数据驱动的Growth Hacking实战——上篇

摘要:近两年,精益创业、Growth Hacking这些概念和方法论在国内越来越普及,而大多数人却只停留在从流量的角度去理解Growth Hacking,比如利用一些传播手段来获取大量的新增用户,这确实很好,但Growth Hacking远远不止这些。就像我们只看到了Facebook的病毒式传播,却没有看到他们为用户的激活和长期留存所做的大量努力,而后者也是Growth Hacking的一部分,而且是更为重要的一部分。

所以,我们应该站在用户整个生命周期的角度去理解Growth Hacking,只有大量的新增,却没有有效的核心行为转化和良好的留存,就无法实现真正的增长。

如果有机会深入观察用户的行为,你会发现只有少量的访客了最终成为了产品的忠实用户, 更多的只是过客。 – 《精益数据分析

要实践真正的Growth Hacking,必须以有效的数据作为支撑,以数据驱动的方式去对产品的各个部分进行实验、调优,以达到真正的用户增长。所幸,McClure早在2007年就提出一个有效的数据模型,它在这些年彻底改变了众多企业看待数据的方式,并帮助大量的产品实现了用户增长。

它就是AARRR 模型(也称海盗指标):

数据驱动的Growth Hacking实战——上篇

AARRR 模型引领人们从虚荣指标(有多少人看过我的页面、我的累计用户达到了多少)到思考整个用户的生命周期,提供了一个最有效的分解用户生命周期的方式,并告诉我们各个部分如何改善。

一旦你深入到了用户生命周期各个部分的细节中去,你就能像一个黑客一样去设定你的增长策略,以达到真正的Growth。

说到AARRR 模型,其实也存在大量错误的理解 ,在模型的每一部分,都有一些被经常使用的「虚荣指标」,这些虚荣指标掩饰了你产品中紧迫的问题,提供了一些夸张的、没有意义的数据,这通常会将你带入歧途,而很多人却天真的以为这就是所谓的数据驱动。好在,在这些「虚荣指标」之外,同时也存在一些「可行动指标」,而这些指标可以向你展示现在有什么问题以及为什么,并告诉你可以做些什么以改进你的产品。

使用「可行动指标」的时候,需要外科手术般的精度,而「虚荣指标」用起来就简单了,它们是为懒汉准备的。你选择使用哪一种,决定了你将成为一个高手还是一个弱鸡。

OK,就让我们逐个部分的来搞清楚究竟是什么是虚荣指标,什么是可行动指标,以及如何通过可行动指标来帮助你践行Growth Hacking吧。

获取对比不同渠道的价值

比如你已经推出了你的app并准备作一些推广,然后你花钱在两个不同的渠道上做了推广活动,你还去研究如何提高在AppStore的排名,还找人撰写软文发到媒体上为你的应用引流,你所做的这一切是为了什么

下载量。当然,越多的人下载你的应用,下载量就会变得越好。可问题是,「下载量」是最靠不住的虚荣指标指标之一,下载应用是一个超级低成本的事情。一味的推广并不能支撑你的成功,不像删除一个应用那么简单。

当你看获取指标的时候,你需要关注哪个渠道给你提供了最好的投资回报 。如果你只关注下载量,你可能看到类似于下面的一张图,它貌似说明了你推广的成功:

数据驱动的Growth Hacking实战——上篇

但在这张图中,无论如何你都无法得知:下载你应用的那些用户到底有没有去使用你产品。

有一些人会去对比不同渠道的下载量,觉得这就是可执行指标。但这同样没有用,即使你发现一个渠道得到了2倍于另一个渠道的下载量,你还是无法知道那些额外的用户实际是怎么使用你的产品的。

若要改进你的获取指标,除了对比渠道,你还要关注那些真正使用了你产品的用户。

可执行指标:不同渠道从下载到注册的转化率

如果你从用户打开你的产品到完成注册都进行了跟踪,那么可以把这些跟踪结果按渠道拆分,你就会精确的知道你的推广怎么样。任何人都可以下载一个应用,但只有一部分用户是真正感兴趣,并进行了注册,这些用户才你是想密切关注的。

要这样做,只需设置一个从启动应用到注册的两步漏斗,然后对比不同渠道的转化率:

数据驱动的Growth Hacking实战——上篇

你可以看出一个问题,从A 渠道来的75%的用户和从 B 渠道来的63%的用户只是下载了你的应用,但并没有注册。

这包含一个坏消息,也包含一个好消息。

如果你只是跟踪了下载或者打开应用,你可能会看到仅一个月的A 渠道推广,就得到了超过90,000的用户。这是一个非常大的数字,但事实上它会引起人的误解。所以坏消息是:绝大多数用户连试都没试你的应用,75%的投入打水漂了。

而好消息是:在B 渠道,有一个值得关注的更好的结果:这个渠道有更多的用户完成了从下载到注册的转化。

现在你有工作要做了(所谓可执行指标,就是能告诉你可以做点什么):

