调配和短期目标。简单来说，就是确定最佳用户质量的目标渠道
3）衡量（measure）：这一步的目的是建立起客观的衡量体系来对增长进行定量考量，这是一个数据准备，收集，整理的步骤
4）分析（analyze）：这一步是数据分析的过程，在这个过程我们要问自己下面这些问题：
数据是否回到了你原始的问题？怎么回答？
你能很好的回答这些数据可能产生的任何异议吗？可能会有哪些不同的见解
你的结论是否存在你没有考虑的角度？
5）优化（optimize）：根据之前步骤的分析，我们可以得到优化产品的解决方案。这一步制定方案，上线测试，跟踪效果，以此来不断优化和迭代

用户增长模型（上图右侧部分）对应用户整个生命周期内的体验，即如何获取用户并提升他们的忠诚度和付费意愿。整体包括 获客，激活，留存，变现和推荐（AARRR模型，又称海盗法则）
1）获取用户：用从哪些渠道来？用户如何成为产品的使用者？
2）激活用户：新用户如何体验我们产品的价值？如何帮助他们上手体验
3）用户留存：用户为什么留下来？如何让用户留下来以及反复使用我们的产品
4）用户营收：我们的产品能否将留下来的用户变现
5）用户推荐：用户对产品是否满意？用户是否会把产品推荐给其他人

每个用户阶段的用户行为和数据都是可衡量的，所以我们要在不同阶段制定不同的数据指标来衡量用户的转化率。

正确的增长目标：北极星指标

北斗星指标：又叫唯一指标，它是产品的核心指标，和产品定位和原则一样指导着产品迭代方向。以下是制定北斗星指标的6个标准
标准1:你的产品核心价值是什么？这个指标是否可以让你的产品实现这种价值吗？
标准2:这个指标是否可以反映用户活跃程度？
标准3:如果这个指标好了，是否可以说明你的公司往好的方向发展
标准4:这个指标是否易于被团队成员所理解？ 易于理解
标准5:这个指标是一个先导指标还是滞后指标？ 一般要选择先导指标
标准6:这个指标是否是一个可操作指标？一般要选择你能通过优化来进行提供的指标

案例：泡面短视频APP，一个和明星演对手戏的短视频产品，它的1.0阶段北斗星指标是什么？我可能会把指标定为人均产生视频数和人均浏览视频数。
标准1：给创造者提供大量电影片段供其自由剪辑，创造出有趣的视频，并带来粉丝关注甚至收益；给浏览者提供了好玩有趣的视频，在无聊时刻看短视频打发时间缓解压力。这2个指标都可以反映产品的价值。
标准2:人均浏览视频数的增长说明用户使用时长增多，反应了用户活跃度
标准3:产生的视频越多，出现高质量的视频概率就越大，浏览者也就越多，最终反应在用户规模增大，公司也就越能进行流量变现
标准4：人均产生视频数和人均浏览视频数，即每个用户每天产生的视频数，和每个用户每天浏览的视频数，非常易于理解
标准5:两个指标都是先导指标
标准6:通过工具使用流程的优化以及运营话题的引导是可以提升这2个指标的
综上，人均产生视频数和人均浏览视频数就是这个阶段的北斗星指标。
案例链接：https://www.jianshu.com/p/ffe31e471a4d

用户数据源分类：用户数据、行为数据、业务数据

数据分析三大思路

1、数据分析的基本步骤

2、内外因素分解法

3、DOSS思路

数据分析的8种方法

1、数字和趋势：数据的宏观增长趋势，可以了解到业务的发展情况
2、维度分解：当趋势变化我们需要分析变化的原因的时候，我们会进行维度拆解。比如网站流量变大，我们会拆分访问来源，设备，渠道流量等味道来进行分析
3、用户分群：根据用户的行为和属性把用户划分为不同的群体就是用户分群。不同的用户群都会有不同的行为。比如一个活跃的用户平均每天会观看5个视频，而轻度用户却是1个视频。当掌握了这种规律后，我们的增长目标可以被量化，最终目的就是把轻度用户变为活跃用户。
4、转化漏斗：每一个产品都有希望完成的任务，而每一个任务就是一个转化漏斗。我们需要知道从开始到结尾整体转化率是多少，每一步转化率是多少，哪一步流失最多以及原因是什么，还有流失的用户有什么特征。比如，拍摄工具类产品的注册流程以及拍摄流程。
5、行为轨迹：数据分析是定量分析，但不能知道用户到底是如何使用我们的产品的。所以了解用户的行为就很重要。比如一个新用户进入app，浏览了一些视频，进行了点赞和关注等行为。
6、留存分析：留住一个老用户的产品远远小于拉进一个新用户，所以留存分析至关重要。任何使用产品的用户他们的留存必然和他们的行为有关。就比如linkedIn发现用户添加了5个以上联系人后留存会非常高，所以linkedIn的增长团队把目标放在如何让新用户添加5个以上联系人。5就是linkedIn这个阶段的魔法数字，找到它，然后完成这个目标。
7、A/B 测试：A／B 测试用来分析不同的产品设计和算法对结果的影响。
8、数学建模：通过数据建模，我们可以知道用户有哪些行为会导致哪些结果

