增长黑客k因子_增长黑客概念

指标体系与构建

✓ 描述现状(当前业务状态) 

✓ 发现问题(定位业务问题) 

✓ 预测未来(业务发展趋势) 

✓ 决策调整(业务调整方向)

1. 业务调研：理解业务需求，与其他部门沟通，明确核心需求。

2. 数据指标：明确核心指标，整理辅助指标，构建模型计算指标。

3. 数据采集：埋点设计，业务与行为数据，数据存储方式。

4. 指标统计：规范统计逻辑，明确数据接口，指标计算。

5. 业务应用：数据可视化，找到业务中问题，制定解决方案。

1. 选取主要事件：根据业务选取1个或者多个事件

2. 明确事件定义：每个事件的触发机制及每个事件的构成

3. 指定业务指标：包括核心指标，辅助指标，模型指标。

4. 明确数据：提出数据需求，明确埋点设计。

5. 构建指标体系：提取并数据整理，计算数据指标。

需求:战略指标会随着产品周期变化而变化 

一级指标:项目负责人关心的指标 

二级指标:业务负责人，产品经理关心的指标 

三级指标:实际人对业务数据指标进行拆解实施

• 北极星指标(North Star Metric):唯一关键指标，产品现阶段最关键的指标

• 北极星指标特点:

1. 方向:公司制定的发展目标，是增长黑客中重要的运营部分，引领目标，指导增长;

2. 优先级:明确核心工作，合理安排任务优先级;

3. 变化:公司发展不同阶段，北极星指标需要调整;

4. 指标:北极星指标可以被量化，拆解，监测;通过细分构建增长模型，并分配到各个部门。

• 北极星指标制定流程:

  →  评估增长的可能性  →  判断增长重点  →  商业模式与用户价值  →  找到相关指标  →  确认核心指标  →  构建增长模型

AARRR模型:转化漏斗模型，用户增长到创收可循环模型

• 自传播:口碑传播或者病毒式传播，重要指标为K因子;

• K因子:K=(每个用户发出邀请的数量)×(接收到邀请的人转化为新用户的转化率)。

人货场关键点: 「什么人」在什么「场景」下「买」了什么「商品」

• 数据指标体系建设:明确业务目标，梳理用户生命周期与行为路径，指标分层治理，

• OSM( Objective, Strategy, Measure )模型:数据服务于业务

• UJM (User-journey-map):用户旅程地图模型;、

1. 了解产品：公司产品形态（手机应用，小程序，网站页面等）；

2. 熟悉业务：核心业务，用户行为，确认核心指标；

3. 埋点设计：业务逻辑功能拆分，与开发沟通，确认事件统计；

4. 测试验证：开发添加事件，数据采集，数据验证；

5. 迭代开发：数据指标统计，埋点复盘，埋点事件细化。

衡量病毒传播两大指标:k因子与病毒传播周期

感染率 是指某个用户向其他人传播产品的程度,也即每个用户向他的朋友们发出的邀请次数.

转化率 是指被感染用户(接到邀请的用户)转化成新用户的比例.

提高k因子主要从提高感染率和转化率两个方向入手。

感染率:鼓励用户平均发送更多邀请，如在一对一的通讯录联系人邀请之外，增设发微博、邮件群发选项，可以增加感染更多用户的机会。

转化率:优化被感染者看到的着陆页(爆品推荐、免费诱惑、从众压力等)，让注册步骤尽可能简短，则能提高注册成功的转化率.

当K1时，用户群就会象滚雪球一样增大。如果K1的话，那么用户群到某个规模时就会停止通过自传播增长。

很遗憾的是，即使是社交类的移动应用，目前K因子大于1的也很少。所以绝大部分移动应用还不能完全依赖于自传播，还必须和其它营销方式结合。但是从产品设计阶段就加入有利于自传播的功能，还是有必要的，毕竟这种免费的推广方式可以部分地减少CAC(Cosumer aquisiton cost)。

是指从用户发出病毒邀请，到新用户完成转化（如点击阅读、注册、消费的行为）所花费的时间.

缩短循环周期措施:首先尽可能减少用户的操作成本;其次可以增加用户的紧迫感.