快速频繁迭代你的启动页与注册流程以提升整体注册转化率。这没有固定的成功公式,就像一句话说的:「做大量的测试和 A/B 测试,做大量的猜测并快速的迭代」。

持续不断的检查你的转化率,当你发现迭代优化的收益变小的时候,就先暂停一下。

加倍投入那些低成本、高转化率的渠道。

这并不意味着你要完全放弃那些低质量的渠道,因为广告也有收益递减:你花费20,000也可能得不到与之前花费5,000相同的结果。但只要保持对转化率的关注,你就可以把产品推进到正确的方向上,不用过多的担心。

把尽可能多的用户带到你真正的产品里面,这就是在AARRR 模块中的获取部分你要做的所有努力。没错,登录和注册的提升并不能完全表示你的产品会变得更好,但是它们仍然是一个非常重要的市场指标。正确的使用,它们可以让你引领尽可能多的用户进入激活阶段。

激活为了更快的Aha!Moment而改进你的漏斗

下面的话你可能经常听到:

  1. 「我们服务过数百万的客户」
  2. 「我们的用户之间发送了数亿条消息」
  3. 「我们处理了1亿张照片」

这样的指标,都是累计的价值,它确实能在某种程度上反映产品现在的规模,也可能会让人们相信你产品的能力。但对你自己来说,这些数字稍微看看就是了,它对你理解真正的问题毫无用处。

那些在你的产品上花的时间比平均用户多的多的小部分用户,会把你的累计或整体数据拉得相当高,「处理了1亿张照片」,是的,但那些大量的、压根就没有上传过照片的用户呢换言之,那些大量的、根本就没有激活的用户呢

我们来明确一下,打开应用不是激活,注册也不是激活,这些都只能代表用户在尝试你的产品,而只有当用户在发现并认可了产品的价值,并决定继续使用的时候,才代表这个用户激活了(Aha! 这玩意儿不错,正是我想要的)。

所以真正重要的是,那些大量未激活用户的问题是什么换言之他们的问题才是你的机会,如果你自己也只是关注那些巨大的虚荣数字的时候,你不会接近这些问题和机会。

你需要明白是:

  1. 有多少用户没有正确的激活
  2. 用户在哪些地方迷路了
  3. 哪些流程是你需要去改善的

可执行指标:转化漏斗和拆分测试

从注册到激活的过程像是一次冒险,用户会在其中流失掉,而且他们可能永远不会再回来了。解决激活问题的最好的方式是创建一个包含这个过程中每一个步骤的漏斗,跟踪每一步转化率,然后当你看到用户在哪个地方流失的时候进一步的深入进去。

我们假设你创建了一个社区应用,里面有不同的兴趣小组,在小组中可以对相关的主题进行交流。你发现,一旦用户开始参与交流,他们就基本认可了产品的价值,趋向于留下来。但是,你也发现有一些人明显没有触达这个点(参与交流),而且他们流失掉了。

要理解为什么用户没有激活以及如何修复这个问题,只需创建一个漏斗,把漏斗的转化时间调至一天(特别是移动应用,你最好能让你的用户尽可能快的激活,是以小时以天计,而不是几周几月)。

在这个漏斗中,你将跟踪用户从注册之后,是如何一步步到达「评论话题」(参与交流)的:

数据驱动的Growth Hacking实战——上篇

在漏斗中,两个现象已经很明显了:

  1. 80%的用户没有加入任何一个小组
  2. 绝大多数加入小组的用户,都会评论话题,他们激活了

一旦用户加入了一个小组,大多数情况下就会发表至少一个评论并有一个不错的长期留存,问题是有相当多的用户根本就没有加入小组。在你看到这个漏斗之前你很难发现这个问题,当你开心看着评论话题的总量时,你没有看到那80%的用户根本都没有到达这个点。

好的一面是,这也向你提供了一个巨大的机会,80%的用户在从注册到加入一个小组的过程中流失掉了,你有一个巨大的空间去提高这个数字 。而且从你知道加入一个小组关系到用户的留存和满意度后,你就有了一个基本清晰的、数据驱动的途径去把你的产品真正的做的更好。显然这种方式比虚荣指标更有价值,而且可能会让你感觉更好。

要解决这个问题,为你从注册到加入小组的流程和体验多构建几个新的版本,然后分离测试它们以观察它们是如何工作的。不要担心把事件变得更复杂,如果它可以帮助新用户触达你的产品核心价值。Twitter这样做过,他们发现促使用户完成他们的Profile并且根据账号提供个性化的内容,能引导用户触达Aha!moment。

拆分测试你不同的想法,不断的做,直到你拥有一个坚如磐石的引导流程,能让用户以闪电般的速度触达Aha!moment。

不久,你的情况就会变得越来越好,你会开始感到兴奋,一切都是让人惊喜的,直到你想起来一个词:流失。

留存使用用户分群来识别留住用户的Feature

用户流失是产品的头号公敌,如果没有强大的激活和留存,用户流失会削减你的用户规模,而且从长远来看,它会逐渐毁掉你的产品。

最流行的衡量留存的方法是 DAU和MAU——日活跃用户数和月活跃用户数,衡量每天或每月有多少用户在你的应用上活跃。这听起来是 OK 的。但是,它存在一些问题:

这太容易夸大这些数字的意义,定义「活跃」是一件很难的事情,而企业通常会选择让他们 DAU 最大化的定义。

如果你的业务正在增长,新用户注册量会扭曲这些数字,从而妨碍你看到这些用户实际上有多少回来了。

即使前两个问题不存在,「活跃用户」的最简单的定义也不能让你找到识别提高留存方法的点在哪里。

比如你做了一个视频分享平台,近期通过各种手段做了大肆宣传,你的DAU会突然爆炸式的增长:

数据驱动的Growth Hacking实战——上篇

看起来非常棒不是吗但接下来我们看一下,把实际拍过视频的人数加进来会发生什么:

数据驱动的Growth Hacking实战——上篇
数据驱动的Growth Hacking实战——上篇

当暴涨的下载量似乎证明你已经成功了,但你的播放视频人数会告诉你一个不同的故事。当你的下载量仍然在逐步增加,你的实际播放视频的人数反而在增少。一方面你成功了:用户在下载你的应用,另一方面你也有明确的证据表明有些事情正在变得非常糟糕。如果没有干预,你将会在这里结束:

可执行指标:用户分群分析

要真正在你的应用中构建良好的用户留存,你需要分析你的用户行为。

一些用户被你的应用吸引而且频繁的使用你的应用;而另一些用户下载之后根本看不到价值,然后把它删掉。为了获得更多的前者,而非后者,你需要从你的超级用户(比其它用户更多更频繁的使用你的产品)中学习。

问题来了,是什么东西粘住了用户这不能用直觉来回答。Facebook和Linkedin不用直觉去创造用户粘性,而是用严谨的分析和实验。

数据驱动的Growth Hacking实战——上篇

这里可能是你开始看留存图的样子–在某一天注册了一批用户,然后有多少在后续一个月的每一天中回访了:

数据驱动的Growth Hacking实战——上篇

这是7日的留存:

数据驱动的Growth Hacking实战——上篇

然后这是只看1日后的留存(次日留存)

你会发现这个例子中的次日留存把问题反映的最明显:有大概一半多一点的用户在初次使用你的应用后就不再回来了。在你开始担心30天或90天留存这些东西之前,你需要先弄清楚怎么能让用户在第二天回来。

这同样没有固定的成功公式,你必须通过「用户分群」来针对不同的可能性做实验。在我们这个例子中,你将会看到,当你对比「所有新增用户」与「关注过一个人的用户」的次日留存时会发现什么:

数据驱动的Growth Hacking实战——上篇

次日留存有了30%多的跳跃,非常棒是吗但是如果这些用户都是在第2天、第3天才开始流失呢

有一件关于移动应用的事实:用户会非常快的流失,实际上平均下来,移动应用70%的用户会在一天后流失,但那些非常优秀的应用的这个值只有30%。但是,在安装应用后的第3天开始,再往后,流失速率会趋于稳定:所有应用会以同样的流失速率失去他们的用户。

所以问题的关键就在你如何在用户安装之后立刻留住用户,如果你能在一开始粘住他们,你基本就能保留他们一段时间。

这是我们例子中「所有用户」与「关注过一个人的用户」在7天里的留存情况对比:

数据驱动的Growth Hacking实战——上篇

在30天后,「关注过一个人的用户」的留存率是17.5%,「所有用户」的是10.9%。这可能看起来不是那么显著,但在长期留存上,即便是一个小凸起,对你来说也是意义重大。

更为重要的是,你已经识别出了一个提高留存的因素,现在你可以寻找更多。一个可行的方法是,你现在可以把「关注一个人」不是「注册」设为起点。也就是说,你之前分析的是「注册」之后的留存情况,而下一步,你可以分析「关注一个人」之后的留存情况。这就是在你重新设计了引导流程以促进用户关注他人之后,接下来你应该努力提升什么。

然后,你可以看到其它因素是怎样促进留存的,比如,你可以比较「播放了三个视频的用户」与「全部用户」,比较两个用户群在「关注了一个人」后的留存情况。

数据驱动的Growth Hacking实战——上篇

当你搞清楚了哪些行为导致你的用户继续回来使用你的产品之后,你就需要把这些行为的用户体验放在首位。在早期粘住你的用户,他们就会很难离开你的产品。

正确的使用 AARRR 模型,并不是换了一组更好的数字,而是完全不同的数字。这些数字向你展示着人们如何使用你的产品,是什么让他们离开,是什么让他们离下来,是什么让他们大呼过瘾。

换句话说,有什么不是数字呢。

本文为专栏文章,来自:诸葛IO,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/11418.html 。

(0)
上一篇 2016-03-22 22:47
下一篇 2016-03-23 22:16

相关文章

关注我们
关注我们
分享本页
返回顶部