第4章 用户增长模型

1、获取用户

受众：受众指的是人群中最有可能对你产品或者服务感兴趣的人。那么如何定位受众呢？首先要明确产品的定位，思考自己的产品解决什么问题以及为谁解决。我们要清晰的构建出用户画像。其次，借鉴同行，任何产品要么比同行做的更好，要么解决未被满足的市场需求。

用户旅途：是指用户从首次接触直至下单以及享受产品和服务期间，用户与企业产品或者平台互动的全过程。简单来说就是用户从下载安装到使用的全过程。
网站端和APP端用户旅途有所差异。
网站端用户旅途：站外渠道-落地页-用户激活-完成转化。
APP端用户旅途：站外渠道-应用商店-下载应用-打开APP-用户激活-完成转化。

用户旅途的六大核心接触点：

1、站外渠道：建立渠道分析意识，找出最适合我们产品的推广渠道。
2、展示创意：我们需要在不同渠道提供不同的创意来吸引用户点击，衡量创意好坏的指标是CTR（创意点击率）=创意点击量／展示量，一个好的创意首先要吸引用户来点击
3、抓取或投放URL：当用户通过创意进入我们的落地页后，我们需要追逐落地页的不同效果。所以我们要建立不同的追踪URL以便我们跟踪不同渠道不同创意的效果。
4、落地页：落地页是用户通过推广到达的第一个页面，所以落地页的好坏直接影响了用户的转化。有2个因素可决定落地页的好坏，一是落地页的质量，二是落地页和用户的匹配度。
5、辅助转化内容以及CTA：这里说的就是落地页上的内容，落地页上的内容要满足进来用户的需求，提供产品的亮点吸引用户，其次要有引导用户行动的按钮和入口，我们叫做CTA，比如注册按钮和下载按钮。我们用停留时长／访问深度／激活用户比来衡量辅助转化内容的效果。
6、产品（转化流）：当用户进入产品后，我们需要尽可能降低用户的流失率。所以，分析产品中的各种路径，计算出每一步的转化率，然后优化产品。

2、激活用户

激活是指用户发现产品价值，并重复使用产品动力的过程。
找到“惊喜时刻”，“惊喜时刻”是用户发现产品价值感觉到惊喜的时刻。我们可以分3个步骤找到我们的“惊喜时刻”。第一步，找到产品的核心功能，第二步，在核心功能中，用户做了什么样的事促使他们留下来。通过数据分析，找到用户做过哪些行为后的留存率较高，找出和留存相关的行为。第三步，在上面的功能中，哪些可以低成本，快速体验产品的价值

不同产品的aha时刻不同，LinkedIn是用户一周内添加5个社交关系，Facebook是10天内添加7个好友

3、用户留存

提升留存的两大思路：1、改变产品或技术 2、通过运营进行人工干预
主要能做的点：流失用户分析、产品迭代探索、寻找魔法数字（从而为之努力）、功能留存分析

4、用户营收

互联网两种基本盈利模式：用户付费和广告收入
用户付费以转化为核心，广告收入以黏性为核心。

5、用户推荐

是利用现有用户的社交影响力进行新用户获取的一种方式。用户推荐营销要做的，就是在关键的时刻，通过渠道、产品和数据衡量来放大这种效应。
衡量推荐的两大指标：K因子和NPS分值。

K因子也被称为病毒系数，用来衡量推荐的效用，即一个发起邀请推荐的用户，平均可以带来多少个用户。
NPS分值，即净推荐值。在不能直接通过推荐和转化的数据来衡量的情况中，NPS是一个较为常用的评估数据。NPS的收集方式是发放问卷，在问卷中问用户有多大可能向他人推荐这个产品，一般来说可能性的分值是从0-10分。其中给出0-6分的为不推荐者，给出7-8分的不纳入NPS计算范围，给出9-10分的是推荐者。
NPS分值=[(推荐用户数-不推荐用户数)/返回分数的用户]×100。
通常认为30分算是不错，50分算是很好，而超过70分就算是优异了。

第5章 各岗位的数据驱动增长实战

略

第6章 不同行业的数据驱动增长实战

略