本篇文章，作者將分享一套通用的產品增長思維框架，以確定目標、尋找因素和構建模型三個板塊，展開講述這一思維框架的具體構建過程，有一定的適用性和參考意義。
無論對於B端仍是C端而言，在不同的產品階段，關注的重點總是不同，而使用的策略和方法都不太一樣。
而“增長模型”作為一套通用方法，可以合用於不同階段不同型別的產品，解決產品目標達成的問題。
以下是執行該模型的具體步驟：
一、確立“北極星指標”
“北極星指標”是增長的唯一目的，是可量化的。
它像一顆北極星一樣，指引著產品迭代更新的方向，幫助你集中有限的資源進行“爆破”，提升產品價值。尤其是在中後期產品規模擴大，溝通效率降低的情況下，一個有效的“北極星指標”有利於大型團隊的目標管理，提升整體行動力。
不同的產品型別，在不同的產品階段，其“北極星指標”都不一樣，需要根據產品實際情況進行確定。
“北極星指標”必須是緊扣業務實際與產品定位的。
接下來看兩個實際例子：
- 對於問答平臺“知乎”來說，其“北極星指標”一般是“有多少問題被回答了”。因為這個指標能直接反應出平臺的使用者活躍程度，即是否有越來越多的人喜歡在該平臺上不僅提問，而且回答。同時，該指標也緊扣了問答平臺對“問”和“答”兩大核心資料要求。
- 對於打車平臺“滴滴”來說，其“北極星指標”一般是“乘車人的平均候車時長”。或許在產品建立初期，其指標會是“打車訂單數”之類，但在打車市場已經無限繁榮且接近飽和的今天，“乘車人的平均候車時長”這一指標更加能反映出地區內乘客與司機密度，以及派單演算法的智慧程度。
但也請注意，“北極星指標”不一定是一成不變的，它可能在業務的不同發展階段而產生變化。
警惕“虛榮指標”並非所有指標都適合用來當做“北極星指標”。有些指標會給人一種看起來非常NB的感覺，但實際上沒什麼L用。
沉醉在“虛榮指標”的“繁榮”中是非常危險的，因為一個錯誤的指標，也將指引團隊前往錯誤的方向，最終導致崩盤。
常見的“虛榮指標”包括點選量、頁面瀏覽量（PV）、獨立訪客數（UV）、粉絲/好友/點贊數、網站停留時長/瀏覽頁面數、註冊量等。這些指標極其容易給人造成“繁榮”景象，從而對產品現狀產生誤判，更有甚者，還會造成企業資源消耗，團隊混亂等結果。
同時，“虛榮指標”還有一個特徵：就是容易被炮製。即透過一些手段，很容易達到。
舉個栗子：某房產中介APP，以“提升註冊使用者數”為目標，將該目標分攤給了銷售團隊，讓房產銷售每人每月必須至少完成一定數量的註冊使用者拉新任務。這是一個非常典型的“虛榮指標”，原因在於：
- 該指標與“北極星指標”沒有緊密的相關性。更多的註冊使用者數並不代表著能帶來更多的房產交易。
- 它非常容易被炮製。例如，房產銷售人員為了按時按量完成該任務，完全可以透過註冊機或淘寶購買假號碼註冊等方式達成目標。平臺方為了解決該問題，甚至需要額外付出大量資源去打假。
- 它消耗了大量資源，且分散了團隊的精力。
二、尋找相關性因素
接下來需要尋找與“北極星指標”緊密相關的因素：即這些因素的漲跌將直接影響“北極星指標”的漲跌。
可以嘗試透過以下方法尋找這些因素：
1. 業務理解基於自身對業務的理解，可以尋找到這些因素。
例如，一家小吃店的銷售額，一般與店鋪位置、小吃的定價、小吃的味道等因素有直接關係，這是憑藉著對線下飲食行業的基本理解就能得出來的相關性因素。
2. 使用者訪談可以透過對使用者進行針對性訪談，挖掘相關性因素。
- LTV高的客戶。因為他們在你的業務上支付了最多的錢，他們是享受你們業務服務最多的人，他們提供的意見當中，一般會包含高相關性因素。
- LTV低的客戶。因為他們是拋棄你們的人，可能是一開始拋棄，也可能是使用一段時間後拋棄。你需要去了解他們棄用產品的原因，這裡面也會包含重要的相關性因素資訊。
選擇較為“極端”的人群進行調研，更加容易得到清晰的結果。
3. 資料分析運用資料分析的方法挖掘相關性因素，需要先對資料的三個分類有清晰的認知：
1）使用者資料
表示了使用者屬性的資料指標，如人口統計學屬性（性別、地區、教育程度、口味……）、訪問來源等，這類指標能夠反映出使用者本身的特徵。
例如，你從事的是奶茶業務，業務範圍覆蓋全國，那麼在進行使用者群體相關的口味調研業務分析時，需要基於使用者所屬地區分開考量。因為不同地區的使用者，其嗜甜度不同（江浙滬地區的人可能更加喜歡甜）。
2）行為資料
表示了使用者在產品中的各類行為的資料指標，如頁面訪問、元素點選、停留時長等。使用者行為本身代表了使用者對資訊的期望，我們可以非常容易地利用使用者行為資料，推斷出使用者的實際需求。
使用者行為資料一般在最佳化業務流程或產品體驗時格外有用。
例如，當你觀察到APP某頁面上某個資訊區塊，使用者的點選量特別大、且停留時間較長，這證明了使用者對這部分資訊的感興趣程度較高。在後續的產品迭代中，則可以考慮有限最佳化這部分，方法可以有很多。例如在互動層面加重這塊的設計，或在業務層面著重最佳化這塊的資訊數量或質量等。
3）業務資料
表示了產品業務結果的資料指標，如訂單量、GMV等。
我們可以基於業務理解和使用者訪談的結果，選擇可能與“北極星指標”為高相關性的資料指標。例如，若“北極星指標”為“訂單轉化率”，則行為資料“7天內商品詳情頁訪問量”可能與其具有高相關性。
三、構建增長模型
增長模型其實就是一道由相關性因素組成的公式：
北極星指標=A×B×C
其中的A、B、C就是上述步驟中尋找到的相關性因素。
以上文中“訂單轉化率”為例，他在使用者行為層面的增長模型可能是：
訂單轉化率=首頁訪問量×搜尋執行量×詳情頁訪問量×訂單按鈕點選量×……
請注意。上述公式僅僅只是在使用者行為層面的公式。如果考慮使用者屬性或業務資料層面，可能會有不一樣的結果，例如若你的業務是銷售潮牌球鞋的，那麼使用者屬性上可能需要考慮：
訂單轉化率=男性使用者佔比×15至35歲使用者佔比×……
在業務資料層面可能需要考慮：
訂單轉化率=受歡迎的球鞋品牌數×最新款庫存量×……
我們也可以在頂層設計階段，為公司整體業務框架設定增長模型，以電商巨頭“亞馬遜”為例：
亞馬遜增長=垂類拓展×單個垂類商品庫存×單個商品頁面PV×購買轉化率×客單價×復購行為
1. 向下拆分每一個相關性因素，都可以繼續向下拆分：
A=A1×A2
例如，以上文的“訂單轉化率”為例，其中的“搜尋執行量”可以進一步被拆分為：
搜尋執行量=關鍵字輸入行為×(實時推薦結果點選量+模糊搜尋執行量)×……
方法上，依然可以使用上文提到的三個尋找相關性因素的方法。
