“增长黑客”的一点实战心得

人人都是产品经理 • 3年前扫码分享

我是创始人李岩：很抱歉！给自己产品做个广告，点击进来看看。

编辑导语：增长黑客也是一种增长方式，在创业型团队在数据分析基础上，利用产品或技术手段来获取自发增长的运营手段；在增长黑客的运营推广中，我们需要从多个方面进行把握；本文作者分享了关于增长黑客的实战分享，我们一起来看一下。

“增长黑客”的一点实战心得

这本是几个月前就想落笔写的一篇文章，无奈一方面去年事情太多无法抽出时间，另一方面自己心中总有个“完美文章”的执念，所以迟迟没有下笔。

这是一个常见的思维陷阱，我们常常为了得到10或100却不敢迈出第1步，但实际上 0和1却是有着本质性的区别 。

所以这仍然是一篇粗糙的文章，但是与其是0，不如有1篇挂一漏万的成品。

01 保险也需要【增长黑客】

AARRR（获客－激活－留存－付费－病毒传播） 是广为人知的互联网产品的用户增长模型。

互联网保险曾经也探索过这个模型的应用，最大张旗鼓的莫过于15年的平安，围绕 “医、食、住、行、玩” 等需求的“四个市场、两朵云、一扇门”的战略。

时至今日，这个战略中如平安好房、平安好车、平安好车主等重磅应用都已经偃旗息鼓。

为了卖爆米花而建个电影院的做法，通过实证已经表明行不通了。

但首月1元的保险模式将保险产品变成了类似互联网产品的模式，首月1元的低门槛承载了 【获客-激活】 的作用，低门槛的海量用户加入,如何搞定后续用户留存、复购则成为了各大互联网保险玩家不得不重视的问题。

这个时候增长黑客的理论在保险领域找到了最好的用武之地。

02 提出假设

这一点我在“用户增长中如何提出好假设”这篇文章中做过一点分享.

去年在解决一个重要渠道首月1元月缴产品客户留存问题时，我首先划定了1.0版本的边界：即提升M2（购买后次月）的续期率（扣款成功率）。

用户流失分为两种类型：

退保
关闭第三方支付的代扣

在未做任何实质性分析的时候我提出了第一个假设：流失节点的分布应该符合二八原则。

于是让数据同学做了分析，结果发现购买当天的关闭代扣及退保占了流失用户的80%多。

同时我提出了第二个假设：要么存在刷单，要么是销售前后存在严重的认知不一致的情况。

同渠道BD做了沟通，首先排除了刷单可能。

然后全流程体验了渠道的产品销售流程，发现销售页对于次月应缴保费比较弱化，而在支付成功页很清晰的而告知了用户次月应缴保费。

随之我提出第三个假设：流失用户购买前认为保险每月都是1元，购买后看到次月实际应缴保费远高于首月，所以立马流失了。

结合假设，我们与渠道协商去掉了支付成功页的次月应缴保费，并做了一系列的配合策略。

实验结果最终显示M2流失用户降低了50%。

03 复利效应

【增长黑客】的理论中有一个基本的说法，那就是任何一个策略必然有它正向效应的部分，也有负向效应的部分。

好的策略应该是 正向效应>负向效应

1.01的365次方=37.78

0.99的365次方=0.02

它揭示的是一次正确的策略和错误的策略重复多次后巨大的差距。

在传统的保险电销中有一个被验证体验很好的策略,即保险销售后次日的电话回访,可以趁热打铁让用户感受到温暖,有助于后续的留存及复购。

于是这个策略被应用到了首月1元保险的留存中。

最初这个策略没有设计实验组、对照组，等抽取了部分电话回访的录音后，大跌眼镜的发现由于投放模式下的冲动消费，很多用户根本没意识到自己买的究竟是什么产品，而回访则成为了 【质疑-感情破裂】 的导火索。

