本文目录一览：
增长黑客的意思是什么？
随着时代的发展， *** 的黑客越来越多。他们入侵用扫描器到处扫描，用IP炸弹轰炸人，漫无目的地入侵和摧毁。它们不利于计算机技术的发展，却有害于 *** 安全和 *** 瘫痪，给人们带来巨大的经济和精神损失。黑客通常是指对计算机科学、编程和设计有很高了解的人。
对于黑客来说，学习如何编程是很必要的。计算机是为编程而设计的。运行程序是计算机的唯一功能。数学也是不可缺少的，运行程序其实就是运算，离散数学，线性代数，微积分等等！成长黑客是指创业团队在数据分析的基础上，利用产品或技术手段获得自发成长的操作手段。随着互联网时代的到来，各行各业逐渐发现了广告资源浪费、转化率低的弊端，我们也找到了新的玩转流量的方式。
有运营和成长部门，他们善于发现数据背后的机会，调整策略，并对创新、激活和保留负责。成长黑客本身是一个产品管理的理论框架，而不是一个实践框架。除了一个完美的成长团队，它还需要产品作为内容，工具作为执行手段。成长黑客这个词在高科技领域已经很流行。花你所有的钱去获得尽可能多的用户和收入。重复上述步骤a、B和C，直到你的公司被另一家公司收购或首次公开募股。
它更适合那些有一定商业成功的产品团队。对于初创企业或冷启动产品，成长黑客不是更佳选择。创始人和员工将建立一个真正的公司，而不是稀释他们的持股比例，这对投资者是有利的，他们也不会受到无法提供长期破坏性业务和短期业绩的投资者的持续压力。许多公司在创造产品和获得早期客户时，需要找到投资者来保留债务，但每一家值得尝试的公司都应该在某个时候赚钱。
产品笔记 | AARRR漏斗模型
最近在看《增长黑客实战》，给自己的产品增长带来非常多灵感，不过一些还没有经过验证，还处于纸上谈兵的阶段。之前也学习了具体的拉新与留存，但是毕竟没有整体的观念，不知道什么时候做什么事情，什么事情的优先级更高。
AARRR漏斗模型，又称海盗模型，是一套从获客到客户维护的整体模型，它贯穿着用户生命周期的始终，通过学习这个模型，能更好的判断用户处于什么阶段，采用什么策略。
从上到下依次分为5个阶段：用户获取（Acquisition）、用户激活（Activation）、用户留存（Retention）、获取收益（Revenue）、分享传播（Referral）。
当用户触达到产品后，遵循什么样的规律走完生命周期，取决于每个阶段我们怎样设计，我们希望用户怎样进行。将模型每个阶段展开来讲：
用户获取是永恒的话题，他分为新用户进入，与老用户裂变推广。不管怎样，只要有源源不断的客流进入，就是好兆头。
（1）拉新
指用户还未进入产品，怎样吸引用户进入呢？在 用户拉新策略 中，我也学习了一些详细的操作。
（2）老用户裂变
这一点与第5点分享传播类似，放到后面去讲。
上一步讲了怎样将用户吸引到产品中来，那么吸引进来后，如何成功成为产品的用户呢？
在互联网古早时代，注册是一件很麻烦的事，需要填写用户名，密码，乃至生日，地址，兴趣爱好等信息。随着市场的丰富度提升，许多竞品的出现，为了快速抢占新用户，注册流程越来越简化。
从填写账号名+手机号+密码，到填写手机号/邮箱+密码，后来只需要输入手机号+验证码，再后来应用已经可以直接读取到上网的手机号，用户只需要输入验证码就可以快速注册成功！现在甚至连验证码都不需要输，直接使用三方关联账号登录，点一下微信授权即可登录。
现在同质化的产品非常多，想要用户快速转化，首先要把核心功能展示给用户。产品上有一个经常用到的词叫aha时刻，用户在首次使用产品时，不禁对产品发出的赞叹！那么要让用户感受到产品的核心功能，首先是要提供给用户使用。
我们可以设计新手体验让用户快速get产品核心功能，也完成了新手教学。
如很多电商品牌，在新用户进入后，会给予非常优惠的价格出售一些商品，完成搜索——选购——下单——付款——收货——评价，这个完整的过程。
又如一些问答平台，在新用户进入后会激励用户发布自己的之一个问题，或者之一个回答。产品怎样引导，用户的之一印象就是怎样，所以千万不要浪费这大好的时机，向用户展示核心功能的时机。
个性化推荐其实基于许多的用户数据，我们通过用户行为分析出的用户标签，再通过用户标签给用户进行个性推荐。但是新用户来的时候往往没有用户数据，那怎样对新用户进行个性化推荐呢？比如电商平台，刚注册的新用户，推荐什么给他？
（1）用户画像
通过最初对用户的画像，确定这一类的用户需要什么样的东西，在用户新进来时推荐相应的商品以此促进转化。
（2）友商数据
这个比如某输入法已经在做了。
作为用户，我非常讨厌这样的行为，相当于监视我的生活。可恶！！！但是我又是个产品经理[哭哭]
（3）好友数据