請遵循“MECE”原則，儘可能地將指標拆分到足夠細緻的程度，有利於團隊任務的分配以及目標的整體實現。
2. 資料分析模型構建完畢後，遵循“資料驅動”原則，基於資料分析的結果，來指導後續產品策略的制定。
一般有以下常用的資料方法：
1）走勢分析
某指標基於某維度的變化情況。比較典型的場景是，觀察某些指標因素隨著時間維度的變化趨勢。
需要額外注意異常（驟增、驟降、波動）情況，並挖掘發生異常那段時間發生的事情（產品更新、技術最佳化、市場變動……）與該異常之間的相關性。
例如，若你觀察到“每週五晚上訂單量出現高峰”這一規律，則可以考慮針對該時間段進行喚醒和促銷活動。
2）分佈分析
某指標在其不同屬性上的分佈情況。
例如，你可以透過分析已售商品的購買者在“年齡”屬性上的分佈，瞭解到平臺的多數客戶的年齡分佈。接著，可以繼續觀察年齡分佈量最大的這部分客戶，在“商品分類”屬性上的分佈情況，瞭解到他們最喜歡購買哪些型別的商品。
這部分資料能夠同時對備貨訂貨策略及營銷推廣策略產生直接的指導價值。
3）漏斗分析
主要用於分析流程的轉化效果，從而可以很輕易地推斷出該流程最大的損失（卡點）在什麼環節，並進行針對性最佳化。
以海盜模型（AARRR）為例：如果從獲客（Acquisition）轉化到啟用（Activation）階段的轉化率有了明顯下降，則可以考慮是否獲客質量出現了問題，從而調整獲客策略。
4）尋找關鍵數字
尋找某指標與核心指標有最高相關性的關鍵屬性。尋找關鍵數字時，以上文中提到的“訂單轉化率”和“7天內商品詳情頁訪問量”為例：
- 獲取資料分佈。將“7天內商品詳情頁訪問量”的分佈情況做倒序排列，得出分佈面較廣的行為，例如，訪問量為10次和20次的排名前兩位。
- 下挖其屬性，並進行對比分析。繼續上例，我們可以將“7天內商品詳情頁訪問量為10次”和“7天內商品詳情頁訪問量為20次”的這部分使用者撈出，並計算出這兩部分使用者分別的“訂單轉化率”資料，誰是最高的。
- 可以重複進行2和3步驟，以找出“北極星指標”表現最好的行為資料，例如，結果是“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高。
3. 策略制定基於資料分析結果，我們可以很清晰地制定出產品策略方案。
繼續以上文為例，當我們得知了“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高，那麼接下來的問題就是：如何儘可能多地讓更多地使用者在7天內訪問商品詳情頁20次？
說白了，就是找到了核心行為，並尋找無核心行為的使用者執行核心行為的方法，並達到關鍵數字。
一般的流程為：
首先，進行頭腦風暴。
團隊成員各抒己見，提出各類認為可能可行的想法（Ideas），並最終組織為一個清單（Backlog）。
然後，快速實驗，並揚棄。
由產品經理或增長負責人，基於清單內容，制定優先順序，並按優先順序，將這些想法落地到產品內。
在進行實驗時，需要嚴格控制實驗範圍（如：限定參與實驗的使用者群），以獲得最佳的實驗結果。比較好用的實驗方式有AB測試。
例如，你的實驗內容為“調整訂單按鈕的文案”並觀察該方法是否能提升按鈕點選率。在控制試驗範圍時，儘可能只讓一小部分使用者群參與（確保不會影響產品整體），並且儘可能選擇在該按鈕點選上表現不佳的人群參與，以確保能夠得到清晰的實驗結果。
實驗結果，則是需要對該想法進行證明或證偽。
如果該想法確實對關鍵數字有幫助，則將其留存，否則棄用，立馬進行下一個實驗。
為了加快速率，可以考慮基於團隊資源分配效率，進行多實驗並行。
作者：吸貓狂魔；公眾號：吸貓狂魔
本文由 @吸貓狂魔 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於 CC0 協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。
本篇文章，作者將分享一套通用的產品增長思維框架，以確定目標、尋找因素和構建模型三個板塊，展開講述這一思維框架的具體構建過程，有一定的適用性和參考意義。
無論對於B端仍是C端而言，在不同的產品階段，關注的重點總是不同，而使用的策略和方法都不太一樣。
而“增長模型”作為一套通用方法，可以合用於不同階段不同型別的產品，解決產品目標達成的問題。
以下是執行該模型的具體步驟：
一、確立“北極星指標”
“北極星指標”是增長的唯一目的，是可量化的。
它像一顆北極星一樣，指引著產品迭代更新的方向，幫助你集中有限的資源進行“爆破”，提升產品價值。尤其是在中後期產品規模擴大，溝通效率降低的情況下，一個有效的“北極星指標”有利於大型團隊的目標管理，提升整體行動力。
不同的產品型別，在不同的產品階段，其“北極星指標”都不一樣，需要根據產品實際情況進行確定。
“北極星指標”必須是緊扣業務實際與產品定位的。
接下來看兩個實際例子：
- 對於問答平臺“知乎”來說，其“北極星指標”一般是“有多少問題被回答了”。因為這個指標能直接反應出平臺的使用者活躍程度，即是否有越來越多的人喜歡在該平臺上不僅提問，而且回答。同時，該指標也緊扣了問答平臺對“問”和“答”兩大核心資料要求。
- 對於打車平臺“滴滴”來說，其“北極星指標”一般是“乘車人的平均候車時長”。或許在產品建立初期，其指標會是“打車訂單數”之類，但在打車市場已經無限繁榮且接近飽和的今天，“乘車人的平均候車時長”這一指標更加能反映出地區內乘客與司機密度，以及派單演算法的智慧程度。
但也請注意，“北極星指標”不一定是一成不變的，它可能在業務的不同發展階段而產生變化。
警惕“虛榮指標”並非所有指標都適合用來當做“北極星指標”。有些指標會給人一種看起來非常NB的感覺，但實際上沒什麼L用。
沉醉在“虛榮指標”的“繁榮”中是非常危險的，因為一個錯誤的指標，也將指引團隊前往錯誤的方向，最終導致崩盤。
常見的“虛榮指標”包括點選量、頁面瀏覽量（PV）、獨立訪客數（UV）、粉絲/好友/點贊數、網站停留時長/瀏覽頁面數、註冊量等。這些指標極其容易給人造成“繁榮”景象，從而對產品現狀產生誤判，更有甚者，還會造成企業資源消耗，團隊混亂等結果。
同時，“虛榮指標”還有一個特徵：就是容易被炮製。即透過一些手段，很容易達到。
舉個栗子：某房產中介APP，以“提升註冊使用者數”為目標，將該目標分攤給了銷售團隊，讓房產銷售每人每月必須至少完成一定數量的註冊使用者拉新任務。這是一個非常典型的“虛榮指標”，原因在於：
