如何用数据驱动增长——《首席增长官》

首席增长官

读完本文约 4 分钟

互联网用户增长速度放缓导致人口红利衰减、流量红利萎缩,企业也从粗犷的运营方式改变为精细化运营。而数据,则是驱动精细化运营的关键。正像彼得德鲁克多所说:如果你不能衡量,就无法增长(If you can't measure it, you can't improve it)。

如何做到数据驱动运营、数据驱动增长,《首席增长官》这本书给了一套系统化指南。书的作者张溪梦(Simon),GrowingIO 创始人,有着丰富的数据分析经验,亲手建立 LinkedIn 将近百人商业分析和数据科学团队,支撑了 LinkedIn 公司所有与营收相关业务的高速增长。

《首席增长官》主要包括「道——增长的价值认知」、「术——增长的方法论」和「器——增长工具的运用」三方面,涵盖了增长基础知识、增长团队建设和增长实践,算是比较全的增长知识体系了。美中不足的是书中有些知识点略微概括,没有详细展开描写,无法「尽兴」。下面是我的笔记:

首席增长官的职责

  1. 建立以客户为中心的高效业务增长体系
  2. 建立增长团队,打破部门间的隔阂,优化内部资源
  3. 管理公司的新产品策略以及研发,特别是产品创新以及相关投资并购

首席增长官的职责

增长团队的组建和分工

增长团队组建思考

  1. 产品:产品有没有通过核心价值测试(产品和市场匹配,Product/Market Fit,PMF)?
  2. 文化:能否得到高层的理解和支持?
  3. 资源:能不能拿到需要资源和工具?比如工程师、设计师资源。
  4. 流程:有没有设计好增长团队的工作流程和增长思路?
  5. 人员:能否从内部组建一个跨部门的团队,该如何架构这个团队?
  6. 突破点:有没有想好最初 90 天的聚焦领域?

增长团队的人员分工

  1. 产品经理负责产品内激活、留存和传播机制的开发和改进。
  2. 营销经理通过搜索引擎、社交、邮件等各种可量化的渠道获取和留存用户。
  3. 工程师、设计师、产品、营销经理紧密合作来设计和上线各种实验。
  4. 数据分析师负责提供各种用户行为数据,分析实验结果,为增长寻找灵感。
  5. 增长团队的负责人需要最终对用户增长的指标负责。

增长团队的工作流程

从增长指标开始找到小的聚焦领域,产生想法、上线试验、分析数据、应用结果,这几步不断循环,直到关注的指标有一定改善。

增长团队需要关注的指标从大到小依次是公司的「北极星指标」、「聚焦领域 KPI」、「试验结果指标」、「试验数量」。这四个是衡量增长团队比较重要的指标。其中,试验结果指标要具体到每个试验,最终的结果是更好还是更坏。很重要的一点是,增长团队每周需要选择固定时间,整个团队(包括管理层)一起讨论试验的结果和心得,从而明确下一步的重点。

企业增长周期

  1. 问题和解决方案匹配时期:发现问题并给出解决方案
  2. 最小可行性产品时期:用最小成本去试验产品
  3. 产品和市场匹配时期:衡量契合,用户有足够的黏度、留存
  4. 渠道和产品匹配时期:大量资源投入,迅速复制和扩张有效的渠道
  5. 成熟期:继续测试发展并扩大购买力和未覆盖新用户的渠道,以及并购

增长框架

增长框架

  1. 学习引擎模型(PIMAO):计划(Plan)、投入(Invest)、衡量(Measure)、分析(Analyze)和优化(Optimize)
  2. 用户增长模型(AARRR):获客(Acquisition)、激活(Activation)、留存(Retention)、营收(Revenue)和推荐(Referral)

增长目标:北极星指标

北极星指标(North Star Metric),又叫做唯一重要的指标(One Metric That Matters, OMTM)。之所以叫北极星指标,是因为这个指标一旦确立,就像北极星一样指引全公司上上下下向着同一个方向迈进。

北极星指标的重要性

  1. 明确指标指引,集中火力抓重点
  2. 共同的目标可以把团队调整到同一个方向上,并明确任务优先级
  3. 设定目标,针对性上线各种项目和试验,提高行动力

制定北极星指标的标准

  1. 产品的核心价值是什么?这个指标可以让你知道你的用户体验实现了这种价值吗?
  2. 这个指标能够反映用户的活跃程度吗?
  3. 如果这个指标变好了,是不是能说明你的整个公司是在向好的方向发展?
  4. 这个指标是不是很容易被你的整个团队理解和交流?
  5. 这个指标是一个先导指标,还是一个滞后指标?
  6. 这个指标是不是一个可操作的指标?