文章参考:

增长黑客(图书)、四月纷飞季(账号)

《首席增长官》读书笔记

【书名】《首席增长官》

【章节】首席增长官的崛起

【进度】100%（p1-25）

【用时】30min

【摘抄】

①首席增长官是以不断变化的顾客需求为核心，将市场、产品、运营和客户服务通过一体化战略的方式来推动公司增长的核心管理职位。

②纵观“互联网上半场”，流量、风口等词充满我们的视野；而在接下来的“互联网下半场”，产品价值、用户体验将会成为新的主题。

③以技术驱动的增长，就是对客户（或者买家）的数据洞察进行精确把握，进而优化业务增长和盈利能力。

【感悟】

拼多多上市加拼多多假货舆论危机把拼多多推上了风口浪尖，不知道是不是背后有人搞鬼，拉开大家对METOO运动瞄准的“权威”的关注，看不清看不清。拼多多能在“互联网上半场”快要结束时靠买假货（虽然拼多多不是为了买假货，但是平台上假货横行肯定是默许了的）而迅速壮大，成了电商平台老三。这不是成功么？淘宝都能算成功，为什么拼多多不能算？如果承认拼多多确实在电商上成功了，即便是第一阶段，那么它成功的原因也是值得我们深思的。如果单纯只看到“拼多多模式”，一如看滴滴有“滴滴模式”、看抖音有“抖音模式”，那就不够“增长”了。我们应该关注的是拼多多的三年增长背后的核心——它到底洞察到了用户什么样的需求？

一个字：穷。

中国富了，但是好大部分中国人还是贫穷的，穷得只能价格优先，质量靠边。高房价更是穷了几代人。

所以说，从增长角度来说，拼多多的成功正正就是做好了对用户——底层用户和那些里子穷得如同底层用户的用户——的需求洞察，然后借助互联网技术、借助社群、借助疯狂的广告轰炸走进了纳克达斯，打响了一记耳光。

【书名】《首席增长官》

【章节】从增长黑客到首席增长官

【进度】100%（p26-40）

【用时】30min

【摘抄】

①增长黑客是市场营销、产品研发、数据分析三个角色的聚合。增长黑客的核心，是用最快的方法、最低的成本、最高效的手段获取大量的增长。

②一般来说，企业可以通过访问用户来搜集一手的反馈信息。这个阶段，一般的产品和服务的概念都是处于萌芽阶段。首席增长官应该带领团队做很多的用户访谈，来验证新产品的假设是否满足目标用户群体的需求。

③没有达到和市场匹配的产品是不应该大规模进行市场扩张的！

【感悟】

增长黑客手法是比较标准规范的操作方法，对于这种具有特别浓烈的西方特色流程，最怕的就是执行者的自恋，主观的删除某些步骤或者缩水某些行动，这样会造成连续不确定影响，可能造成最后的失败。

所以，增长黑客还需要一个特质，就是严谨谦逊！

【书名】《首席增长官》

【章节】增长框架

【进度】100%（p41-76）

【用时】30min

【摘抄】

①用户生命周期的这五个阶段（AARRR海盗法则）的演变这是用户价值不断进阶的五个阶段。从用户获取开始到用户购买我们的服务，并在感觉良好后给其他用户推荐，形成新的用户获取闭环。

②指标从来都不只是指标，它代表了管理层对用户价值和公司成功关系之间的理解，也会指导每个基层员工在日常工作中的每一次决策和执行。

③数据分析的八种方法：数字和趋势、维度分解、用户分群、转化漏斗、行为轨迹、留存分析、A/B测试、数学建模。

【感悟】

我们总说互联网的精髓之一就是迭代，却很少去追问它的前提是什么，迭代的对象是什么——完整的东西才能够迭代啊！完整的流程或者完整的产品，而这个“完整”首先就需要框架完整，就像是人的骨架一般。