- 該指標與“北極星指標”沒有緊密的相關性。更多的註冊使用者數並不代表著能帶來更多的房產交易。
- 它非常容易被炮製。例如，房產銷售人員為了按時按量完成該任務，完全可以透過註冊機或淘寶購買假號碼註冊等方式達成目標。平臺方為了解決該問題，甚至需要額外付出大量資源去打假。
- 它消耗了大量資源，且分散了團隊的精力。
二、尋找相關性因素
接下來需要尋找與“北極星指標”緊密相關的因素：即這些因素的漲跌將直接影響“北極星指標”的漲跌。
可以嘗試透過以下方法尋找這些因素：
1. 業務理解基於自身對業務的理解，可以尋找到這些因素。
例如，一家小吃店的銷售額，一般與店鋪位置、小吃的定價、小吃的味道等因素有直接關係，這是憑藉著對線下飲食行業的基本理解就能得出來的相關性因素。
2. 使用者訪談可以透過對使用者進行針對性訪談，挖掘相關性因素。
- LTV高的客戶。因為他們在你的業務上支付了最多的錢，他們是享受你們業務服務最多的人，他們提供的意見當中，一般會包含高相關性因素。
- LTV低的客戶。因為他們是拋棄你們的人，可能是一開始拋棄，也可能是使用一段時間後拋棄。你需要去了解他們棄用產品的原因，這裡面也會包含重要的相關性因素資訊。
選擇較為“極端”的人群進行調研，更加容易得到清晰的結果。
3. 資料分析運用資料分析的方法挖掘相關性因素，需要先對資料的三個分類有清晰的認知：
1）使用者資料
表示了使用者屬性的資料指標，如人口統計學屬性（性別、地區、教育程度、口味……）、訪問來源等，這類指標能夠反映出使用者本身的特徵。
例如，你從事的是奶茶業務，業務範圍覆蓋全國，那麼在進行使用者群體相關的口味調研業務分析時，需要基於使用者所屬地區分開考量。因為不同地區的使用者，其嗜甜度不同（江浙滬地區的人可能更加喜歡甜）。
2）行為資料
表示了使用者在產品中的各類行為的資料指標，如頁面訪問、元素點選、停留時長等。使用者行為本身代表了使用者對資訊的期望，我們可以非常容易地利用使用者行為資料，推斷出使用者的實際需求。
使用者行為資料一般在最佳化業務流程或產品體驗時格外有用。
例如，當你觀察到APP某頁面上某個資訊區塊，使用者的點選量特別大、且停留時間較長，這證明了使用者對這部分資訊的感興趣程度較高。在後續的產品迭代中，則可以考慮有限最佳化這部分，方法可以有很多。例如在互動層面加重這塊的設計，或在業務層面著重最佳化這塊的資訊數量或質量等。
3）業務資料
表示了產品業務結果的資料指標，如訂單量、GMV等。
我們可以基於業務理解和使用者訪談的結果，選擇可能與“北極星指標”為高相關性的資料指標。例如，若“北極星指標”為“訂單轉化率”，則行為資料“7天內商品詳情頁訪問量”可能與其具有高相關性。
三、構建增長模型
增長模型其實就是一道由相關性因素組成的公式：
北極星指標=A×B×C
其中的A、B、C就是上述步驟中尋找到的相關性因素。
以上文中“訂單轉化率”為例，他在使用者行為層面的增長模型可能是：
訂單轉化率=首頁訪問量×搜尋執行量×詳情頁訪問量×訂單按鈕點選量×……
請注意。上述公式僅僅只是在使用者行為層面的公式。如果考慮使用者屬性或業務資料層面，可能會有不一樣的結果，例如若你的業務是銷售潮牌球鞋的，那麼使用者屬性上可能需要考慮：
訂單轉化率=男性使用者佔比×15至35歲使用者佔比×……
在業務資料層面可能需要考慮：
訂單轉化率=受歡迎的球鞋品牌數×最新款庫存量×……
我們也可以在頂層設計階段，為公司整體業務框架設定增長模型，以電商巨頭“亞馬遜”為例：
亞馬遜增長=垂類拓展×單個垂類商品庫存×單個商品頁面PV×購買轉化率×客單價×復購行為
1. 向下拆分每一個相關性因素，都可以繼續向下拆分：
A=A1×A2
例如，以上文的“訂單轉化率”為例，其中的“搜尋執行量”可以進一步被拆分為：
搜尋執行量=關鍵字輸入行為×(實時推薦結果點選量+模糊搜尋執行量)×……
方法上，依然可以使用上文提到的三個尋找相關性因素的方法。
請遵循“MECE”原則，儘可能地將指標拆分到足夠細緻的程度，有利於團隊任務的分配以及目標的整體實現。
2. 資料分析模型構建完畢後，遵循“資料驅動”原則，基於資料分析的結果，來指導後續產品策略的制定。
一般有以下常用的資料方法：
1）走勢分析
某指標基於某維度的變化情況。比較典型的場景是，觀察某些指標因素隨著時間維度的變化趨勢。
需要額外注意異常（驟增、驟降、波動）情況，並挖掘發生異常那段時間發生的事情（產品更新、技術最佳化、市場變動……）與該異常之間的相關性。
例如，若你觀察到“每週五晚上訂單量出現高峰”這一規律，則可以考慮針對該時間段進行喚醒和促銷活動。
2）分佈分析
某指標在其不同屬性上的分佈情況。
例如，你可以透過分析已售商品的購買者在“年齡”屬性上的分佈，瞭解到平臺的多數客戶的年齡分佈。接著，可以繼續觀察年齡分佈量最大的這部分客戶，在“商品分類”屬性上的分佈情況，瞭解到他們最喜歡購買哪些型別的商品。
這部分資料能夠同時對備貨訂貨策略及營銷推廣策略產生直接的指導價值。
3）漏斗分析
主要用於分析流程的轉化效果，從而可以很輕易地推斷出該流程最大的損失（卡點）在什麼環節，並進行針對性最佳化。
以海盜模型（AARRR）為例：如果從獲客（Acquisition）轉化到啟用（Activation）階段的轉化率有了明顯下降，則可以考慮是否獲客質量出現了問題，從而調整獲客策略。
4）尋找關鍵數字
尋找某指標與核心指標有最高相關性的關鍵屬性。尋找關鍵數字時，以上文中提到的“訂單轉化率”和“7天內商品詳情頁訪問量”為例：
- 獲取資料分佈。將“7天內商品詳情頁訪問量”的分佈情況做倒序排列，得出分佈面較廣的行為，例如，訪問量為10次和20次的排名前兩位。
- 下挖其屬性，並進行對比分析。繼續上例，我們可以將“7天內商品詳情頁訪問量為10次”和“7天內商品詳情頁訪問量為20次”的這部分使用者撈出，並計算出這兩部分使用者分別的“訂單轉化率”資料，誰是最高的。
- 可以重複進行2和3步驟，以找出“北極星指標”表現最好的行為資料，例如，結果是“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高。
3. 策略制定基於資料分析結果，我們可以很清晰地制定出產品策略方案。
繼續以上文為例，當我們得知了“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高，那麼接下來的問題就是：如何儘可能多地讓更多地使用者在7天內訪問商品詳情頁20次？
說白了，就是找到了核心行為，並尋找無核心行為的使用者執行核心行為的方法，並達到關鍵數字。