在重新设计了 实验组（进行回访拨打）、对照组（不进行拨打）的实验 ，跑了两周后可以清晰的发现， 对照组的次月留存比实验组高出了很多 。

而与此同时，另外一个事业部的同学仍在乐此不疲的应用这个策略…

复利效应下，双方的差距可想而知。

04 实验设计

关于流失用户(关闭代扣)召回,曾经使用过人工 AI 的召回实验，实验效果表明是正向的。

于是提出了赠送额外权益的增强版召回策略，但运营同学大意的只设计了赠送A权益和赠送B权益的实验组，并未设计不赠送任何权益的对照组。

当发现这个问题时，策略已经即将上线；当时我提出了质疑，如果不设定对照组，极端情况下赠送权益的实验组有可能比以前不做任何赠送的策略效果更差。

墨菲效应，果然最终跑出来的数据显示两个实验组的数据表现比过往不赠送时更差。

A/B 测试， 牢记要验证的变量是什么，控制好变量，做好实验设计 ，最基础也是最需牢记的内容。

05 不止于相关性结果

还是上边提到的关于流失用户（关闭代扣）召回，人工和AI的召回实验显示AI的召回效率高于人工，在看到这个意料之外结果后我提示对应的运营同学一定要去听下电话录音，去搞清楚其中的因果关系。

该同学当下并未立即行动，在赠送权益的实验中数据同样显示AI的表现优于人工。

这次他听从建议去听了录音，结果一下就破了案。

原来因为召回效率不高导致坐席获得的收益有限，所以人工坐席拨打时积极性不高，故而反而比不上标准水平的AI的效果。

如果使用绩优的坐席来拨打流失召回的策略呢？

如果不搞清楚相关性背后的因果关系的话也许我们会得出一个错误的结论。

实际上这点是许多对于迷信AB test团队的一个诟病点，只重视相关性，而不深究因果性。

听说过一个故事，今日头条在某个国家通过实验发现使用紫色的视觉色系用户留存会更好，但是其中的因果关系是什么呢？无人清楚、无人深究。

06 设定实验目标

这一点是我一直很强调的,但实际上是很多人会忽略的一点，他们认为实验无非是最终跑出一个实验结果，用最终的数据说话；所以实操的时候只管设计实验方式而不去设定实验目标，但实际上这点很重要。

拿张小龙在“微信十周年”上的演讲举例：

6月份的时候，那时社交推荐的新版还在开发吧，我在黑板上写下一个断言：未来有一天，视频的播放量，关注，好友推荐，机器推荐的消耗比例，应该是1:2:10。即，一个人应该平均看10个关注的视频，20个朋友赞的视频，100个系统推荐的视频这样的比例。

当时是这么解释的：

内容分两种，一种是你需要花脑力去理解的知识性信息，是学习；一种是不需要花脑力的思维舒适区的消费类的信息，是娱乐。朋友赞是朋友强迫你去获取你未必感兴趣的知识性信息，属于学习类的；机器推荐，是系统投其所好而让你很舒服的浏览你喜欢的消费性信息，属于娱乐类的，关注里面两种信息都有。

因为关注的东西你已经知道大概会是什么了，反而不会太有吸引力，因此是1。朋友赞虽然看起来累，但是不能错过，所以是2。而系统推荐，符合懒人原则，是大多数人都更容易消费且获得舒适感的信息，所以是10。

但是我们现在的大盘数据，并不是这个比例。现在朋友赞产生的整体vv，是机器推荐的2倍。

于是我让数据同事统计了一下，只拿有关注的用户来看。有关注的用户目前极少，属于活跃用户，所以代表了未来活跃用户的行为。前几天的数据是，有关注的用户，人均在三个tab产生的vv，差不多是1：2：9。拿到这个结果时我非常吃惊，它只是一种粗略的估计，并不是说预测特别准确； 而是说我们做东西的习惯是，如果这样做，应该先推理出来一个结果，然后用数据去验证，才能检验方向是不是对的。

做任何实验，包括做活动运营，如果需要你拿出预测数字背后必须有一套可以 逻辑自洽的推理过程 （假设基础），这会倒逼个人做出更加深入的思考，如果不做这一步事后做实验结果评估时就容易陷入到无章可循的地步。

举个反例，我让某个运营同学分析下因余额不足而流失的用户在生命周期不同节点（主要是月缴扣费节点）下的召回效率的差异，起初我建议他他做个预测分布情况，但他并没采纳。

等数据出来后他一下就迷茫了，因为传统认知中用户历史缴费期次越多用户对产品会越认同，同理召回效率会越高。

但数据却显示M2（第二次扣费节点）下的召回效率是最高的，M4次之，M3最差。

经我提示下，他重新去分析了M2召回后的用户留存情况，最终才得以柳暗花明。