增长黑客的阴暗面
1. 对“增长黑客”保持克制
产品的增长其实并不是被发明的流程，它是一直存在的。人们通过各种方式发现产品和服务（获客），被吸引并动手尝试（激活），成为产品的用户不时地来使用它（留存），为它付费（变现），并推荐给更多的用户（传播）。
黑客其实是一种不拘泥于规则，通过各种各样的手段突破客观束缚和限制的精神。不论是利用薄弱环节取得系统的控制权，还是巧妙地绕开框架限制达成功能目标，这其实都是在利用聪明才智，去跟规律和规范做对抗。
所以当我们将“黑客”这个词用于增长时，其实就是一种突破产品自然增长规律的尝试。比如我们在上次分享聊到的传播过程，本来这是用户自发的过程，但当我们试图 Hack 它时，就需要通过各种手段去触发或加速这个过程。
这些手段在理性范围内是促进增长的科学，可一旦开始无节制地滥用，就会变成灾难，反倒给用户和产品带来伤害。
当利用人性弱点能够快速见效时，就会有人倾向于滥用这样的手段。
只需要很少比例不遵守规则的人，就可以引发可能波及所有人的“剧场效应”，而且一旦趋势开始发生，身在其中的任何人都无法依靠自身的力量扭转局面。
2. 朝着用户利益努力
在应用增长策略时，能够尽可能往用户利益的方向努力多走一步。至少做到不蒙骗、不恐吓、不嘲笑。
我们应当对那些病毒传播和爆炸式的增长保持警惕，对以刷屏、增粉为目标的神奇增长手段手段保持冷静。而去关注那些真正能够给用户带来价值，让他们心甘情愿变现和传播的特性。
个人理解：本篇更多的是人性的东西，其实对于产品如果不是更多的KPI指标压迫，心中有一个原则还是很重要的，在价值观的前提下，尽量不要沉浸在一些病毒式的和无节操的传播中，这类理解更在于自己内心能不能坚持，坚定不移的，对自己不该认可的事情去say no。
熵增
物理定义：熵增过程是一个自发的由有序向无序发展的过程(Bortz, 1986; Roth, 1993)。热力学定义：熵增加，系统的总能量不变，但其中可用部分减少。统计学定义：熵衡量系统的无序性。熵越高的系统就越难精确描述其微观状态。
产品经理需要具备的基础数据能力和意识
数据是产品经理最忠实的伙伴，它是理解产品现状的基础，是做出产品抉择的依据。数据分析能力通常也是产品经理技能图谱中最显著的内容。
1. 养成数据走查习惯
在我们开始分析这个问题之前，需要先注意一点，就是刚才提到的“例行看数据”。作为产品经理或运营，看数据应该是每天的必修课，这也是整体了解产品健康程度最有效的手段。
我每天睁眼的第一件事情就是掏手机看数据，因为全天的数据统计有几个小时延迟，早晨醒来的时候，刚好可以看到前一天的数据情况。
个人理解：习惯和平时自己一样，更多的时候我利用企业微信的插件功能，将每天的聚合数据定时9点发一次汇总到微信上，因为平时开机微信的打开频率最高，推送的实时性最高，后来将一些精确的监控指标也放在了微信上，相对及时和习惯性的了解第一手数据
这时我们可以通过一些第三方数据工具，看一下宏观指标，比如日活、用户新增、留存等。另外也会看一下收入情况，比如总收入、总订单笔数等等。
第二阶段是我到办公室之后打开电脑，第一件事情还是看数据。这个时候我会更多地利用我们自己的数据工具，看得相对微观一些。比如我会看各个渠道的用户数据，以及分时数据（就是每小时的情况），收入部分则会关注具体的收入构成以及变化。
这里理解更多的是对于一些精确的业务指标，每天的环比增量和用户参与量，实际的游戏消耗和 大局表现，当一些数据产生剧变时，一定是某些地方出现异常，不论是突如其来的流量，还是设计的系统漏洞。需要对这些异常的数据进行分析，这其中最怕的是自欺欺人的侥幸心理，墨菲定律在这里最能体现，往往 你安慰自己这个数据应该没啥问题吧，总是这里出现问题。
另一方面，作为产品经理，我们也应当保证自己是第一个获知产品健康动态的人。如果别人发现了产品的数据情况，来问我们的时候，我们什么都不知道，一头雾水，就会影响其他人对我们的信任。
2. 建立数据体系