建立了社交 *** 的用户，会有一些相似的标签，这些相似的标签就可以帮助产品形成推荐的内容。比如，我和室友最近在讨论某一部电视剧，他在某乎上搜索过相关问题，这些问题很快就会出现在我的*乎上，即便我根本不关心这个电视剧。[摊手]
这样的推荐还见于广告，有时候产品是想通过广告吸引你，有时候是希望通过你的嘴把广告传播给你的社交圈。如，我有一个朋友搜索过相亲的内容，我在浏览网页的时候，相亲网站的广告就赫然出现。
（4）热门推荐
什么数据都不能用的时候，还有一招，推荐现有的热门产品给新用户，至少比漫无目的的随机推送可信度更高。
这个方式真是个万金油，在拉新的时候可以用，在转化、留存的时候都可以用。
简单来说就是送一部分优惠给用户，让他尽快下单！
比如首月会员优惠价，打折券，免费领取等活动。
上一步中已经将用户激活，感受到了产品的核心功能，如果是目标用户，怎样将目标用户留下来，持续不断地使用我们的产品呢？
在 用户留存策略 中我也详细地列出了一些方式。
商业的本质就是逐利。
（1）被动看广告
常见于视频平台使用的 *** ，在视频播放前，播放时，插入广告。
（2）主动看广告
或者可以通过看广告获得一些权益，比如看广告获得积分，看广告获得会员体验等。
现在很多的平台服务都是 *** 的，但是要使用更高级的功能，就需要付费。
如游戏，许多游戏本身都不收费，但是如果要买道具，就需要额外付费。
如*网盘，有一定免费的储存，当需要扩容，就要另外付费购买内存。
在许多知识平台都会使用内容付费，他们通常会提供一些免费的内容，或者将付费内容的一部分展示出来，以此来吸引用户付费。
给犹豫不决的用户试用的机会，让他们体会到特权的好处，更好形成习惯，试用到期后续订的几率增大。
基于社交关系的病毒传播让推广成本降低，并且用户量能够疯狂上涨。老用户的分享传播，一般有两种动机，一种是主动分享，一种是被动分享。
（1）炫耀
由于用户的炫耀欲，而进行的主动分享。
如近些年的年度账单，当用户开启年度账单后，会向朋友展示自己一年花了多少钱，这无形就为账单活动起到了宣传作用。
还有一些相机产品，比较火爆的活动是【军装照】【前世今生】【儿童照】依托各个节日，为每个用户生成自己的照片，用户对自己的“艺术照”进行分享。
（2）推荐
用户真心的喜欢，是主动分享的更大动力。
被动即是由平台促成的，常见形式是【奖励】，在使用奖励的时候，需要注意控制成本，还有形式，近些年的电商活动越来越复杂了，令人眼花缭乱，我怀疑用户有没有看懂规则。
在这方面，拼**可谓是玩出了花样，砍价，拼团，奖励金。当身边恰巧有人因此获利的时候，你也会深陷其中相信自己可以获得，特别是100的奖励金，只差几毛的时候，动力非常足。
我们容易将这个模型认为是5个指标，其实不然，每个方面都有自己的指标，他代表着每个阶段可以量化的指标。指标较多，这里列出一些关键的，具体的指标还是要按照自己的业务来定。
由福布斯杂志评出的十位杰出营销家之一、 *** 畅销书作者尼尔 · 帕特尔（Neil Patel）提出的，由AARRR简化而来的。
获取访客（Get Visitors）
激活成员（Activate Members）
留存用户（Retain Users）
之所以这样简化，是因为他认为原本的体系中传播推荐（Referral）是属于获取用户的方式，增加收入（Revenue）是属于激发活跃的另一种方式。
而用户身份的转化就能体现出我们的流量正处于哪个阶段，他通过界定访客（Visitors）、成员（Members）、用户（Users）给人定出了三个阶段。
这就是简化后的三级漏斗。
相反，有人进行减法，也有人进行加法。有人提出，在获取用户（Acquisition）前应该加入以用户感知（Awareness），在用户进入平台钱，已经攒够了足够的印象分，才能促使用户进入。
这一说法我也看到过映证，如外卖为什么规定要穿着统一的制服？当每个外卖小哥穿梭在大街小巷，我们印象中就有了黄色制服，蓝色制服，当下次要点外卖时，不由自主就会想起平时看到的外卖制服也就能想到在哪个平台上点，这就是触点的魅力。
9种常用的数据分析 *** （实用干货，强烈建议收藏）
所谓公式拆解法就是针对某个指标，用公式层层分解该指标的影响因素。
举例：分析某产品的销售额较低的原因，用公式法分解
对比法就是用两组或两组以上的数据进行比较，是最通用的 *** 。
我们知道孤立的数据没有意义，有对比才有差异。比如在时间维度上的同比和环比、增长率、定基比，与竞争对手的对比、类别之间的对比、特征和属性对比等。对比法可以发现数据变化规律，使用频繁，经常和其他 *** 搭配使用。
下图的AB公司销售额对比，虽然A公司销售额总体上涨且高于B公司，但是B公司的增速迅猛，高于A公司，即使后期增速下降了，最后的销售额还是赶超。
