九日論道?- 專聊運營、聊增長、聊出海的實戰派筆記。論主自本科起主修計量經濟、金融，是中國出海做應用訂閱收入的先鋒玩家。其實做增長很容易，只不過不是每個人都能沉下心去歸因、總結以及復刻。

「靈感驅動是一時的運氣，數據驅動才是恒久的腳踏實地。」? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ———— BenjaminDxc

?

往往最讓人腦闊疼的不是那些隨手山寨App的個人開發者，反倒是那些融了資憑著一腔熱血和靈感在做應用的創業者們。

為他們大部分人感到頭疼是因為他們都在用心血實現著自己最初的夢想和靈感，但是他們每一次產品的迭代都沒有基于扎實的數據分析，而給出的理由大多都在說產品初期沒有想去規劃那么多，先做個產品出來看看。

?

現實是，哪怕產品已經上線跑了1年半載 (有的產品甚至跑了5年, 埋點數據依然雜亂），大部分創業者依然沒有建立完善的數據漏斗，純粹在憑借感覺在迭代app或者參考競品做了什么再去模仿。

?

兄Dei，您在做產品還是在砸金蛋呢???

?

?

這樣的產品還不如那些抄襲成品的山寨App來得賺錢。在論主接觸過的實例中，平均一款工具型山寨App，能以一個客戶端（Flutter寫程序）加一個后端的3周研發成本，0產品規劃、0運營投入，完全就靠「投放+各種花式誘導訂閱」，每個月能穩定賺數萬元。

?

個人開發者（香港賬戶）完全無視客訴，反正單個產品的體量也促不成工商消協出動，只要勉強"符合"蘋果審核規矩，下架是很難的。至于安卓就更不要擔心了。

言歸正傳，本篇主要目的不是教大家靠這種途徑短期發家致富。還是想喊醒那些認認真真創業的主兒~如果你們身邊有這樣的創業團隊，請拍醒他們。??

?

?

在這些團隊的產品迭代決策中，你經常會看到下列高?，F象：

沒有埋點卻想著法子去增加新的模塊：每個版本嘗試一個所謂「最小可行性產品」模塊，但幾乎每個模塊都沒有漏斗和埋點。"宏觀"數據好，恭喜你砸中了金蛋。最終的結論數據不好，直接放棄也不問緣由，當然也有一些人會試圖總結但歸因全憑猜因為過程數據他們壓根沒有收集全。

?

Hey dude，你知不知道在做增長的人眼里看來，單單一個界面的優化潛力就可以將轉化率提升5倍以上，更別提整個路徑節點的優化。但這些可能性在最初就被扼殺在了搖籃里。

?

順帶說一下，70%的人里他們腦海中的數據只有DAU, MAU，下載量和注冊量，撐死再看個留存。但他們不知道哪怕看留存都是要根據產品屬性調整緯度去看的。舉個最簡單的例子，基于社交軟件你可能會參考一個指標叫次日留存，但如果你看一個低頻的工具軟件也盯著次日留存去提升的話，只怕你會設計出讓用戶天天打卡的無腦模塊。

?

相信我！這種事情連資深的產品經理都可能干過。低頻的工具軟件，真要看的指標也應該是第一次使用后的第二次打開率而不是第二天的打開率。試圖提升一個錯誤指標，有個蛋用？？？

不重視留存卻催著推廣團隊搞病毒營銷：只要產品不起色，這個鍋先甩給推廣團隊。創始人經常會對自己的產品盲目自信，只要有效用戶的增長不給力或者拉新成本居高不下，那就一定是推廣團隊效率不行。

?

每日每夜盼著推廣團隊能搞點裂變營銷或者玩點投機手段，殊不知這些推廣手段也只有對好的產品才能起到事半功倍的效果。就像這次70周年慶，要是把《我和我的祖國》換成別的紅色歌曲肯定沒有辦法達到如今的推廣(洗腦)效果。（腦海中余音繚繞：我和我的祖國，一刻也不能分割）

?

?

伙計，如果產品不起色，請你先觀察留存和核心操作數據。所有無法順利完成核心操作的用戶都是無效用戶！都必然流失！然而數據漏斗都沒有做的產品在一開始就失去了歸因的基礎。

?

無法歸因，你沒辦法去把鍋甩給任何一方，你也沒辦法去做進一步的針對性迭代去優化。這就好比，沒有做過CT檢查的實際患癌患者也不會輕易認為自己體內藏有惡性腫瘤。

?

不跑AB卻拿著單一結果決定項目方向：迭代方案有沒有效果全憑最后的單項結果數據來裁決是極其不嚴謹的，因為最終體現的結果數據并非由一個路徑來決定。我知道一些團隊在評估效果的時候，不看路徑的數據漏斗，僅拿最終的數字結果（比如最終營收訂單的波動）作為參考，收入漲了就是做對了，收入跌了就是做錯了。

?

他們認為整個版本的迭代就改動了一個路徑，那么其他的變量就是不變的故對最終結果產生影響的只可能是改動過的那個路徑。這必然是不嚴謹的思考方式。

?

即使你沒做過其他的變動，也會有形形色色被你疏忽的他因影響著最終結果，比如節氣周期，服務器的連接穩定性，服務器證書是否過期，App Bug以及新增用戶的屬性等等。

?