【书名】《首席增长官》

【章节】用户增长模型

【进度】100%（p77-124）

【用时】60min

【摘抄】

①『获客』描述的是受众从认知到了解以至于成为产品用户的过程。

有三个角度来理解：受众、获客成本和用户旅途。

②『激活』是指引导用户发现产品价值，并重复使用产品动力的过程。

激活成功：一个用户进入产品，经过一系列的操作和体验，如新手引导、产品展示。体验好的话，用户会发现或者认可产品的价值并且回访，这个时候用户激活成功。

③『留存』就是用户在你的网站/APP中留下来、持续使用的意思。

要想实现真正的用户增长，首先我们的产品得满足用户的核心价值，然后通过运营方式让用户留下来，持久使用我们的产品。

留存分析分为两个阶段：新用户留存分析和产品功能留存分析。

④『营收』获客、激活、留存，无论是哪一个环节的优化，最终企业获得的“回报”会体现在营收变现上。

营收大体上可以归类为两种基本方式，即用户付费和广告收入。

用户付费以转化为核心，广告收入以黏性为核心。

⑤『推荐』是利用现有用户的社交影响力进行新用户获取的一种方式。用户推荐营销要做的，就是在关键的时刻，通过渠道、产品和数据衡量来放大这种效应。

衡量推荐的两大指标：K因子和NPS分值。

K因子也被称为病毒系数，用来衡量推荐的效用，即一个发起邀请推荐的用户，平均可以带来多少个用户。

NPS分值，即净推荐值。在不能直接通过推荐和转化的数据来衡量的情况中，NPS是一个较为常用的评估数据。NPS的收集方式是发放问卷，在问卷中问用户有多大可能向他人推荐这个产品，一般来说可能性的分值是从0-10分。其中给出0-6分的为不推荐者，给出7-8分的不纳入NPS计算范围，给出9-10分的是推荐者。

NPS分值=[(推荐用户数-不推荐用户数)/返回分数的用户]×100。

通常认为30分算是不错，50分算是很好，而超过70分就算是优异了。

【感悟】

海盗法则（AARRR）的每一个环节都有着更为精细的操作方法和数据衡量标准，绝对不是理解了获客、激活、留存、营收表现、用户推荐这个五个概念就可以了的。做用户增长，最怕的就是增长团队的“自恋”。

切记切记。

【书名】《首席增长官》

【章节】各岗位的数据驱动增长实战

【进度】100%（p125-182）

【用时】110min

【摘抄】

①『市场营销』是在创造、沟通、传播和交换产品中，为顾客、客户、合作伙伴以及整个社会带来价值的一系列活动、过程和体系。通俗来说，市场营销就是有盈利地满足顾客的需求，创造产品品牌的无形价值。

②『最小可行性产品』（MVP）是指对用户而言，功能性上可用、提供了核心产品价值的、最小数量的功能集。

③『产品和市场匹配（PMF）』的核心是打造一款可以创造显著用户价值的产品。首先，你的产品满足的是真实的用户需求；而且，你提供的解决方案优于其他方案。

市场部分：目标用户和他们未被满足的需求

产品部分：确认构建什么样的“产品功能集合”。

④大转化和小转化，『转化』是指用户在产品中完成了你期望他能够完成的事情。可能是完成购买或预订，可能是完成注册，可能是用户成功上传视频或照片，可能完成一次商品点评等。

大转化关注产品核心价值的交付，小转化关注用户在产品中的体验是否满意，帮助我们发现并优化产品体验问题，以便给用户提供更好的体验。

一个产品中存在很多小转化。

⑤运营分为流量运营、用户运营、产品运营和内容运营。

『流量运营』主要解决的是用户从哪里来的问题。

『用户运营』建立和维护与用户的关系。

『产品运营』的关键在于产品功能的分析和监控。

产品大的流程中，存在很多小的功能点，用户的体验就是建立在这些小的功能点上。正是这些小的功能点的使用情况，成为我们每一步转化的关键。

产品运营需要需要监测异常指标，发现用户对你产品的“怒点”，需要通过留存曲线检验新功能的效果。

『内容运营』不只是编辑文字、发帖子，在做内容运营之前，需要明白你的内容是作为一个产品出来，还是产品的一个辅助功能。

【感悟】

增长需要的是一个团队配合作战，各个增长岗位都有着不可或缺的作用。如果仅仅依靠一个多面手，很可能各个环节都会大打折扣。

这是一个团队协作的时代，增长黑客更是如此。

【书名】《首席增长官》

【章节】不同行业的数据驱动增长实战

【进度】100%（p183-236）

【用时】83min

【摘抄】

①电商网站上的商品品类非常多，每一个品类都应该有明确的定位，不同定位的品类应该有不同的运营策略。根据商品品类的利润率、转化率等表现，商品品类可分为四种：导流型品类、高利润品类、高转化品类、未来明星型品类。