注:寻找北极星指标的过程不是一蹴而就,可能需要多次尝试和改版。

数据分析的八种方法

  1. 数字和趋势
  2. 维度分解
  3. 用户分群
  4. 转化漏斗
  5. 行为轨迹
  6. 留存分析
  7. A/B 测试
  8. 数学建模

数据驱动增长实战

市场营销:渠道、流量、转化

  1. 优化获客渠道
  2. 监测投放链接
  3. 优化落地页面

产品研发:数据驱动产品优化和迭代

  1. 产品想法和验证
  2. 产品功能评估标准
  3. 数据埋点和验证
  4. 产品实验和分析
  5. 指标观测和学习

运营:用数据分析做运营增长

  1. 流量运营:流量概览指标体系、多维度的流量分析、转化漏斗分析
  2. 用户运营:精细化运营、提高用户留存

产品运营:用数据分析和监控功能

  1. 监测异常指标,发现用户对你产品的「怒点」
  2. 通过留存曲线检验新功能的效果

内容运营:精准分析每一篇文章

  1. 基于内容的推荐
  2. 基于用户的推荐

数据分析师:用数据驱动增长

一个完整的企业数据体系涉及到多个环节:采集、清洗、转化、存储、可视化、分析、决策。这是一个长链条的决策流程,不同环节工作内容不同,消耗的时间和产生的价值也相差甚远。

数据分析师价值金字塔

一个优秀的数据分析师应该以价值为导向,首先是善于通过自动化、工具化方案缩短金字塔下部的时间投入,同时紧密结合产品、运营、销售、客户支持等实践,支持各业务线发现问题、解决问题,直接辅助商业价值的产生和增长。

三种数据人才

  1. 数据工程:后端工程师、大数据工程师
  2. 数据分析:数据分析师、商业分析师
  3. 数据建模:数据科学家、建模工程师

两种组织架构

  1. 注入式:每个业务部门都有自己的数据分析师团队。优势是业务团队对数据人才的需求相对灵活,也更贴近实际的业务场景;劣势是相互独立,可能做同样的事但又相互不知晓。
  2. 集中式:数据分析部门是统一的组织架构,团队组成、招聘由分析团队主导;根据各部门需求,分配到具体业务组支持工作。优势是可以统一调配资源,确保大家不做重复工作,同时潜在可能产出跨部门的解决方案;劣势是日常工作的优先级往往由分析部门和业务方联合制定,分析师相对于业务的理解会受到影响。

五种基础技能

  1. 数据技术
  2. 可视化
  3. 统计基础
  4. 建模能力
  5. 业务思维

四种增长思维

  1. 全局观
  2. 专业度
  3. 想象力
  4. 信任度

作为 GrowingIO 创始人和书的作者,书中难免在介绍方法论时引入自家产品,虽有广告之嫌但也无可厚非,介意者可选择性阅读。总之,推荐阅读。本书适合阅读人群:企业管理者、市场人员、运营人员、产品经理、数据分析师、工程师。尤其是企业管理者,增长团队没有公司高层管理者的支持,很难进行。

本文开头也有提到,书中有些知识点没有详细展开,配合《精益数据分析》和《精益创业》两本书同时读,效果会更好。刚好这两本书我之前也写过笔记,有兴趣的可以点击下面链接浏览:

相关阅读:

彩蛋

GrowingIO数据分析电子书

关注微信公众号「产品与书」,回复「GrowingIO」,送你四本 GrowingIO 出品的四本数据分析书籍:《增长黑客手册》、《数据运营手册》、《产品经理数据分析手册》、《渠道流量分析手册》

评论