當然，AB測試不是你想跑就能跑的，跑不好的AB實驗也是在浪費時間和精力。建立AB Testing的基建是一件痛苦且漫長的事情，其得出的最終實驗效果可靠與否還和分析師怎么篩選數據緯度、怎么設計埋點、怎么降低實驗干擾系數有很大關系。

對吧？埋點記錄什么行為、按什么規則嚴格分流、AABB檢驗分流精度、如何設計埋點來做后續交叉匹配等等工作都是有深層學問的。至于我看到知乎上的文章還有討論埋點的方式包括什么代碼埋點、全埋點、可視化埋點，?實際有那么講究詞匯嗎？

?

?

90%的人踩過這些坑

舉2個案例

感受數據背后的故事可以多豐富

?

數據案例分析1. ?某app做付費流程方案，出了AB兩個實驗各分流50%去跑，發現A組方案長期以來比B組方案的付費訂單要多，因此實驗人員結論得出A方案更好。

?

但后經排查，A組的分流里有明顯更多的Day0-Day7的新用戶，一般而言這些用戶的付費轉化更好，故A組的訂單更多是情理之中。所以，實驗失敗。

?

?

這種Case除了調整分流方法再去重做實驗以外，也可以嘗試另一個解決方法。那就是把新老用戶按A、B組拆分出來后各自算出?-「新用戶付費訂單/新用戶數」轉化率?以及?「老用戶付費訂單/老用戶數」轉化率。比如，我們得出A組（新10%，老2%）以及 B組（新8%，老4%），數據表明A組轉化新用戶效率更高而B組轉化老用戶效率更高。

?

到目前為止，我們還沒得出A和B哪個好。接著，我們還需要看另一個角度的參數那就是App本身的新老用戶占比分布。如果新老用戶（假設新增流失達到守恒后）占比始終是1：1，A和B打平。如果新用戶占比60%的話，那A方案勝出。如果老用戶占比60%的話，那B方案勝出。

?

因此，最后決定A組方案和B組方案哪個更好還要看當時新老用戶的占比分布，并且一旦新老用戶占比平衡被打破我們需要重新評估方案。那相對更高階的解決方法是把A方案曝光給0-7天的新用戶然后把B方案曝光給老用戶。如此，便一舉兩得一勞永逸。

?

在實際執行AB實驗的過程中，人們通常會把實驗的時間拉長來增加樣本數據從而盡量把干擾波動的他因給弱化排除，甚至我們也會算「置信區間」（通常用5%），來二次確保實驗結果的可靠性。但兵貴神速！如果在實驗過程中能提前多篩選出來點較為重要的變量控制好分流，完全是可以節約實驗時長的喲。

?

數據案例分析2.??地鐵廣告 vs 出租車后窗屏廣告，哪個渠道能做到更好的品效合一？巧了，論主今年就碰到過這種問題。這兩種方案，某公司正好都在嘗試，論主還被喊過去論證數據和討論測試方案。

?

地鐵廣告（左）vs 出租車廣告（右）

（網上隨緣找的圖，僅做示例。）

?

起初朋友公司在地鐵和出租車的廣告上都做了帶有下載二維碼的設計。為了評估兩個渠道的轉化效果，特地錯開了兩個方案的投放時間，并且盡可能地把視覺元素統一起來。試圖在測試過程中，篩選出哪個渠道能帶來更多的下載量。

?

最后結果跑出來和他們當初設想的很不一樣，地鐵廣告的下載效率遠遠高于出租車廣告。他們并不知道為什么，始終在圍繞視覺做出修改，認為地鐵廣告的轉化率高是因為視覺呈現更大更震撼。

?

然后我當時連數據也沒看，我看了一下他們的APP包的大小。我就猜到了為什么，因為地鐵有花生Wi-Fi這種免費Wi-Fi的存在，當然下載高了。接著，為了論證我的說法，我們需要排除視覺影響和人流的因素。我讓他們把掃碼的數據拿出來看一下。后來一看，我們發現掃出租車二維碼的絕對值數量遠高于掃地鐵二維碼的絕對值數量。

?

意味著，出租車廣告的掃碼轉化是相對更高的，但是由于流量費用的關系以及App下載包相對過大，才導致了大量用戶在這一層轉化上的流失。

?

好了！不過論主并不是專業做Branding的，琢磨著無法給你講述真正的品效合一。不過至少在商業感知上和數據的考量緯度上，可以和你思辯一下。

數字是很玄學的，所以才會有"數學"將其歸納總結。每個呈現的數字，其背后都有一條清晰的商業邏輯，而作為我們則需要時刻帶上自己的商業感知用科學的方法去挖掘真相。

P.s:?雖然論主在常態下評估方案的時候還會吊兒郎當，但一旦較真起來會用各種測算方法并且拿各種衡量的緯度去推敲斟酌：NPV, Sensitivity Analysis, Decision Tree，Opportunity Cost,?Black-Scholes等。

?

?

比如一個Pricing的方案，我一般會通過S.A的敏感測算矩陣+浮動概率通過Black-Scholes的模型推算出現在這個方案的期望價值（Expected Value), 再通過平衡其他成本包括機會成本從而得出整個方案執行落地的NPV（Net Present Value)，就知道這個需求在這個版本做合不合適。

沒有數據基建去支撐的應用是無法將商業模式規?；?。靈感只能用來驗證最初的Market Fit，而不是用來Scale Up產品的。