A/Btest，是将Web或App界面或流程的两个或多个版本，在同一时间维度，分别让类似访客群组来访问，收集各群组的用户体验数据和业务数据，最后分析评估出更好版本正式采用。A/Btest的流程如下：
（1）现状分析并建立假设：分析业务数据，确定当前最关键的改进点，作出优化改进的假设，提出优化建议；比如说我们发现用户的转化率不高，我们假设是因为推广的着陆页面带来的转化率太低，下面就要想办法来进行改进了
（2）设定目标，制定方案：设置主要目标，用来衡量各优化版本的优劣；设置辅助目标，用来评估优化版本对其他方面的影响。
（3）设计与开发： *** 2个或多个优化版本的设计原型并完成技术实现。
（4）分配流量：确定每个线上测试版本的分流比例，初始阶段，优化方案的流量设置可以较小，根据情况逐渐增加流量。
（5）采集并分析数据：收集实验数据，进行有效性和效果判断：统计显著性达到95%或以上并且维持一段时间，实验可以结束；如果在95%以下，则可能需要延长测试时间；如果很长时间统计显著性不能达到95%甚至90%，则需要决定是否中止试验。
（6）最后：根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。
流程图如下：
通过对两种及以上维度的划分，运用坐标的方式表达出想要的价值。由价值直接转变为策略，从而进行一些落地的推动。象限法是一种策略驱动的思维，常与产品分析、市场分析、客户管理、商品管理等。比如，下图是一个广告点击的四象限分布，X轴从左到右表示从低到高，Y轴从下到上表示从低到高。
高点击率高转化的广告，说明人群相对精准，是一个高效率的广告。高点击率低转化的广告，说明点击进来的人大多被广告吸引了，转化低说明广告内容针对的人群和产品实际受众有些不符。高转化低点击的广告，说明广告内容针对的人群和产品实际受众符合程度较高，但需要优化广告内容，吸引更多人点击。低点击率低转化的广告，可以放弃了。还有经典的RFM模型，把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。
通过象限分析法，将有相同特征的事件进行归因分析，总结其中的共性原因。例如上面广告的案例中，之一象限的事件可以提炼出有效的推广渠道与推广策略，第三和第四象限可以排除一些无效的推广渠道；
（2）建立分组优化策略
针对投放的象限分析法可以针对不同象限建立优化策略，例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源，比如VIP服务、个性化服务、附加销售等。给潜力客户销售价值更高的产品，或一些优惠措施来吸引他们回归。
帕累托法则，源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中，则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。往往在使用二八法则的时候和排名有关系，排在前20%的才算是有效数据。二八法是抓重点分析，适用于任何行业。找到重点，发现其特征，然后可以思考如何让其余的80%向这20%转化，提高效果。
一般地，会用在产品分类上，去测量并构建ABC模型。比如某零售企业有500个SKU以及这些SKU对应的销售额，那么哪些SKU是重要的呢，这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度，并将对应的销售额作为基础度量指标，将这些销售额指标从大到小排列，并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。
百分比在 70%（含）以内，划分为 A 类。百分比在 70~90%（含）以内，划分为 B 类。百分比在 90~100%（含）以内，划分为 C 类。以上百分比也可以根据自己的实际情况调整。
ABC分析模型，不光可以用来划分产品和销售额，还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些，占比多少。假设有20%，那么在资源有限的情况下，就知道要重点维护这20%类客户。
漏斗法即是漏斗图，有点像倒金字塔，是一个流程化的思考方式，常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。
上图是经典的营销漏斗，形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤，然后用转化率来衡量每一个步骤的表现，最后通过异常的数据指标找出有问题的环节，从而解决问题，优化该步骤，最终达到提升整体购买转化率的目的。