②留住一个客户的成本远远小于重新获取一个客户的成本，所以留存至关重要，它关系着一个平台能够持续健康发展。

③差异化的运营策略主要从三个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。

④越注重用户体验的商品，用户评价的管理就越重要。

⑤一个行之有效的落地页应该为访问者提供恰到好处的信息，过多或者过少的信息都会让访问者不知所措。

【感悟】

不同行业的产品服务不同，其背后实质是对应的用户群体不同，更深层次就是用户需求不同。针对不同的用户群体及其用户需求，自然运营方式也是不一样的。

五花八门的运行策略，不管怎么变，核心都在用户身上，脱离用户谈运营增长，在互联网时代是越来越困难了。

关于“增长黑客”21天主题阅读的读书笔记全部输出。总体来看，对于“增长黑客”这种致用型内容，主题阅读有些天然的优势，其可以从多个视角来理解同一类事物。

“增长黑客之父”肖恩·埃利斯的《增长黑客》给出了原汁原味的相关概念，带着鲜明的西方论述风格，细致入微，条理清晰。

《引爆用户增长》则像是一本“增长黑客操作手册”，里边的案例还是中国特色化了的，相对更加接近国人的认知，更容易通过我们的经验去理解这个新的行业。黄天文写得很理性，但对于没有经验，兴趣不够浓烈，厌恶图表数据的人来说，这本书会是一种煎熬——但确是一本不折不扣的增长黑客实战手册。

《首席增长官》是GrowingIO创始人张溪梦的力作，是三本书里物理体验感最好的一本书——所有的图都是彩图。让人越看越欢喜，看来我还真是视觉动物。彩图一方面可以降低视觉疲劳，另一方面传达的信息也更多，至少可以用色彩做信息区分，方便用户理解。

同时，《首席增长官》的高度高于《引爆用户增长》，又比《增长黑客》更具备中国本土特色，案例丰富，比较火热的几大行业均有分析，形象具体。高屋建瓴，颇有指导意义。

如果正在看这篇文章的你“增长黑客”感兴趣的话，不妨也来做个主题阅读，多角度了解这个新起之秀！

常见的推荐算法

根据用户兴趣和行为，向用户推荐所需要的信息，帮助用户在海量的信息中快速发现自己真正需要的东西。 所以推荐系统要解决的问题用户没用明确的需求以及信息存在过载 。推荐系统一般要基于以下来搭建：

1、根据业务来定义自身产品的热门标准

2、用户信息：比如性别、年龄、职业、收入等

3、用户行为

4、社会化关系

1、非个性化推荐

在冷启动方面我们精彩用非个性化推荐来解决问题。常见的有：热门推荐，编辑推荐，最新推荐等。下面是3个场景下的排序介绍：

热门推荐：根据业务类型确定排名核心指标，比如阅读数，其次要考虑避免马太效应，所以增加1个维度：时间。一般情况一个内容的热度是随着时间不断下降的，所以需要设定重力因子G，它决定热度随着时间流逝下降的速度。热度初始值由阅读数决定，我们假设R为阅读书，距离发帖时间的时间为T，重力因子为G，热度为rank。 根据热度随着时间而不断下降，且是非线性的，所以我们用指数函数来表达时间和热度的关系：rank=R/(T)^G，下图为热度的基本曲线：

通过该函数，我们可以随意调整参数来控制曲线的平坦和陡峭，如果G越大，曲线越陡峭说明热度下降越快。如果我们要调整热度初始值，可对R进行调整，比如R1=R^0.8，来缩短每篇文章的初始热度值

编辑推荐：一般由编辑在后台进行设置

最新推荐：如果无其他规则，一般按内容更新时间／创建时间来倒序

2、基于用户基本信息推荐（人口统计学）

根据系统用户的基本信息如：领域、职位、工作年龄、性别和所在地等。根据这些信息给用户推荐感兴趣或者相关的内容。

常见的用户基本信息有：性别，年龄，工作、收入、领域、职位、所在地，手机型号、网络条件、安装渠道、操作系统等等。根据这些信息来关联我们数据源，比如年龄-关联电影表、收入-关联商品类型表，性别-文章关联表等等。然后设定权重，给予个性化的推荐。

