我扒了37篇硅谷用户增长大神的blog,总结出这8点干货

2018 年 3 月 4 日 人人都是产品经理 原子大大

作者:原子大大

全文共 4388 字 9 图,阅读需要 10 分钟


———— / BEGIN / ————


最近关注了一批硅谷的增长大牛,Andrew Chen 是其中之一。看了他的 blog 收获多多,总结了8点知识模块干货,分享给大家。


阅读时给大家个小 Tip:请关注他的推导过程,而非仅仅结论。


一、Andrew Chen是谁?




Andrew Chen 的博客专注创业、增长、设计等。增长黑客这个概念,就是因为2012年 Andrew 在他的博客上发表文章《增长黑客是新的营销副总裁》(《Growth Hacker is the new VP marketing》),从而引起业界广泛关注的。


二、糟糕点击率法则

(The Law of Shitty Clickthroughs)



下面是 Andrew 举的一个真实的例子 —— 对比 1994 年 HotWired 和 2011 年 Facebook 的 banner 广告平均点击率:


  • 1994 年 HotWired 点击率: 78%

  • 2011 年 Facebook,点击率:0.05%


可以看到:整整差了 1500 倍!


尽管造成这种差异的因素有很多,但基本的趋势是:banner 广告,电子邮件以及许多其他营销渠道的点击率每年都在减少。


造成这个趋势的主要原因如下:


  • 创新事物吸引力递减。用户开始会对新事物产生兴趣,比如 HotWired 刚上线 banner 广告时,用户点击是为了体验,而当用户逐渐习惯这种广告形式时,就会逐渐忽视它。

  • 竞争对手冲击。往往某个营销手段奏效后,竞争对手会紧随其后。而每个个体的营销效果就会被削弱。

  • 后期用户质量下降。早期的用户,往往会主动使用产品,因此各方面指标(点击率、注册率、付费率等)表现也会比较出色。而占用户比例大部分的后期用户,往往表现得不那么积极,需要不断被影响,才会使用,因此营销策略的效率也会降低。


但是大家并不必担心,因为新的营销渠道也在不断被发现,而这些新渠道往往表现更好。因此,想真正克服“ 糟糕点击率法则”,最有效的方法就是不断挖掘新的营销渠道


三、简化用户抛弃路径

(Make users quit your product easily)


按照正常逻辑,这一观点估计很多PM都会接受不了;毕竟,我们都想千方百计的“拖”住用户,让他们不能轻松地卸载产品、注销帐号、取消订阅。


但是,Andrew 的这一观点背后的核心理念是:每一个初创企业都是一个向“产品/市场契合(product/market fit)”不断靠拢的迭代学习过程,需要非常高保真的信号来告诉你是否朝着正确的方向发展。


先来解释一下“产品/市场契合”(product/market fit)。马克.安德森(对,就是投资了Facebook、Twitter、LinkedIn 等公司的那个硅谷教父)是这么说的:



在朝“产品/市场契合”方向发展的迭代过程中,需要数据提供决策支持。数据越好,决策自然就越好。


那么,问题来了:


什么样的数据可以拿来衡量用户是否对你的产品满意呢?


答案是:明确型数据。


比如:


  • 进行了一次购买

  • 使用了一次搜索功能

  • 填写了表格

    ……


而和其对应的,是暗示型数据,即:


  • 与购买人群具有相似的人口统计特征

  • 阅读和相似用户一样的内容

  • 有阅读金融类文章的习惯

    ……


相比于明确型数据,暗示型数据的价值要低得多。如果想收集数据来驱动决策,那最好使用明确型数据,不管它是积极的还是消极的。


实际上,如果只关注积极数据,那有50%的数据就被忽略了,而这会阻碍你达到“产品/市场契合”。


因此,我们应该“简化用户抛弃路径”。


一句话:让暴风雨来得更猛烈些吧!


四、梅特卡夫定律

(Metcalfe’s Law)


梅特卡夫定律是计算机网络先驱、3Com公司的创始人梅特卡夫提出的,该定律为:


网络价值以用户数量的平方的速度增长


用公式表示:


如果网络中总人数是n,网络价值是n×n=n²


其背后的含义是这样的:如果网络中的每个新节点与每个预先存在的节点连接,那么当你获得节点时,你就非线性地增加了每个人与其他人的连接数量。


更深度的解释,可以看下图:



随着网上用户的数量增加(N越大),网络的价值会加速增长,跟N2成正比;而用户获取成本是线性变化的,跟N成正比;达到某一个临界点后,价值将会远远超越成本。


这个定律对于社交平台来讲,即是好事,又是坏事。当你的用户从100增长到200时,你的价值从10k上涨到40k,而反之亦然。


因此,如何把握这个定律,是我们每个人都该思考的事情。


五、上瘾的科学

(The science of addiction)


相信爱学习的大家已经知道不少让用户上瘾的奖励机制,比如货币奖励、等级激励、情感奖励等等。


在这里,给大家讲一下 Andrew 更深入的分析。


奖励机制可以分为以下4种:



这 4 种奖励机制,效果结论如下:


  • 比例机制比间隔机制产生更多的用户回应率。

  • 变化机制比大多数固定机制产生更多的用户回应率。

  • 变化比例产生的用户回应率最高。(比如赌场里的老虎机)


在设置用户奖励时,大家可以参考这个结论,相信你的效率会更高。


六、“最小化可行产品”和“最小化期望产品”

(MVP versus MDP)


不同类型的公司会有不同的首要切入点:


  • 以业务为导向的公司会最先评估可行性,考虑指标、收入和市场规模;

  • 以技术为导向的公司会先研发一个核心技术,然后围绕它建立业务;

  • 以用户为导向的公司会先关注目标用户的背景和行为,并围绕这一点建立产品体验。


因此,最小化可行产品(MVP)往往围绕着业务——用来验证其商业模式。


比如,你可以测试着陆页的注册率、尝试预售商品等等。在产品里应当涉及价格和付款信息,因为它有助于评估产品的真实可行性。


但是,如果是以用户为导向,就该建立“最小化期望产品(MDP)”,即: 建立为用户提供高价值、高满意度用户体验所必需的最基本的产品。


要建立MDP,就需要交付产品体验的核心,而不是仅仅提供一个着陆页,这样才有助于用户全面评估你的产品。你要找出的是给用户提供价值的指标,而非转化率和收入。


这里举几个“最小化可行产品”和“最小化期望产品”的例子:


  • 如果你建立了一个病毒式社交网络,有盈利但用户流失严重 —— 你建立的是MVP而非MDP。

  • 如果你建立的相亲网站能让很多用户以20美元/月的价格购买,但他们找不到合适的对象 —— 你建立的是MVP而非MDP。

  • 如果你制作了一款让你的朋友和家人喜爱并沉迷的棋盘游戏,但你无法让游戏公司分发它 —— 你建立的是MDP而非MVP。


可以看出,到底是该建立“最小化可行产品”还是“最小化期望产品”,取决于你的核心模式。


七、病毒性品牌与病毒性行动

(Viral Branding versus Viral Action)



病毒营销分为病毒性品牌与病毒性行动。


1. 病毒性品牌


一般说的病毒营销,其实就是病毒性品牌。


也就是“做一件很酷的事,让大家都愿意去谈论它”。


这样的例子有很多,比如:


  • 网易云音乐的“红色乐评列车”

  • 新世相的“逃离北上广”和“地铁丢书大作战”

  • 百雀羚的《一九三一》神长图

  • 网易云课堂和三联听周刊的分销海报


这些现象级的病毒传播,需要足够的创意,因此可复制性较低,一般公司很难做到。


2. 病毒性行动


这个病毒营销方式就是深耕“产品”,也就是“做一些容易传播给别人的事情。”


在这种情况下,关注更多的是病毒传播的机制,而非传输的内容。对于许多产品而言,这意味着你需要让用户更高效地在社交媒体上传播你的信息。


这类的例子也有很多,比如:


  • YouTube给用户提供可以快速把视频复制粘贴到其他网站的代码。

  • 网易蜗牛阅读可以让用户直接把好句子保存成图片。

  • 得到可以生成带有用户昵称的邀请函。


这些传播,依靠的并不是很酷的创意,他们是建立在产品内的,依靠的是自传播。


八、产品死亡循环

(The Product Death Cycle)



可以看到,这个死亡循环一共有3步,下面我们就来详细了解下每一步:


1. 没人使用产品


对于初创产品来说,这个现象非常常见。面对这个困境采取的方法,有可能是使产品陷入死亡循环的开端。


2. 向用户调研缺失的功能


当你问用户“你觉得什么功能缺失?”时,就完全是用户导向而非有一个产品前瞻了,而这是个重大的错误。


原因如下:


  • 已有用户的观点并不能代表更庞大的非使用用户群体,这些观点反而会误导你。

  • 产品的问题往往不单是功能的缺失,还有可能是定价过高、宣传不到位、或者定位不准等等。


3. 上线缺失的功能


如果寄希望于通过加上缺失的功能,就有用户来使用,那就大错特错了。


产品和用户发生交互,是在最初用户的几次访问中,而这几次的交互关系至关重要,比如向用户展现“Aha moment”。


上线缺失的功能,并不能替代用户体验最薄弱的环节。


假设上线的功能就是解决核心体验,那就要看有没有提升整体UI流程,否则用户是不会买单的。


想要打破“产品死亡循环”,就需要多问几个“Why”,比如“这足以影响用户体验么?还是仅仅是个很酷但却小众的功能?”只有这样,才能找到最根本的原因。


而解决的方法也常常是一系列的:市场、定价、渠道、内容,甚至是战略等等。


九、用户说“拜拜”的25个理由

(25 exit points)


社交产品中,用户生命周期可以分为以下5个阶段:



下面就根据这5个阶段,告诉大家用户 say goodbay 的25个理由。


首次体验


  • “我不知道这个网站是干啥的”

  • “这个网站不适合我”

  • “颜色/设计/图标看起来怪怪的”

  • “我已经用了X了”

  • “我不想注册”


只有个别好友


  • “我没有时间去参与”

  • “我很孤独,没有什么偶遇”

  • “我忘记了密码”

  • “我不知道如何与人交谈”

  • “我仅仅每几个月才登陆一次”


有了更多好友


  • “这个网站上好多怪蜀黍”

  • “我不认识的人总骚扰我”

  • “我的朋友们,没有坚持用这个的”。

  • “我从这个网站收到的邮件太多了”

  • “我只有3个朋友,好无聊”


好友数突破社交规模临界值


  • “这个网站占用了我太多的时间”

  • “好友里有太多我不认识的人”

  • “人们根据我的照片和事件跟踪我!”

