浅谈对增长黑客的理解

Growth hacker是2010硅谷提出来的, 线上有很多相关的文章, 国内也有范冰出的一本同名书籍, 知乎上也有不少讨论。 我在这里只说一下, 自己对growth hacking的肤浅理解。

首先是字面上的理解, growth hacking。 growth是目标, hacking是手段和方法, 可以翻译成“破解”。 通过hacking手段实现怎长目标的人被叫做growth hacker。  以前能够破解软件, 攻陷网站,拿下root权限的人被叫做黑客hacker。我多年前也做过黑客, 拿下过网站的root权限, 破解过好些个软件, 逆向过大型网游的加密解密算法, 地图, 装备, 通讯协议等等, 也靠破解转过一些小钱。当时记得看雪论坛上一个挺牛B的人说过, 破解8分靠猜, 我深以为然。

破解软件的过程一般是, 探索, 发现, 猜测, 试错, 成功找到爆破点。 必须强调的是不是每个人都有猜测能力, 猜测是建立在经验和技术积累基础之上。 猜测不是撞大运, 而是一种深邃的洞察。

破解增长的过程我认为也是一样的。 探索数据, 发现模式, AB测试, 找到增长爆点。

增长黑客是各种增长手段的金字塔尖。

增长黑客的目的是用最低的成本, 以最快的速度, 达到最佳的效果。 “低成本”是增长黑客效果好坏的第一评价指标。 一切高成本的增长手段都算不上增长黑客。 我先不说增长黑客具体做什么, 我先说增长黑客最不屑于做的事情, 就是通过购买流量实现增长, 这不算事真本事。  购买流量这事儿上,只有一个例外可以算做增长黑客, 就是你可以通过数据分析手段, 找到价值被严重低估的渠道和资源, 以极地成本实现扩张。

增长有很多种手段, 传统的营销可以打广告, 互联网环境里可以购买流量,流氓点可以做地毯式的短信轰炸,骚扰电话。 这些办法都可以带来增长。但是这些方法都不够牛B, 算不上hacking。 各种增长手段的金字塔尖尖就是自增长, 或者叫做病毒营销。 病毒营销这个词主要是来源于病毒可以自我复制。 至于增长速度, 有的病毒传播快, 传播能力强, 有的病毒传播慢, 传播能力弱。我理解的病毒营销的关键是自增长。 也就是通过已有用户的相互推荐,口碑实现用户群体的自我滚动发展。在自增长的基础上, 实现快速传播和快速增长。

互联网中, 流量为王。 没有流量再好的产品也得报废。 但是对于增长黑客而言, 没有什么不可能的, 反正黑客的精神就是不花钱要办事, 以前是不花钱买软件, 现在是不花钱买流量。或许你说,没流量你在互联网玩个屁啊, 好吧我觉得一个产品的发展最初期, growth hacking基本没有用武之地, 多少你得有些用户基础才能玩的转。 大庆油田的劳动模范王进喜说过,有流量,要上! 没有流量, 创造流量也要上。

创造流量就是增长黑客要做的事情。充分利用产品内的流量, 产品内的各种资源位, 短信, 消息推送, 都可以加上推荐资源链接, 引导用户进行推荐。

有了流量以后, 增长黑客要做的是充分利用流量, 提高转化效果, 不能浪费任何流量。在给定的的流量下, 创造更多的新用户,也是增长黑客要做的事情。

增长黑客要善于发现闲置的免费流量, 价值被低估的流量, 并且努力提高流量的利用效率,并且要熟悉产品, 能够推动产品改进,推动易用性改进, 甚至是各种性能的提升, 文案的撰写, 减少各个转化环节上的用户流失, 不让珍贵的每一个比特的流量被白白浪费。

具体操作上, 增长黑客最好是一个有经验的架构师, 在产品需求分析, 和设计环节, 就要充分考虑到以后的数据分析需求, 对各种用户和流量, 资源位, 都加以标签区分, 对各种用户体验,用户操作流程都加入充足的性能埋点。 还要在产品设计阶段, 就考虑到灰度发布, AB测试这些增长黑客的需求。在设计阶段, 就要努力让一切都变的可以度量。巧妇难为无米之炊, 如果数据分析需求不在一开始就充分考虑到, 并设计进去, 以后的增长破解工作是非常难办的。

增长黑客还要建立有效的评价指标体系, 可以通过这些指标发现问题, 找到解决问题的方法,还要建立合理的预测模型, 可以对近期的数据指标做出精准的预测。 通过预测模型可以对活动带来的影响做科学的评估, 继而评价各个资源,渠道的效果, 和效率, 性价比, 优化拉新成本。

通过预测模型, 还可以对产品增长目标, 做出精确的拆分, 细分到需要多少资源位, 需要多大的优惠力度。 对目标做出精准的规划。 有时候, 有点计划还是好的。 如果一味的砸钱搞活动,而不考虑漏斗模型中的各个环节的转化问题, 不是这个环节转化出了问题,就是那个环节转化出现了瓶颈, 最终都是浪费钱财。浪费钱财是增长黑客不屑的事情。少花钱,多办事,是增长黑客的追求。