“工欲善其事必先利其器”，要看数据，我们需要先建立产品的数据体系。我们在增长相关的分享中曾经提到过，数据体系有几种实施策略，可以完全自建，也可以利用第三方数据工具。
第三方工具（比如 GA、MixPanel、Growing IO 或 Umeng，对于小程序来说，可能是微信的官方后台或阿拉丁等等）功能丰富、性能稳定、上手比较快，而且能搜到很多相关资料；但是，它们的分析维度相对受限，只能对一些相对通用的行为数据进行分析，比如日活、月活、次日留存等。
初期可能会会有一个相当长的阶段，我们自己的工具平台可能远不如第三方平台丰富、易用和强大。这是很正常的现象，在这个过程中一定要有大局观念，咬牙尽可能多地使用自己的数据工具，只有这样才能帮助自建数据体系，快速度过尴尬期，发挥最大效应。
基础数据靠GA，精准业务数据靠后台，分渠道和漏斗数据最终还是需要自己做一系列的追踪和埋点
3. 数据仪表盘视图
不论是使用第三方工具还是自建数据工具，我们都应当有自己的“数据仪表盘”，也就是俗称的 Dashboard。
这个仪表盘有可能是第三方工具默认提供的（比如小程序数据统计工具），也可能是通过第三方工具自定义的数据视图（比如 GA 的自定义 Dashboard），也可能是自建数据平台的前端视图（比如我们是通过 Tableau 来构建业务数据的分析视图），还可能是从各个数据源拉取数据之后，在本地构建数据视图（比如用 Excel）。
Dashboard更多像是一个日常的实时数据跟踪，对于趋势的预估和分析会更适用
突发式流量数据暴跌，应该如何应对（分析篇）
“你在某天早晨起来，发现昨天产品流量暴跌 20%”，
1. 有没有业务变化或发布？
面对流量暴跌，我们要考虑的第一个可能性：是有没有产品或业务的变化。
2. 排除技术故障可能性
如果没有大的业务或产品调整，那么，我们接下来要排除技术故障的可能性。除了询问技术是否有相关发布（有时候纯技术的变更产品经理可能不知情），请他们查看系统监控和报警之外，我们也可以去看相关数据的分时报表，看一下 24 小时内的流量变化。
如果我们自己的系统没有故障，我们就需要排除环境故障。
比如网络故障和终端故障。这个时刻，我们需要对用户进行分类，从而观察数据，区分出不同的设备、网络条件、浏览器和屏幕尺寸等技术参数，再做一下对比。
3. 流量降低的“案发现场”在哪里
排除了技术故障之后，我们要找到流量降低的“案发现场”，去观察在所有的产品页面和功能模块中，是否存在某一个模块的流量显著降低，影响了整体情况。
找到案发现场，并不代表找到了具体的原因，只是找到了进一步做数据分析的一个努力方向，所以还是不能松懈。
4. 数据变化的渠道特征
Web 流量分为直接流量、搜索引擎和引荐流量三大类型，搜索引擎又分为自然搜索和付费搜索结果的来流。
个人理解：这里的排除故障的基础流程和游戏会有一些出入，具体的问题具体分析，个人更喜欢从用户的角度来看问题，
例如游戏昨日日活暴跌20%，第一时间先确定，20%意味着不是全部的影响范围，第一点从影响范围来确定问题，
非全部，则开始对比新增数据和活跃数据，可以定位是否新增出错，还是老用户的数据出错，
如果都平均，则排除新老用户的故障方向，再分析渠道数据，多渠道用户的数据对比，如果出现异常排除异常渠道。
等等二分法进行分析问题。
—— 欢迎在线投稿 ——
特别提示：关注本专栏，别错过行业干货！
PS：本司承接 小红书/淘宝逛逛/值得买/微博/抖音/百度系/知乎/大众点评等平台推广：关键词排名，笔记种草，数据优化等；
咨询微信：139 1053 2512 (同电话)
首席增长官CGO荐读：
更多精彩，关注：增长黑客（GrowthHK.cn）
增长黑客（Growth Hacker）是依靠技术和数据来达成各种营销目标的新型团队角色。从单线思维者时常忽略的角度和高度，梳理整合产品发展的因素，实现低成本甚至零成本带来的有效增长…
本文经授权发布，不代表增长黑客立场，如若转载，请注明出处：https://www.growthhk.cn/cgo/36720.html
微信扫一扫 
支付宝扫一扫 
