极客时间的专栏读者你好，我是邱岳，我们今天继续增长的话题。
上两次分享我们说到增长的业务模型，我提到了通用的经典 AARRR ，并谈到了如何利用业务目标拆解指标，寻找增长杠杆，今天打算跟你分享增长的一些增长过程的套路。
我曾经听朋友引述做增长的名言，他说：“当你在博客或书上看到某一个增长策略的时候，它通常已经过时了。”所以，要做好增长，不能只关注具体操作层面的技巧，而应当多关注过程。
我们在了解和学习增长黑客的时候，最闪亮的总是那些四两拨千斤的策略，比如 “Dropbox 通过邀请好友获得额外存储空间”这样的神来之笔。
这样的招数听起来像是灵机一动，其实它是由一整套过程方法激发、筛选和测试出来的。在这个过程中，可能有无数的想法被提出来，其中一部分可以被投入测试，少数的策略能产生预期的效果。最终，只有少之又少的策略试验会真的带来显著增长，其他的都变成炮灰，消失殆尽。
增长的过程大概分成五步，分别是：
建立数据体系 → 分析 → 提出想法 → 排定优先级 → 测试。
(滑动可查看全部内容)
这几步周而复始，最后构成了增长的实施循环。
我们在前面分享提到过，增长是一种更偏理性的学科，它的决策依据就是测试的数据结果。毫无疑问，没有数据体系，不论产品还是运营，都会是盲目的，没办法谈增长。
当然，数据体系实施起来也有难易之分，除了自己打点做各种用户分析之外，我们还可以借助一些第三方的数据平台，比如 GA、MixPanel、Growing IO 等等。
实施的难易程度由复杂到简单依次是：
使用自有打点策略和日志工具进行复杂分析 > 使用第三方工具进行自定义打点与复杂分析 > 使用自有打点策略进行简单分析 > 使用第三方工具的基本功能进行简单分析。
(滑动可查看全部内容)
我们会在后面数据相关的部分中去介绍这些数据体系之间的差异，简而言之，大部分团队最终都会去选择自建数据体系。
不过，刚开始的时候，我们可以用第三方工具先把架子搭起来，先看到一些基本的数据指标，然后再逐渐进化。
这里的目的有两个，一是将业务流程以及各种分支分开，辨别每个步骤之间是否有不正常的流失和转化。另一个是将用户以各种维度分开，以控制和观察这些维度差异是否会给他们的行为带来影响。
前者相对宏观，它能告诉我们整体的业务流程在哪个阶段出现了缺陷和问题，比如我们可能会看到用户有加入购物车的行为，却仅有很小比例进入结算页面。
然后我们可以聚焦在这个环节，通过区分各种不同的用户维度，去观察不同维度用户之间是否有明显差异。比如是否已登录用户更容易进入结算页，或者是否留存用户更容易进入结算页，甚至是否非电信线路的用户更容易进入结算页。
在这些分析背后，我们可以提出各种想法和假设，对数据做出解释，并以此为基础，提出可能的解决方案去改善发现的问题。这个过程需要尽可能多地抛出假设，从某种角度来说，增长是依靠持续的、大量的尝试取胜的。
比如刚才的例子，如果我们发现已登录用户更容易进入结算页，可能是未登录用户的引导流程交互有问题；如果留存用户更容易进入结算页，可能用户去别的地方比价了或者本能的不愿意在一个陌生的网站花钱；如果电信线路用户更容易进入结算页，则有可能是服务没有对特定运营商线路进行优化。
而如果整体转化率都很低，会不会是用户把购物车当做收藏夹在使用？当然，还有一种可能是产品交互设计有问题，大部分用户都找不到进入结算页的入口，导致转化率很低。
基于这些问题，你可以去尝试以产品或运营角度的解决方案。这时提出的解决方案需要逻辑清楚，具备可行性。你要说清楚针对什么用户，做具体什么事情，最终以什么数据来证实这个策略是否有效。
千万不要模糊，提一些大而化之的策略，比如“改善未登录用户的引导流程”之类的需求，纯属浪费时间。
另外这个过程中尽可能要对数字提前做出假设，不要笼统的说“xxxx 指标会提高”，做假设可以帮助我们排定优先级，同时也是训练我们对增长策略效果进行预测能力的过程。
将各种可能的方案列出之后，接下来我们要去排定优先级，安排资源做试验了。这个过程与我们前面提到过的安排产品特性优先级的思路很像，也是集中力量优先解决性价比高的核心问题。
影响范围越广、实施成本越低、预期效果越好的策略，越应当优先安排。我个人的建议是优先从代价小的开始做，一来是把整个过程闭环快速地建立起来，二是成功时更容易获得信心，失败时受挫感不太强，方便逐渐养成直觉。
接下来就是实际投入实施的过程，根据优先级排定开工干活。去测试提出的想法和解决方案是否方向正确。测试应当完全以数据作为标准，新的方案是否带来了显著的指标改善或增量。
但既然是测试，就意味着是一个做验证判断的过程。验证的方式有两种，一种是按照科学的方式，进行 AB 测试，只对一部分用户实施测试，留下对照组进行对比。AB 测试的方法很多，可以基于完整的框架和方法论（这方面的内容在曲晓音的产品专栏中有详细的方法介绍，欢迎大家去学习）。
也可以糙快猛地加一个随机数实现（比如 30% 的用户做测试，那就在代码里硬编码生成一个 1-10 的随机数，如果大于 3，就继续用原方案，记住如果用这种方法过后要记得清干净）
还有一种方式是直接全量做上去，看数据的前后变化。这种方式不那么科学，但对于一些明显的缺陷改进和预期很好且很有信心的策略也不是不能用。我自己也经常这么粗暴地做测试，成功了就把特性留下来，失败了就撤。
测试产生大量的数据和逻辑事实，可能会验证我们的想法，从而可以帮助我们做进一步的分析。
没有谁能每一次都对问题做出精确的解释，并提出惊世骇俗的解决方案。大部分有效的增长策略是在上述过程的不断循环中诞生的，所以说我们不能迷恋具体的策略，而应当关注实践增长的过程。
今天我跟你一起分享了增长的实施过程，首先我们要建立好一个数学体系，其次我们要去分析我们的数据，再次，提出各种想法和假设，对数据做出解释，并以此为基础，提出可能的解决方案去改善发现的问题。
列出方案后，我们要去排定优先级，安排资源做实验。集中力量去解决核心问题。接下来就是测试的时刻，要关注每个方案是否带来改善。最后，我们还需要耐心等待，有效的增长策略就是在周而复始的循环中诞生的。
这个话题我们在后面的分享中还会提到，到时候再跟你分享我的思考和感受，今天的分享就到这里，欢迎你在留言中分享自己的增长实践过程，我们下一次再见。
评论