整体漏斗模型的核心思想其实可以归为分解和量化。比如分析电商的转化，我们要做的就是监控每个层级上的用户转化，寻找每个层级的可优化点。对于没有按照流程操作的用户，专门绘制他们的转化模型，缩短路径提升用户体验。
还有经典的黑客增长模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型，结合产品本身的特点以及产品的生命周期位置，来关注不同的数据指标，最终制定不同的运营策略。
从下面这幅AARRR模型图中，能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节，可以进行数据的横向和纵向对比，从而发现对应的问题，最终进行不断的优化迭代。
用户路径分析追踪用户从某个开始事件直到结束事件的行为路径，即对用户流向进行监测，可以用来衡量网站优化的效果或营销推广的效果，以及了解用户行为偏好，其最终目的是达成业务目标，引导用户更高效地完成产品的更优路径，最终促使用户付费。如何进行用户行为路径分析？
（1）计算用户使用网站或APP时的每个之一步，然后依次计算每一步的流向和转化，通过数据，真实地再现用户从打开APP到离开的整个过程。
（2）查看用户在使用产品时的路径分布情况。例如：在访问了某个电商产品首页的用户后，有多大比例的用户进行了搜索，有多大比例的用户访问了分类页，有多大比例的用户直接访问的商品详情页。
（3）进行路径优化分析。例如：哪条路径是用户最多访问的；走到哪一步时，用户最容易流失。
（4）通过路径识别用户行为特征。例如：分析用户是用完即走的目标导向型，还是无目的浏览型。
（5）对用户进行细分。通常按照APP的使用目的来对用户进行分类。如汽车APP的用户可以细分为关注型、意向型、购买型用户，并对每类用户进行不同访问任务的路径分析，比如意向型的用户，他进行不同车型的比较都有哪些路径，存在什么问题。还有一种 *** 是利用算法，基于用户所有访问路径进行聚类分析，依据访问路径的相似性对用户进行分类，再对每类用户进行分析。
以电商为例，买家从登录网站／APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程，例如提交订单后，用户可能会返回首页继续搜索商品，也可能去取消订单，每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后，能为找到快速用户动机，从而引领用户走向更优路径或者期望中的路径。
用户行为路径图示例：
用户留存指的是新会员/用户在经过一定时间之后，仍然具有访问、登录、使用或转化等特定属性和行为，留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类，以登录行为认定的留存为例：
之一种 日留存，日留存又可以细分为以下几种：
（1）次日留存率：（当天新增的用户中，第2天还登录的用户数）/之一天新增总用户数
（2）第3日留存率：（之一天新增用户中，第3天还有登录的用户数）/之一天新增总用户数
（3）第7日留存率：（之一天新增用户中，第7天还有登录的用户数）/之一天新增总用户数
（4）第14日留存率：（之一天新增用户中，第14天还有登录的用户数）/之一天新增总用户数
（5）第30日留存率：（之一天新增用户中，第30天还有登录的用户数）/之一天新增总用户数
第二种 周留存，以周度为单位的留存率，指的是每个周相对于之一个周的新增用户中，仍然还有登录的用户数。
第三种 月留存，以月度为单位的留存率，指的是每个月相对于之一个周的新增用户中，仍然还有登录的用户数。留存率是针对新用户的，其结果是一个矩阵式半面报告（只有一半有数据），每个数据记录行是日期、列为对应的不同时间周期下的留存率。正常情况下，留存率会随着时间周期的推移而逐渐降低。下面以月留存为例生成的月用户留存曲线：
聚类分析属于探索性的数据分析 *** 。通常，我们利用聚类分析将看似无序的对象进行分组、归类，以达到更好地理解研究对象的目的。聚类结果要求组内对象相似性较高，组间对象相似性较低。在用户研究中，很多问题可以借助聚类分析来解决，比如，网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。其中，用户分类是最常见的情况。
常见的聚类 *** 有不少，比如K均值（K-Means），谱聚类（Spectral Clustering），层次聚类（Hierarchical Clustering）。以最为常见的K-means为例，如下图：
可以看到，数据可以被分到红蓝绿三个不同的簇（cluster）中，每个簇应有其特有的性质。显然，聚类分析是一种无监督学习，是在缺乏标签的前提下的一种分类模型。当我们对数据进行聚类后并得到簇后，一般会单独对每个簇进行深入分析，从而得到更加细致的结果。