  • “发生了太多夸张的事情”

  • “收到了太多通知”


成为大V


  • “网站没有我真正需要的功能 X!”

  • “将要上线的功能Y会破坏这个网站生态!”

  • “我在网站上做了很多,但得不偿失。”

  • “我很无聊,因为在网站里没事可做”

  • “成为网站新手看起来更有趣”


最后,强烈推荐大家多关注硅谷创业和增长大神们,比如Jack Dorsey、Neil Patel、Sean Ellis等等。毕竟,他们都是在商业、增长领域早早完成“1万小时”练习的人。


附录:


大神博客地址: http://andrewchen.co/


———— / END / ————


作者:原子大大,微信公众号:OMGbusiness,个人微信号:eason0124 (请注明来源)

本文由 @原子大大 原创发布于人人都是产品经理。未经许可,禁止转载。



拜产品大牛为师,从0到1构建产品知识体系,保障拿到offer为止 

扫上方二维码,免费获得产品经理就业指导

戳“阅读原文”报名,即送20G产品求职大礼包

登录查看更多
0

相关内容

黑客(Hacker,台湾译作「骇客」)广义上指在计算机科学,编程以及设计领域有高度理解力的人。 然而,人们通常对黑客一词的理解都是取其狭义的涵义,即信息安全领域的黑客: 未经许可入侵他人系统并窃取数据信息等的可以视为 黑帽黑客,也可取侩客 cracker 的涵义。
而主要从事安全检测,系统调试,技术研究的安全从业者可称为 白帽黑客
还有一种存在称为「脚本小子」,往往冒充黑客也常被人误认为是「黑客」,其实是利用一些现有的工具或者程序达到入侵或破解等目的,然而其知识储备以及对技术的理解力却完全不符合广义黑客的标准,甚至不及狭义黑客标准。
德勤:2020技术趋势报告,120页pdf
专知会员服务
190+阅读 · 2020年3月31日
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
机器学习速查手册,135页pdf
专知会员服务
338+阅读 · 2020年3月15日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
163+阅读 · 2020年2月27日
智能交通大数据最新论文综述-附PDF下载
专知会员服务
104+阅读 · 2019年12月25日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
金融风控面试十二问
七月在线实验室
20+阅读 · 2019年4月9日
深度 | 推荐系统如何冷启动?
AI100
17+阅读 · 2019年4月7日
金融风控背后的技术综述
七月在线实验室
45+阅读 · 2019年2月28日
知乎八年,大而不美
新榜
7+阅读 · 2019年1月26日
爱奇艺个性化推荐排序实践
机器学习研究会
7+阅读 · 2017年11月12日
如何利用动态信息数据构建用户画像?
NPDP产品经理资讯
6+阅读 · 2017年10月11日
认识个性化推荐系统:从推荐算法到产品冷启动
人人都是产品经理
6+阅读 · 2017年9月15日
Auto-Context R-CNN
Arxiv
4+阅读 · 2018年7月8日
Arxiv
5+阅读 · 2018年1月23日
Arxiv
4+阅读 · 2017年11月14日
Arxiv
5+阅读 · 2015年9月14日
VIP会员
相关VIP内容
德勤:2020技术趋势报告,120页pdf
专知会员服务
190+阅读 · 2020年3月31日
【资源】100+本免费数据科学书
专知会员服务
107+阅读 · 2020年3月17日
机器学习速查手册,135页pdf
专知会员服务
338+阅读 · 2020年3月15日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
163+阅读 · 2020年2月27日
智能交通大数据最新论文综述-附PDF下载
专知会员服务
104+阅读 · 2019年12月25日
【推荐系统/计算广告/机器学习/CTR预估资料汇总】
专知会员服务
87+阅读 · 2019年10月21日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
相关资讯
金融风控面试十二问
七月在线实验室
20+阅读 · 2019年4月9日
深度 | 推荐系统如何冷启动?
AI100
17+阅读 · 2019年4月7日
金融风控背后的技术综述
七月在线实验室
45+阅读 · 2019年2月28日
知乎八年,大而不美
新榜
7+阅读 · 2019年1月26日
爱奇艺个性化推荐排序实践
机器学习研究会
7+阅读 · 2017年11月12日
如何利用动态信息数据构建用户画像?
NPDP产品经理资讯
6+阅读 · 2017年10月11日
认识个性化推荐系统:从推荐算法到产品冷启动
人人都是产品经理
6+阅读 · 2017年9月15日
Top
微信扫码咨询专知VIP会员