一般的流程為：
首先，進行頭腦風暴。
團隊成員各抒己見，提出各類認為可能可行的想法（Ideas），並最終組織為一個清單（Backlog）。
然後，快速實驗，並揚棄。
由產品經理或增長負責人，基於清單內容，制定優先順序，並按優先順序，將這些想法落地到產品內。
在進行實驗時，需要嚴格控制實驗範圍（如：限定參與實驗的使用者群），以獲得最佳的實驗結果。比較好用的實驗方式有AB測試。
例如，你的實驗內容為“調整訂單按鈕的文案”並觀察該方法是否能提升按鈕點選率。在控制試驗範圍時，儘可能只讓一小部分使用者群參與（確保不會影響產品整體），並且儘可能選擇在該按鈕點選上表現不佳的人群參與，以確保能夠得到清晰的實驗結果。
實驗結果，則是需要對該想法進行證明或證偽。
如果該想法確實對關鍵數字有幫助，則將其留存，否則棄用，立馬進行下一個實驗。
為了加快速率，可以考慮基於團隊資源分配效率，進行多實驗並行。
作者：吸貓狂魔；公眾號：吸貓狂魔
本文由 @吸貓狂魔 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於 CC0 協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。
本篇文章，作者將分享一套通用的產品增長思維框架，以確定目標、尋找因素和構建模型三個板塊，展開講述這一思維框架的具體構建過程，有一定的適用性和參考意義。
無論對於B端仍是C端而言，在不同的產品階段，關注的重點總是不同，而使用的策略和方法都不太一樣。
而“增長模型”作為一套通用方法，可以合用於不同階段不同型別的產品，解決產品目標達成的問題。
以下是執行該模型的具體步驟：
一、確立“北極星指標”
“北極星指標”是增長的唯一目的，是可量化的。
它像一顆北極星一樣，指引著產品迭代更新的方向，幫助你集中有限的資源進行“爆破”，提升產品價值。尤其是在中後期產品規模擴大，溝通效率降低的情況下，一個有效的“北極星指標”有利於大型團隊的目標管理，提升整體行動力。
不同的產品型別，在不同的產品階段，其“北極星指標”都不一樣，需要根據產品實際情況進行確定。
“北極星指標”必須是緊扣業務實際與產品定位的。
接下來看兩個實際例子：
- 對於問答平臺“知乎”來說，其“北極星指標”一般是“有多少問題被回答了”。因為這個指標能直接反應出平臺的使用者活躍程度，即是否有越來越多的人喜歡在該平臺上不僅提問，而且回答。同時，該指標也緊扣了問答平臺對“問”和“答”兩大核心資料要求。
- 對於打車平臺“滴滴”來說，其“北極星指標”一般是“乘車人的平均候車時長”。或許在產品建立初期，其指標會是“打車訂單數”之類，但在打車市場已經無限繁榮且接近飽和的今天，“乘車人的平均候車時長”這一指標更加能反映出地區內乘客與司機密度，以及派單演算法的智慧程度。
但也請注意，“北極星指標”不一定是一成不變的，它可能在業務的不同發展階段而產生變化。
警惕“虛榮指標”並非所有指標都適合用來當做“北極星指標”。有些指標會給人一種看起來非常NB的感覺，但實際上沒什麼L用。
沉醉在“虛榮指標”的“繁榮”中是非常危險的，因為一個錯誤的指標，也將指引團隊前往錯誤的方向，最終導致崩盤。
常見的“虛榮指標”包括點選量、頁面瀏覽量（PV）、獨立訪客數（UV）、粉絲/好友/點贊數、網站停留時長/瀏覽頁面數、註冊量等。這些指標極其容易給人造成“繁榮”景象，從而對產品現狀產生誤判，更有甚者，還會造成企業資源消耗，團隊混亂等結果。
同時，“虛榮指標”還有一個特徵：就是容易被炮製。即透過一些手段，很容易達到。
舉個栗子：某房產中介APP，以“提升註冊使用者數”為目標，將該目標分攤給了銷售團隊，讓房產銷售每人每月必須至少完成一定數量的註冊使用者拉新任務。這是一個非常典型的“虛榮指標”，原因在於：
- 該指標與“北極星指標”沒有緊密的相關性。更多的註冊使用者數並不代表著能帶來更多的房產交易。
- 它非常容易被炮製。例如，房產銷售人員為了按時按量完成該任務，完全可以透過註冊機或淘寶購買假號碼註冊等方式達成目標。平臺方為了解決該問題，甚至需要額外付出大量資源去打假。
- 它消耗了大量資源，且分散了團隊的精力。
二、尋找相關性因素
接下來需要尋找與“北極星指標”緊密相關的因素：即這些因素的漲跌將直接影響“北極星指標”的漲跌。
可以嘗試透過以下方法尋找這些因素：
1. 業務理解基於自身對業務的理解，可以尋找到這些因素。
例如，一家小吃店的銷售額，一般與店鋪位置、小吃的定價、小吃的味道等因素有直接關係，這是憑藉著對線下飲食行業的基本理解就能得出來的相關性因素。
2. 使用者訪談可以透過對使用者進行針對性訪談，挖掘相關性因素。
- LTV高的客戶。因為他們在你的業務上支付了最多的錢，他們是享受你們業務服務最多的人，他們提供的意見當中，一般會包含高相關性因素。
- LTV低的客戶。因為他們是拋棄你們的人，可能是一開始拋棄，也可能是使用一段時間後拋棄。你需要去了解他們棄用產品的原因，這裡面也會包含重要的相關性因素資訊。
選擇較為“極端”的人群進行調研，更加容易得到清晰的結果。
3. 資料分析運用資料分析的方法挖掘相關性因素，需要先對資料的三個分類有清晰的認知：
1）使用者資料
表示了使用者屬性的資料指標，如人口統計學屬性（性別、地區、教育程度、口味……）、訪問來源等，這類指標能夠反映出使用者本身的特徵。
例如，你從事的是奶茶業務，業務範圍覆蓋全國，那麼在進行使用者群體相關的口味調研業務分析時，需要基於使用者所屬地區分開考量。因為不同地區的使用者，其嗜甜度不同（江浙滬地區的人可能更加喜歡甜）。
2）行為資料
表示了使用者在產品中的各類行為的資料指標，如頁面訪問、元素點選、停留時長等。使用者行為本身代表了使用者對資訊的期望，我們可以非常容易地利用使用者行為資料，推斷出使用者的實際需求。
使用者行為資料一般在最佳化業務流程或產品體驗時格外有用。
例如，當你觀察到APP某頁面上某個資訊區塊，使用者的點選量特別大、且停留時間較長，這證明了使用者對這部分資訊的感興趣程度較高。在後續的產品迭代中，則可以考慮有限最佳化這部分，方法可以有很多。例如在互動層面加重這塊的設計，或在業務層面著重最佳化這塊的資訊數量或質量等。
3）業務資料
表示了產品業務結果的資料指標，如訂單量、GMV等。
我們可以基於業務理解和使用者訪談的結果，選擇可能與“北極星指標”為高相關性的資料指標。例如，若“北極星指標”為“訂單轉化率”，則行為資料“7天內商品詳情頁訪問量”可能與其具有高相關性。
