导图社区 高阶增长黑客实战营-增长实验
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,这就需要用实验来验证正确性了,如何进行增长实验呢?
营销的未来趋势是什么?从企业战略层面如何构建增长的理性结构?如何摆脱虚假繁荣,走向持续的、健康的盈利?如何通过品牌和数字化战略撬动业绩增长?这张图可以帮助大家建立关于增长的底层思维框架!
增长黑客,是以增长为唯一目标的一群人,他们所做的每一件事情,都会力求会给产品带来持续增长的可能性。一图读懂增长黑客,从PMF、用户获取、用户激活、用户留存、数据分析等六个方面,全面阐述了增长黑客这一概念。
时代给了很多新职业、新机会给努力的普通人,而对于我们每一个普通人来说,多一条路,多一些选择,不管怎么说都是好事❤️❤️。如果你也想把握这个职业新风口的话,学习全媒体运营就是一个选择。今天和大家分享一张新媒体运营师知识地图。
社区模板帮助中心,点此进入>>
电影院包场服务流程
暮尚正常运转导图
培训计划思维导图
车队管理
七夕活动策划
供应链类型
供应链管理平台
品牌设计分析思维导图
品牌定位思维导图
华东区项目
中心主题
增长实验
零、关于增长实验
增长方法论的底层逻辑
像投资者一样找杠杆
想科学家一样做实验
增长实验流程
产生实验想法
优先级排序
实验设计
开发上线
分析和应用结果
一、产生实验想法
核心
从数据中寻找洞察,是产生高质量实验想法的关键
1、明确实验目标
正确操作:从用户和业务角度出发
提升单点转化率
文案测试
设计测试
单页面测试
提升全漏斗转化率
路劲测试
对比新旧版本指标
新功能或版本上线
新功能探索
复杂实验:MVP、功能、算法
2、从数据中寻找洞察
高质量的实验想法
表现
实验假设的成功率高
实验指标提升幅度大
原因
实验假设有数据支持
形成高质量假设
3类数据支持
定量数据
定性数据
最佳实践
吸引注意力
提升动力
降低阻力
考虑场景
N轮数据分析
分析数据,发现问题
形成初步假设
进一步分析数据,提升假设质量
最佳实践:Lift模型
价值主张
明确有力的营销口号,用户准确感知自己能获得什么好处
相关性
落地页、转化页符合用户预期,与价值主张紧密关联
清晰度
体验流程清晰流畅,用户清晰知道下一步怎么做
焦虑感
做减法,不要给用户过多选择
注意力分散
减少视觉干扰,信息噪音,只为一个核心目的服务
紧迫感
促使用户决策,善用禀赋效应,损失厌恶
3、形成实验假设
输出模板
如果【具体的改动】 预计【某指标可以提升X%】 因为【深层的原因-被数据支持的假设】
利用模板,输出清晰的实验假设
二、优先级排序
ICE模型
预期影响 | impact
实验成功后的影响有多大
成功概率 | confidence
实验成功的概率有多大
容易程度 | ease
实验需要多少资源或成本才能上线
提升影响力
绝大多数核心产品团队只关心核心用户
覆盖更多用户
主动扩大覆盖面,关注“非核心用户”
从流量高的页面和路径开始,并多次实验
提升容易程度
通过MVP以最低成本验证实验假设
如何投入最小资源,最快证明或证伪你的实验假设
实验是否可以提供可信有效的结果和洞察
不要追求绝对精确的排序,而要提高实验频率和数量
三、实验设计
关于实验
用第三方实验工具设计和开发实验—简单
从头自建实验系统设计和开发实验—复杂
1、选择实验指标
正确的实验指标能够全面准确的检验实验假设的真伪,从而衡量实验结果的成败
衡量实验成败的三类指标
核心指标 | 1个
决定实验成败的关键指标
辅助指标 | <10个
漏斗细分步骤转化率
重要的下游指标
其他关键用户指标
反向指标 | 1-2个
实验可能的负面影响
2、确定实验受众
哪些人会被包含在实验里
针对特定用户群组进行实验
实验大概需要多少样本数
统计显著性
对照组和实验组之间的转化率差异多大可能是真实存在的,而不是随机误差引起的
影响实验所需样本数的因素
原版本转化率
新版本转化率
统计显著性要求
流量或用户越少,实验的改动要越大
3、设计实验版本
设计几个版本?区别是什么?
要点1:版本数取决于实验假设的数量
要点2:明确是优化实验,还是探索实验
要点3:版本越多,需要的总样本数越多
流量在版本间如何分配?
分流均匀
消除一切外在因素的影响
四、实验开发和上线
具体步骤
1.开发实验
开发实验版本
进行数据埋点
2.实验QA和UAT
检查实验版本和数据埋点
3.上线实验
上线代码
开始实验
实验指标埋点方法1 第三方a/b测试工具
确定实验指标
找到对应的用户行为
定义需求:行为事件埋点
开发完成埋点,数据返回A/B测试软件
A/B测试软件自动计算实验指标
实验指标埋点方法2 手动分析实验结果
定义需求:记录实验中包含哪些用户?他们看到的实验版本是什么?
开发完成埋点,数据返回数据库
手动分析,实验指标
五、分析和应用结果
1、评估结果可信性
判断是否达到统计显著
2、分析实验结果
实验成功还是失败
观测周期
短期观测
长期观测
背后的原因是什么
细分漏斗
用户调研
结果分群
后续实验
3、决定实验下一步
实验完成->分析结果
产品化
放弃
继续迭代
放大实验影响
乘胜追击
举一反三
调整方向
Everthing is an experient,Win or Learn