步骤1：用户建模，收集用户基本信息，建立兴趣图谱，标签体系树状结构然后配上权重

步骤2：内容建模，细分内容的元数据，将步骤1的用户标签和元数据连接，然后进行推荐

2、基于内容基本的推荐

根据推荐物品或者信息的元数据，发现物品或者信息的相关性， 然后基于用户以往的喜好记录 ，推荐给用户相似的物品。

内容的一些基本属性：tag、领域、主题、类型、关键字、来源等

3、基于协同过滤的推荐

这种算法基于一种物以类聚人以群分的假设， 喜欢相同物品的用户更有可能具有相同的兴趣 。基于协同过滤推荐系统一般应用于有用户评分的系统中，通过分数去刻画用户对于物品的喜好。根据维度可分为2种：

1、基于用户：找到和你相似的人推荐他们看过而你没有看过的内容

比如下面，系统判断甲乙2个用户是相似的，那么会给甲推荐短视频相关内容，会给乙推荐数据分析相关内容

甲：产品经理、运营、数据分析

乙：产品经理、运营、短视频

丙：比特币、创业、硅谷

步骤1:找到和目标用户兴趣相似的用户集合

步骤2:找到集合中用户喜欢的且目标用户没有被推荐过的内容

2、基于物品：以物为本建立各商品之间相似度关系矩阵，用户看了x也会看y

比如下面，甲和乙分别不约而同看了产品经理和数据分析，说明喜欢产品经理和数据分析的用户重合度高，说明两个内容相似。所以给喜欢产品经理的人推荐数据分析，给喜欢数据分析的人推荐产品经理。

这么理解：喜欢产品经理的人有m人，喜欢数据分析有n人，其中m中有80%用户与n中80%的用户是一样的，就意味着喜欢产品经理的用户也会喜欢数据分析。

产品经理：甲、乙，丁

数据分析：甲、乙，戊

增长黑客：甲、丙

喜欢物品A的用户，可能也会喜欢与物品A相似的物品B，通过历史行为计算出2个物品的相似度（比如m人喜欢A，n人喜欢B，有k人喜欢A又喜欢B，那么A和B的相似度可计算为k/m或者n，因为k属于m和n），这个推荐和内容推荐算法区别是内容推荐算法是根据内容的属性来关联， 而基于物品的协同过滤则是根据用户的行为对内容进行关联

4、基于用户社交关系推荐

用户与谁交朋友或者关系好，在一定程度上朋友的需求和自身的需求是相似的。所以向用户推荐好友喜欢的东西。本质上是好友关系链版的基于用户的协调过滤

5、推荐思路的拓展

根据不同使用场景进行不同的推荐，可细分的场景包括用户使用的：时间、地点、心情、网络环境、兴趣、上下文信息以及使用场景。每个场景的推荐内容都不一样，所以往往一个系统都是由多种推荐方式组成，比如加权混合。

加权混合：用线性公式将几种不同的推荐按照一定权重组合起来，具体权重值需要反复测试调整。例子：加权混合=推荐1结果*a+推荐2结果*b+...+推荐n结果*n，其中abn为权重，和为1

下面分享一张来自知乎的图，供学习，侵删：

基于用户信息的推荐 与 基于用户的协同过滤：

两者都是计算用户的相似度， 但基于用户信息的推荐只考虑用户本身信息来计算相似度，而基于用户的协同过滤是基于用户历史偏好来计算相似度

基于内容的信息推荐 与 基于物品的协同过滤：

两者都是计算物品的相似度， 但是基于内容的信息推荐只考虑物品本身的属性特征来计算相似度，而基于物品的协同过滤是基于用户历史偏好来计算相似度

基于用户信息的推荐特点：

1、不需要历史数据，对用户基本信息建模

2、不依赖于物品，所以其他领域可无缝接入

3、因为用户基本信息一般变化不大，所以推荐效果一般

基于内容信息的推荐特点：

1、物品属性有限，很难获得有效又全的数据

2、需要获取用户喜欢的历史内容，再来推荐与内容相似的东西，所以有冷启动问题

基于用户／基于物品的协同过滤推荐特点：

1、需要获取用户的历史偏好，所以有冷启动问题

2、推荐效果依赖于大数据，数据越多，推荐效果就越好