三、構建增長模型
增長模型其實就是一道由相關性因素組成的公式：
北極星指標=A×B×C
其中的A、B、C就是上述步驟中尋找到的相關性因素。
以上文中“訂單轉化率”為例，他在使用者行為層面的增長模型可能是：
訂單轉化率=首頁訪問量×搜尋執行量×詳情頁訪問量×訂單按鈕點選量×……
請注意。上述公式僅僅只是在使用者行為層面的公式。如果考慮使用者屬性或業務資料層面，可能會有不一樣的結果，例如若你的業務是銷售潮牌球鞋的，那麼使用者屬性上可能需要考慮：
訂單轉化率=男性使用者佔比×15至35歲使用者佔比×……
在業務資料層面可能需要考慮：
訂單轉化率=受歡迎的球鞋品牌數×最新款庫存量×……
我們也可以在頂層設計階段，為公司整體業務框架設定增長模型，以電商巨頭“亞馬遜”為例：
亞馬遜增長=垂類拓展×單個垂類商品庫存×單個商品頁面PV×購買轉化率×客單價×復購行為
1. 向下拆分每一個相關性因素，都可以繼續向下拆分：
A=A1×A2
例如，以上文的“訂單轉化率”為例，其中的“搜尋執行量”可以進一步被拆分為：
搜尋執行量=關鍵字輸入行為×(實時推薦結果點選量+模糊搜尋執行量)×……
方法上，依然可以使用上文提到的三個尋找相關性因素的方法。
請遵循“MECE”原則，儘可能地將指標拆分到足夠細緻的程度，有利於團隊任務的分配以及目標的整體實現。
2. 資料分析模型構建完畢後，遵循“資料驅動”原則，基於資料分析的結果，來指導後續產品策略的制定。
一般有以下常用的資料方法：
1）走勢分析
某指標基於某維度的變化情況。比較典型的場景是，觀察某些指標因素隨著時間維度的變化趨勢。
需要額外注意異常（驟增、驟降、波動）情況，並挖掘發生異常那段時間發生的事情（產品更新、技術最佳化、市場變動……）與該異常之間的相關性。
例如，若你觀察到“每週五晚上訂單量出現高峰”這一規律，則可以考慮針對該時間段進行喚醒和促銷活動。
2）分佈分析
某指標在其不同屬性上的分佈情況。
例如，你可以透過分析已售商品的購買者在“年齡”屬性上的分佈，瞭解到平臺的多數客戶的年齡分佈。接著，可以繼續觀察年齡分佈量最大的這部分客戶，在“商品分類”屬性上的分佈情況，瞭解到他們最喜歡購買哪些型別的商品。
這部分資料能夠同時對備貨訂貨策略及營銷推廣策略產生直接的指導價值。
3）漏斗分析
主要用於分析流程的轉化效果，從而可以很輕易地推斷出該流程最大的損失（卡點）在什麼環節，並進行針對性最佳化。
以海盜模型（AARRR）為例：如果從獲客（Acquisition）轉化到啟用（Activation）階段的轉化率有了明顯下降，則可以考慮是否獲客質量出現了問題，從而調整獲客策略。
4）尋找關鍵數字
尋找某指標與核心指標有最高相關性的關鍵屬性。尋找關鍵數字時，以上文中提到的“訂單轉化率”和“7天內商品詳情頁訪問量”為例：
- 獲取資料分佈。將“7天內商品詳情頁訪問量”的分佈情況做倒序排列，得出分佈面較廣的行為，例如，訪問量為10次和20次的排名前兩位。
- 下挖其屬性，並進行對比分析。繼續上例，我們可以將“7天內商品詳情頁訪問量為10次”和“7天內商品詳情頁訪問量為20次”的這部分使用者撈出，並計算出這兩部分使用者分別的“訂單轉化率”資料，誰是最高的。
- 可以重複進行2和3步驟，以找出“北極星指標”表現最好的行為資料，例如，結果是“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高。
3. 策略制定基於資料分析結果，我們可以很清晰地制定出產品策略方案。
繼續以上文為例，當我們得知了“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高，那麼接下來的問題就是：如何儘可能多地讓更多地使用者在7天內訪問商品詳情頁20次？
說白了，就是找到了核心行為，並尋找無核心行為的使用者執行核心行為的方法，並達到關鍵數字。
一般的流程為：
首先，進行頭腦風暴。
團隊成員各抒己見，提出各類認為可能可行的想法（Ideas），並最終組織為一個清單（Backlog）。
然後，快速實驗，並揚棄。
由產品經理或增長負責人，基於清單內容，制定優先順序，並按優先順序，將這些想法落地到產品內。
在進行實驗時，需要嚴格控制實驗範圍（如：限定參與實驗的使用者群），以獲得最佳的實驗結果。比較好用的實驗方式有AB測試。
例如，你的實驗內容為“調整訂單按鈕的文案”並觀察該方法是否能提升按鈕點選率。在控制試驗範圍時，儘可能只讓一小部分使用者群參與（確保不會影響產品整體），並且儘可能選擇在該按鈕點選上表現不佳的人群參與，以確保能夠得到清晰的實驗結果。
實驗結果，則是需要對該想法進行證明或證偽。
如果該想法確實對關鍵數字有幫助，則將其留存，否則棄用，立馬進行下一個實驗。
為了加快速率，可以考慮基於團隊資源分配效率，進行多實驗並行。
作者：吸貓狂魔；公眾號：吸貓狂魔
本文由 @吸貓狂魔 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於 CC0 協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。
本篇文章，作者將分享一套通用的產品增長思維框架，以確定目標、尋找因素和構建模型三個板塊，展開講述這一思維框架的具體構建過程，有一定的適用性和參考意義。
無論對於B端仍是C端而言，在不同的產品階段，關注的重點總是不同，而使用的策略和方法都不太一樣。
而“增長模型”作為一套通用方法，可以合用於不同階段不同型別的產品，解決產品目標達成的問題。
以下是執行該模型的具體步驟：
一、確立“北極星指標”
“北極星指標”是增長的唯一目的，是可量化的。
它像一顆北極星一樣，指引著產品迭代更新的方向，幫助你集中有限的資源進行“爆破”，提升產品價值。尤其是在中後期產品規模擴大，溝通效率降低的情況下，一個有效的“北極星指標”有利於大型團隊的目標管理，提升整體行動力。
不同的產品型別，在不同的產品階段，其“北極星指標”都不一樣，需要根據產品實際情況進行確定。
“北極星指標”必須是緊扣業務實際與產品定位的。
接下來看兩個實際例子：
- 對於問答平臺“知乎”來說，其“北極星指標”一般是“有多少問題被回答了”。因為這個指標能直接反應出平臺的使用者活躍程度，即是否有越來越多的人喜歡在該平臺上不僅提問，而且回答。同時，該指標也緊扣了問答平臺對“問”和“答”兩大核心資料要求。