最后增长黑客, 是对大数据有着充分好奇心的, 天天玩spark的, 善于胡思乱想(善于联想)具有牛B猜测能力(洞察能力), 的能够推动产品创新的人。

时间: 2024-08-28 03:03:00

浅谈对增长黑客的理解的相关文章

【转载】李航博士的《浅谈我对机器学习的理解》 机器学习与自然语言处理

李航博士的<浅谈我对机器学习的理解> 机器学习与自然语言处理 [日期:2015-01-14] 来源:新浪长微博  作者: 李航 [字体:大 中 小] 算算时间,从开始到现在,做机器学习算法也将近八个月了.虽然还没有达到融会贯通的地步,但至少在熟悉了算法的流程后,我在算法的选择和创造能力上有了不小的提升.实话说,机器学习很难,非常难,要做到完全了解算法的流程.特点.实现方法,并在正确的数据面前选择正确的方法再进行优化得到最优效果,我觉得没有个八年十年的刻苦钻研是不可能的事情.其实整个人工智能范畴

浅谈元类(个人理解)

浅谈元类(个人理解) 我们知道在python中一切皆对象(object),那么所以有的对象都成了object的子类,那么object类又是由谁创建的呢? 实际上,能够创建类的类,叫元类.还有一个概念就是:元类创建了object类,同时又是object类的子类(这是什么鬼?我们就不去考虑这个逻辑了,已经完美解决了先有鸡还是先有蛋的问题了). 元类实际还是所有类的创建者,即使所有类(包括元类自己)都是object的子类,他们的关系如下: Interesting...... 原文地址:https://

10 浅谈 装饰器模式的理解与使用

在不改变现有类结构的情况下,为这个类添加一个新的功能,这就是装饰器模式 所属与结构型模式, 这种模式的特点是:需要创建一个装饰类来包装原有的类,并且提供额外的功能. 为了解决:平时使用继承的方式,会带入许多静态的方法,导致子类过度饱和,膨胀. 举例子:悟空拥有七十二变,不管它怎么变化,他的本质还是一只猴子,但是他又有变化后的一些本领(功能) 实现:装饰类包含原有类的实例对象,即可实现装饰器模式 开始: 定义一个形状的接口 //画图接口 public interface Shape { void

浅谈对差分隐私的理解

在听完第五组的报告之后,浅谈一下对差分隐私的认识,主要针对差分隐私的思想做一个大致的梳理. 为什么会产生差分隐私? 由于有些“聪明”的用户为了知道某些信息,可以通过两次查询结果的差异进行对比,从而在两次数据的对比中找到有用的信息.正如在杨顼组的报告中提到的查询二等兵约瑟夫阿伦是否阵亡的信息,可以通过查询D5和D6两次数据结果,将两次数据结果进行对比就可以知道约瑟夫阿伦是否阵亡的消息. 差分隐私的主要思想: 差分隐私是基于噪音的安全计算方法,它的思想是:对计算过程用噪音干扰,让原始数据淹没在噪音中

浅谈对闭包(Closure)的理解

在理解闭包前理解JavaScript的作用域是有必要的,如果有兴趣,请移步"对JavaScript作用域的认识" 什么是闭包 闭包就是指有权访问另一个函数作用域中变量的函数,通俗点讲闭包就是能够读取其他函数变量的函数.创建闭包的常见方式,就是在一个函数内部创建另一个函数. 1 function fn1() { 2 var a = 1 ; 3 function fn2() { 4 alert(a); 5 } 6 return fn2; 7 } 8 9 var result = fn1()

浅谈我对机器学习的理解

算算时间,从开始到现在,做机器学习算法也将近八个月了.虽然还没有达到融会贯通的地步,但至少在熟悉了算法的流程后,我在算法的选择和创造能力上有了不小的提升.实话说,机器学习很难,非常难,要做到完全了解算法的流程.特点.实现方法,并在正确的数据面前选择正确的方法再进行优化得到最优效果,我觉得没有个八年十年的刻苦钻研是不可能的事情.其实整个人工智能范畴都属于科研难题,包括模式识别.机器学习.搜索.规划等问题,都是可以作为独立科目存在的.我不认为有谁可以把人工智能的各个方面都做到极致,但如果能掌握其中的

浅谈对ionic项目的理解

在思考怎么将客户端app连接到服务器的时候,就在想ionic项目的本质是什么,一开始因为ionic serve这一命令,我以为它自己就是个服务器,但是后来一细想又感觉不是这样,不然客户端又该怎么和服务端进行交互呢?而ionic本质正好验证了我的猜想. 通过ionic info我们可以发现ionic项目所需环境如下: Your system information: ordova CLI: 6.4.0 Ionic CLI Version: 2.1.17 Ionic App Lib Version:

李航博士:浅谈我对机器学习的理解

原文:http://www.itongji.cn/article/06294DH015.html 机器学习方法非常多,也很成熟.下面我挑几个说. 首先是SVM.因为我做的文本处理比较多,所以比较熟悉SVM.SVM也叫支持向量机,其把数据映射到多维空间中以点的形式存在,然后找到能够分 类的最优超平面,最后根据这个平面来分类.SVM能对训练集之外的数据做很好的预测.泛化错误率低.计算开销小.结果易解释,但其对参数调节和核函数的参 数过于敏感.个人感觉SVM是二分类的最好的方法,但也仅限于二分类.如果

浅谈对Js闭包的理解

理解Js的闭包,首先让我们先看几个概念 执行环境(executive environment)每个函数都有自己的执行环境,匿名函数默认为全局环境. 作用域链(scope chain)子函数继承父函数,但是父函数不能引用子函数. 变量对象(variable object)分为全局变量对象,和局部变量对象,前者的生存在整个环境中,后者在生存在函数的执行环境下,就是说,执行函数时被创建,当函数执行完后被销毁. 怎么被销毁的啊?目前最常见的算法是当变量对象不再被引用时,便可回收内存. 但是,若是想在函数