感谢 GrowingIO 送来《首席增长官》一书。

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
G0DHxg

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

GgReQj
  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。

k60JT5

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。