- 對於打車平臺“滴滴”來說，其“北極星指標”一般是“乘車人的平均候車時長”。或許在產品建立初期，其指標會是“打車訂單數”之類，但在打車市場已經無限繁榮且接近飽和的今天，“乘車人的平均候車時長”這一指標更加能反映出地區內乘客與司機密度，以及派單演算法的智慧程度。
但也請注意，“北極星指標”不一定是一成不變的，它可能在業務的不同發展階段而產生變化。
警惕“虛榮指標”並非所有指標都適合用來當做“北極星指標”。有些指標會給人一種看起來非常NB的感覺，但實際上沒什麼L用。
沉醉在“虛榮指標”的“繁榮”中是非常危險的，因為一個錯誤的指標，也將指引團隊前往錯誤的方向，最終導致崩盤。
常見的“虛榮指標”包括點選量、頁面瀏覽量（PV）、獨立訪客數（UV）、粉絲/好友/點贊數、網站停留時長/瀏覽頁面數、註冊量等。這些指標極其容易給人造成“繁榮”景象，從而對產品現狀產生誤判，更有甚者，還會造成企業資源消耗，團隊混亂等結果。
同時，“虛榮指標”還有一個特徵：就是容易被炮製。即透過一些手段，很容易達到。
舉個栗子：某房產中介APP，以“提升註冊使用者數”為目標，將該目標分攤給了銷售團隊，讓房產銷售每人每月必須至少完成一定數量的註冊使用者拉新任務。這是一個非常典型的“虛榮指標”，原因在於：
- 該指標與“北極星指標”沒有緊密的相關性。更多的註冊使用者數並不代表著能帶來更多的房產交易。
- 它非常容易被炮製。例如，房產銷售人員為了按時按量完成該任務，完全可以透過註冊機或淘寶購買假號碼註冊等方式達成目標。平臺方為了解決該問題，甚至需要額外付出大量資源去打假。
- 它消耗了大量資源，且分散了團隊的精力。
二、尋找相關性因素
接下來需要尋找與“北極星指標”緊密相關的因素：即這些因素的漲跌將直接影響“北極星指標”的漲跌。
可以嘗試透過以下方法尋找這些因素：
1. 業務理解基於自身對業務的理解，可以尋找到這些因素。
例如，一家小吃店的銷售額，一般與店鋪位置、小吃的定價、小吃的味道等因素有直接關係，這是憑藉著對線下飲食行業的基本理解就能得出來的相關性因素。
2. 使用者訪談可以透過對使用者進行針對性訪談，挖掘相關性因素。
- LTV高的客戶。因為他們在你的業務上支付了最多的錢，他們是享受你們業務服務最多的人，他們提供的意見當中，一般會包含高相關性因素。
- LTV低的客戶。因為他們是拋棄你們的人，可能是一開始拋棄，也可能是使用一段時間後拋棄。你需要去了解他們棄用產品的原因，這裡面也會包含重要的相關性因素資訊。
選擇較為“極端”的人群進行調研，更加容易得到清晰的結果。
3. 資料分析運用資料分析的方法挖掘相關性因素，需要先對資料的三個分類有清晰的認知：
1）使用者資料
表示了使用者屬性的資料指標，如人口統計學屬性（性別、地區、教育程度、口味……）、訪問來源等，這類指標能夠反映出使用者本身的特徵。
例如，你從事的是奶茶業務，業務範圍覆蓋全國，那麼在進行使用者群體相關的口味調研業務分析時，需要基於使用者所屬地區分開考量。因為不同地區的使用者，其嗜甜度不同（江浙滬地區的人可能更加喜歡甜）。
2）行為資料
表示了使用者在產品中的各類行為的資料指標，如頁面訪問、元素點選、停留時長等。使用者行為本身代表了使用者對資訊的期望，我們可以非常容易地利用使用者行為資料，推斷出使用者的實際需求。
使用者行為資料一般在最佳化業務流程或產品體驗時格外有用。
例如，當你觀察到APP某頁面上某個資訊區塊，使用者的點選量特別大、且停留時間較長，這證明了使用者對這部分資訊的感興趣程度較高。在後續的產品迭代中，則可以考慮有限最佳化這部分，方法可以有很多。例如在互動層面加重這塊的設計，或在業務層面著重最佳化這塊的資訊數量或質量等。
3）業務資料
表示了產品業務結果的資料指標，如訂單量、GMV等。
我們可以基於業務理解和使用者訪談的結果，選擇可能與“北極星指標”為高相關性的資料指標。例如，若“北極星指標”為“訂單轉化率”，則行為資料“7天內商品詳情頁訪問量”可能與其具有高相關性。
三、構建增長模型
增長模型其實就是一道由相關性因素組成的公式：
北極星指標=A×B×C
其中的A、B、C就是上述步驟中尋找到的相關性因素。
以上文中“訂單轉化率”為例，他在使用者行為層面的增長模型可能是：
訂單轉化率=首頁訪問量×搜尋執行量×詳情頁訪問量×訂單按鈕點選量×……
請注意。上述公式僅僅只是在使用者行為層面的公式。如果考慮使用者屬性或業務資料層面，可能會有不一樣的結果，例如若你的業務是銷售潮牌球鞋的，那麼使用者屬性上可能需要考慮：
訂單轉化率=男性使用者佔比×15至35歲使用者佔比×……
在業務資料層面可能需要考慮：
訂單轉化率=受歡迎的球鞋品牌數×最新款庫存量×……
我們也可以在頂層設計階段，為公司整體業務框架設定增長模型，以電商巨頭“亞馬遜”為例：
亞馬遜增長=垂類拓展×單個垂類商品庫存×單個商品頁面PV×購買轉化率×客單價×復購行為
1. 向下拆分每一個相關性因素，都可以繼續向下拆分：
A=A1×A2
例如，以上文的“訂單轉化率”為例，其中的“搜尋執行量”可以進一步被拆分為：
搜尋執行量=關鍵字輸入行為×(實時推薦結果點選量+模糊搜尋執行量)×……
方法上，依然可以使用上文提到的三個尋找相關性因素的方法。
請遵循“MECE”原則，儘可能地將指標拆分到足夠細緻的程度，有利於團隊任務的分配以及目標的整體實現。
2. 資料分析模型構建完畢後，遵循“資料驅動”原則，基於資料分析的結果，來指導後續產品策略的制定。
一般有以下常用的資料方法：
1）走勢分析
某指標基於某維度的變化情況。比較典型的場景是，觀察某些指標因素隨著時間維度的變化趨勢。
需要額外注意異常（驟增、驟降、波動）情況，並挖掘發生異常那段時間發生的事情（產品更新、技術最佳化、市場變動……）與該異常之間的相關性。
例如，若你觀察到“每週五晚上訂單量出現高峰”這一規律，則可以考慮針對該時間段進行喚醒和促銷活動。
2）分佈分析
某指標在其不同屬性上的分佈情況。
例如，你可以透過分析已售商品的購買者在“年齡”屬性上的分佈，瞭解到平臺的多數客戶的年齡分佈。接著，可以繼續觀察年齡分佈量最大的這部分客戶，在“商品分類”屬性上的分佈情況，瞭解到他們最喜歡購買哪些型別的商品。
這部分資料能夠同時對備貨訂貨策略及營銷推廣策略產生直接的指導價值。
3）漏斗分析
主要用於分析流程的轉化效果，從而可以很輕易地推斷出該流程最大的損失（卡點）在什麼環節，並進行針對性最佳化。
以海盜模型（AARRR）為例：如果從獲客（Acquisition）轉化到啟用（Activation）階段的轉化率有了明顯下降，則可以考慮是否獲客質量出現了問題，從而調整獲客策略。
4）尋找關鍵數字
尋找某指標與核心指標有最高相關性的關鍵屬性。尋找關鍵數字時，以上文中提到的“訂單轉化率”和“7天內商品詳情頁訪問量”為例：
- 獲取資料分佈。將“7天內商品詳情頁訪問量”的分佈情況做倒序排列，得出分佈面較廣的行為，例如，訪問量為10次和20次的排名前兩位。
- 下挖其屬性，並進行對比分析。繼續上例，我們可以將“7天內商品詳情頁訪問量為10次”和“7天內商品詳情頁訪問量為20次”的這部分使用者撈出，並計算出這兩部分使用者分別的“訂單轉化率”資料，誰是最高的。
- 可以重複進行2和3步驟，以找出“北極星指標”表現最好的行為資料，例如，結果是“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高。
3. 策略制定基於資料分析結果，我們可以很清晰地制定出產品策略方案。
繼續以上文為例，當我們得知了“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高，那麼接下來的問題就是：如何儘可能多地讓更多地使用者在7天內訪問商品詳情頁20次？
說白了，就是找到了核心行為，並尋找無核心行為的使用者執行核心行為的方法，並達到關鍵數字。
一般的流程為：
首先，進行頭腦風暴。
團隊成員各抒己見，提出各類認為可能可行的想法（Ideas），並最終組織為一個清單（Backlog）。
然後，快速實驗，並揚棄。
由產品經理或增長負責人，基於清單內容，制定優先順序，並按優先順序，將這些想法落地到產品內。
在進行實驗時，需要嚴格控制實驗範圍（如：限定參與實驗的使用者群），以獲得最佳的實驗結果。比較好用的實驗方式有AB測試。
例如，你的實驗內容為“調整訂單按鈕的文案”並觀察該方法是否能提升按鈕點選率。在控制試驗範圍時，儘可能只讓一小部分使用者群參與（確保不會影響產品整體），並且儘可能選擇在該按鈕點選上表現不佳的人群參與，以確保能夠得到清晰的實驗結果。
實驗結果，則是需要對該想法進行證明或證偽。
如果該想法確實對關鍵數字有幫助，則將其留存，否則棄用，立馬進行下一個實驗。
為了加快速率，可以考慮基於團隊資源分配效率，進行多實驗並行。
作者：吸貓狂魔；公眾號：吸貓狂魔
本文由 @吸貓狂魔 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於 CC0 協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。
本篇文章，作者將分享一套通用的產品增長思維框架，以確定目標、尋找因素和構建模型三個板塊，展開講述這一思維框架的具體構建過程，有一定的適用性和參考意義。
無論對於B端仍是C端而言，在不同的產品階段，關注的重點總是不同，而使用的策略和方法都不太一樣。
而“增長模型”作為一套通用方法，可以合用於不同階段不同型別的產品，解決產品目標達成的問題。
以下是執行該模型的具體步驟：
一、確立“北極星指標”
“北極星指標”是增長的唯一目的，是可量化的。
它像一顆北極星一樣，指引著產品迭代更新的方向，幫助你集中有限的資源進行“爆破”，提升產品價值。尤其是在中後期產品規模擴大，溝通效率降低的情況下，一個有效的“北極星指標”有利於大型團隊的目標管理，提升整體行動力。
不同的產品型別，在不同的產品階段，其“北極星指標”都不一樣，需要根據產品實際情況進行確定。
“北極星指標”必須是緊扣業務實際與產品定位的。
接下來看兩個實際例子：
- 對於問答平臺“知乎”來說，其“北極星指標”一般是“有多少問題被回答了”。因為這個指標能直接反應出平臺的使用者活躍程度，即是否有越來越多的人喜歡在該平臺上不僅提問，而且回答。同時，該指標也緊扣了問答平臺對“問”和“答”兩大核心資料要求。
- 對於打車平臺“滴滴”來說，其“北極星指標”一般是“乘車人的平均候車時長”。或許在產品建立初期，其指標會是“打車訂單數”之類，但在打車市場已經無限繁榮且接近飽和的今天，“乘車人的平均候車時長”這一指標更加能反映出地區內乘客與司機密度，以及派單演算法的智慧程度。
但也請注意，“北極星指標”不一定是一成不變的，它可能在業務的不同發展階段而產生變化。
警惕“虛榮指標”並非所有指標都適合用來當做“北極星指標”。有些指標會給人一種看起來非常NB的感覺，但實際上沒什麼L用。
沉醉在“虛榮指標”的“繁榮”中是非常危險的，因為一個錯誤的指標，也將指引團隊前往錯誤的方向，最終導致崩盤。
常見的“虛榮指標”包括點選量、頁面瀏覽量（PV）、獨立訪客數（UV）、粉絲/好友/點贊數、網站停留時長/瀏覽頁面數、註冊量等。這些指標極其容易給人造成“繁榮”景象，從而對產品現狀產生誤判，更有甚者，還會造成企業資源消耗，團隊混亂等結果。
同時，“虛榮指標”還有一個特徵：就是容易被炮製。即透過一些手段，很容易達到。
舉個栗子：某房產中介APP，以“提升註冊使用者數”為目標，將該目標分攤給了銷售團隊，讓房產銷售每人每月必須至少完成一定數量的註冊使用者拉新任務。這是一個非常典型的“虛榮指標”，原因在於：
- 該指標與“北極星指標”沒有緊密的相關性。更多的註冊使用者數並不代表著能帶來更多的房產交易。
- 它非常容易被炮製。例如，房產銷售人員為了按時按量完成該任務，完全可以透過註冊機或淘寶購買假號碼註冊等方式達成目標。平臺方為了解決該問題，甚至需要額外付出大量資源去打假。
- 它消耗了大量資源，且分散了團隊的精力。
二、尋找相關性因素
接下來需要尋找與“北極星指標”緊密相關的因素：即這些因素的漲跌將直接影響“北極星指標”的漲跌。
可以嘗試透過以下方法尋找這些因素：
1. 業務理解基於自身對業務的理解，可以尋找到這些因素。
例如，一家小吃店的銷售額，一般與店鋪位置、小吃的定價、小吃的味道等因素有直接關係，這是憑藉著對線下飲食行業的基本理解就能得出來的相關性因素。
2. 使用者訪談可以透過對使用者進行針對性訪談，挖掘相關性因素。
- LTV高的客戶。因為他們在你的業務上支付了最多的錢，他們是享受你們業務服務最多的人，他們提供的意見當中，一般會包含高相關性因素。
- LTV低的客戶。因為他們是拋棄你們的人，可能是一開始拋棄，也可能是使用一段時間後拋棄。你需要去了解他們棄用產品的原因，這裡面也會包含重要的相關性因素資訊。
選擇較為“極端”的人群進行調研，更加容易得到清晰的結果。
3. 資料分析運用資料分析的方法挖掘相關性因素，需要先對資料的三個分類有清晰的認知：
1）使用者資料
表示了使用者屬性的資料指標，如人口統計學屬性（性別、地區、教育程度、口味……）、訪問來源等，這類指標能夠反映出使用者本身的特徵。
例如，你從事的是奶茶業務，業務範圍覆蓋全國，那麼在進行使用者群體相關的口味調研業務分析時，需要基於使用者所屬地區分開考量。因為不同地區的使用者，其嗜甜度不同（江浙滬地區的人可能更加喜歡甜）。
2）行為資料
表示了使用者在產品中的各類行為的資料指標，如頁面訪問、元素點選、停留時長等。使用者行為本身代表了使用者對資訊的期望，我們可以非常容易地利用使用者行為資料，推斷出使用者的實際需求。
使用者行為資料一般在最佳化業務流程或產品體驗時格外有用。
例如，當你觀察到APP某頁面上某個資訊區塊，使用者的點選量特別大、且停留時間較長，這證明了使用者對這部分資訊的感興趣程度較高。在後續的產品迭代中，則可以考慮有限最佳化這部分，方法可以有很多。例如在互動層面加重這塊的設計，或在業務層面著重最佳化這塊的資訊數量或質量等。
3）業務資料
表示了產品業務結果的資料指標，如訂單量、GMV等。
我們可以基於業務理解和使用者訪談的結果，選擇可能與“北極星指標”為高相關性的資料指標。例如，若“北極星指標”為“訂單轉化率”，則行為資料“7天內商品詳情頁訪問量”可能與其具有高相關性。
三、構建增長模型
增長模型其實就是一道由相關性因素組成的公式：
北極星指標=A×B×C
其中的A、B、C就是上述步驟中尋找到的相關性因素。
以上文中“訂單轉化率”為例，他在使用者行為層面的增長模型可能是：
訂單轉化率=首頁訪問量×搜尋執行量×詳情頁訪問量×訂單按鈕點選量×……
請注意。上述公式僅僅只是在使用者行為層面的公式。如果考慮使用者屬性或業務資料層面，可能會有不一樣的結果，例如若你的業務是銷售潮牌球鞋的，那麼使用者屬性上可能需要考慮：
訂單轉化率=男性使用者佔比×15至35歲使用者佔比×……
在業務資料層面可能需要考慮：
訂單轉化率=受歡迎的球鞋品牌數×最新款庫存量×……
我們也可以在頂層設計階段，為公司整體業務框架設定增長模型，以電商巨頭“亞馬遜”為例：
亞馬遜增長=垂類拓展×單個垂類商品庫存×單個商品頁面PV×購買轉化率×客單價×復購行為
1. 向下拆分每一個相關性因素，都可以繼續向下拆分：
A=A1×A2
例如，以上文的“訂單轉化率”為例，其中的“搜尋執行量”可以進一步被拆分為：
搜尋執行量=關鍵字輸入行為×(實時推薦結果點選量+模糊搜尋執行量)×……
方法上，依然可以使用上文提到的三個尋找相關性因素的方法。
請遵循“MECE”原則，儘可能地將指標拆分到足夠細緻的程度，有利於團隊任務的分配以及目標的整體實現。
2. 資料分析模型構建完畢後，遵循“資料驅動”原則，基於資料分析的結果，來指導後續產品策略的制定。
一般有以下常用的資料方法：
1）走勢分析
某指標基於某維度的變化情況。比較典型的場景是，觀察某些指標因素隨著時間維度的變化趨勢。
需要額外注意異常（驟增、驟降、波動）情況，並挖掘發生異常那段時間發生的事情（產品更新、技術最佳化、市場變動……）與該異常之間的相關性。
例如，若你觀察到“每週五晚上訂單量出現高峰”這一規律，則可以考慮針對該時間段進行喚醒和促銷活動。
2）分佈分析
某指標在其不同屬性上的分佈情況。
例如，你可以透過分析已售商品的購買者在“年齡”屬性上的分佈，瞭解到平臺的多數客戶的年齡分佈。接著，可以繼續觀察年齡分佈量最大的這部分客戶，在“商品分類”屬性上的分佈情況，瞭解到他們最喜歡購買哪些型別的商品。
這部分資料能夠同時對備貨訂貨策略及營銷推廣策略產生直接的指導價值。
3）漏斗分析
主要用於分析流程的轉化效果，從而可以很輕易地推斷出該流程最大的損失（卡點）在什麼環節，並進行針對性最佳化。
以海盜模型（AARRR）為例：如果從獲客（Acquisition）轉化到啟用（Activation）階段的轉化率有了明顯下降，則可以考慮是否獲客質量出現了問題，從而調整獲客策略。
4）尋找關鍵數字
尋找某指標與核心指標有最高相關性的關鍵屬性。尋找關鍵數字時，以上文中提到的“訂單轉化率”和“7天內商品詳情頁訪問量”為例：
- 獲取資料分佈。將“7天內商品詳情頁訪問量”的分佈情況做倒序排列，得出分佈面較廣的行為，例如，訪問量為10次和20次的排名前兩位。
- 下挖其屬性，並進行對比分析。繼續上例，我們可以將“7天內商品詳情頁訪問量為10次”和“7天內商品詳情頁訪問量為20次”的這部分使用者撈出，並計算出這兩部分使用者分別的“訂單轉化率”資料，誰是最高的。
- 可以重複進行2和3步驟，以找出“北極星指標”表現最好的行為資料，例如，結果是“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高。
3. 策略制定基於資料分析結果，我們可以很清晰地制定出產品策略方案。
繼續以上文為例，當我們得知了“7天內商品詳情頁訪問量20次”的使用者，“訂單轉化率”最高，那麼接下來的問題就是：如何儘可能多地讓更多地使用者在7天內訪問商品詳情頁20次？
說白了，就是找到了核心行為，並尋找無核心行為的使用者執行核心行為的方法，並達到關鍵數字。
一般的流程為：
首先，進行頭腦風暴。
團隊成員各抒己見，提出各類認為可能可行的想法（Ideas），並最終組織為一個清單（Backlog）。
然後，快速實驗，並揚棄。
由產品經理或增長負責人，基於清單內容，制定優先順序，並按優先順序，將這些想法落地到產品內。
在進行實驗時，需要嚴格控制實驗範圍（如：限定參與實驗的使用者群），以獲得最佳的實驗結果。比較好用的實驗方式有AB測試。
例如，你的實驗內容為“調整訂單按鈕的文案”並觀察該方法是否能提升按鈕點選率。在控制試驗範圍時，儘可能只讓一小部分使用者群參與（確保不會影響產品整體），並且儘可能選擇在該按鈕點選上表現不佳的人群參與，以確保能夠得到清晰的實驗結果。
實驗結果，則是需要對該想法進行證明或證偽。
如果該想法確實對關鍵數字有幫助，則將其留存，否則棄用，立馬進行下一個實驗。
為了加快速率，可以考慮基於團隊資源分配效率，進行多實驗並行。
作者：吸貓狂魔；公眾號：吸貓狂魔
本文由 @吸貓狂魔 原創釋出於人人都是產品經理，未經許可，禁止轉載。
題圖來自 Unsplash，基於 CC0 協議。
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊儲存空間服務。
