硅谷增长黑客实战笔记

非常棒的一本关于增长黑客的落地工具书，对于2C的客户，可以直接抄作业，立即落地实战。 这本书对我最大的启示在于以下几点。 ①用一个数学公式来描述自己的生意。这种高级思维决定了一项业务的本质，如果我们不能理解到这一层，那么说明我们并不掌握这个生意的核心竞争力。 ②任何增长背后都必须有一个北极星指标，用于区别与其他虚荣性指标。而增长需要绕着这个北极星指标推进，以确保团队成员统一行动。 ③增长实验是个试错的过程，团队必须容忍失败，容忍更多的失败，容忍连续失败，这需要战略定力。 ④增长黑客是一种演绎法逻辑的产物。先假设再验证，然后实施。而假设必须建立在理性逻辑分析之上，假设的质量决定了试错的周期和成本。 ⑤增长黑客不同于市场运营和产品研发，他介于产品经理和市场经理中间，是一个跨界的物种。 ⑥所有的增长黑客必须有权力调动资源，确保整个增长过程得以顺利推进 ，而任何增长都需要时间去沉淀。 …… 好工具书，配合《增长黑客》一起阅读，应该会更有收获。创业者和产品经理必读。

前一周，我刚读完《增长黑客》，获取、激活、留存、变现、推荐还在脑子里排着队。紧接着又翻开曲卉的《硅谷增长黑客实战笔记》，这是我最近读的第三本增长书。 读书的时候，我一度觉得增长之道、增长之术已经七七八八了。北极星指标知道，AARRR 熟悉，啊哈时刻也能解释，A/B 测试更不用说。结果这本书还没读完，我的第一个增长需求就来了。理论学习立刻被增长实战打断。 真做起来，脑子里没有什么海盗模型，只有一连串问题：这是什么？那个配置在哪里？为什么环境走不通？谁能告诉我上游到底返回什么？这个页面为什么临时才定交互？ 写这篇笔记是在周末，第一个需求终于上线。准确地说，只上线了一半，原本该配套的分流实验还没跟上，下周得继续折腾。 所以这本书读得很应景。曲卉写的是怎样把增长做成一套科学、稳定、可复用的工作机制，我刚经历的却是一个小需求怎样靠倒排工期、临时协调和加班硬推上线。书里是“开发—衡量—学习”，现实先给我上了一课：开发就够人喝一壶了。 第三个老师，还是没有银弹曲卉确实在 GrowthHackers.com 做过增长，与 Sean Ellis 一起工作，后来又去 Acorns 负责市场和实验。用江湖话说，她算得上增长黑客的嫡传；用普通职场语言说，她不是坐在旁边研究案例，而是真的在增长团队里背过指标、跑过实验、搭过流程。 这使《硅谷增长黑客实战笔记》和《增长黑客》有一点微妙的区别。《增长黑客》更像总纲，告诉我增长团队是什么、为什么要高速实验、怎样覆盖用户生命周期；曲卉这本则更像一名中国从业者在硅谷上完班以后，回来把会议怎么开、模型怎么搭、实验怎么排、团队怎么组，一样样拆给我看。 但她从 Sean Ellis 那里学到的最重要一课，恰恰不是某个神奇招数，而是增长没有万能药。连提出“增长黑客”概念的人，遇到具体问题时也只能问：“你的假设是什么？合理的话，就试试看。” 这句话让我舒服。专家不负责掐指一算给出答案，专家只是比别人更会提出问题、设计验证、从结果里学习。 书里还有一句：“任何事情都是一个实验，通过它，你或者实现增长，或者学到经验。”听起来很鼓舞人，真正成立却有前提。实验必须知道自己在验证什么，数据要可信，失败之后要能留下认识。如果上线前没有假设，上线时没有完整分流，上线后也没有统一指标，那就算忙了一周，也不一定能叫实验。 最多算把功能发出去了。 我的第一场增长实战，被一个小需求打懵了需求本身很小：在一个成熟产品的流程结束页，面向特定用户展示一项后续可用的权益，希望他们以后再次回来。方案里还要区分不同人群和领取方式，观察哪种设计效果更好。听起来不复杂，甚至有点像增长书里的标准练习题。 问题是上线时间先定了，方案和排期还在后面追。 临近周末完成评审，下周就要交付。产品刚讲完需求，第一句不是实验假设和指标口径，而是问研发周末能不能支持。我当时就觉得离谱，可需求不会因为我觉得离谱就自动消失，只能开始往前拱。 第一步是写系统设计。我让 AI 帮忙，结果我不太懂新链路，AI 也不懂新系统。两边半斤八两，它特别努力地给我生成了一万多字：背景、原则、扩展性、异常处理，看上去很完整，真正关键的调用流程反而没写多少。 一万多字，没什么用。 最后还是去读现有页面和上下游代码，抱着上游负责同事的大腿，才把流程勉强串起来。这件事挺讽刺。增长讲究找到最关键的变量，我写设计文档时却没有先找到最关键的链路；增长讲究小成本验证，我却让 AI 在错误理解上高速扩写。它确实提高了产出速度，只是产出的主要是废话。 接着写代码，我又走到了另一个极端。 旧实现一路平铺，针对每次活动直接定制，没太多封装，看上去很像用完就扔的一次性代码。我本能地不舒服：这些流程明明有相似之处，是不是可以抽象？是不是应该套一个设计模式？以后再做同类需求，不就能直接复用了吗？ 于是一顿操作猛如虎。我给 AI 写了几千字提示词，讨论接口、策略、工厂、扩展点，最后把一个简单流程做成了几千行代码。结构看起来丰富了，我自己却越来越不确定每一层为什么存在。 增长工程里的代码到底该薄一点，还是厚一点？这次把我问住了。 完全不封装，重复需求一来就复制粘贴，系统迟早变成垃圾场；可一个假设还没验证，就提前为未来五种变化设计框架，也是在给不确定性修宫殿。实验代码可以简单，但应该隔离清楚、容易下线、出了问题能快速回滚。真正确认会长期存在的公共能力，再投入时间抽象。不是所有一次性代码都草率，也不是所有设计模式都高级。 我这次的问题，不是“爱思考”错了，而是在业务都没搞懂时就开始抽象。抽象应该从几次真实重复里长出来，不该从 AI 提示词里凭空长出来。 预发、联调、灰度：书里没有画出的那一半代码写完以后，事情才刚开始。 新的业务链路在线下环境没法完整验证，只能部署到预发。每次改一点问题，都要重新走一遍部署，少说半个小时。第一次上去以后流程没通，继续查才发现，活动命中、人群准入和相关配置都没准备完整。开发以为自己在调接口，实际还得顺着运营平台把活动怎么配、用户为什么命中不了一起摸清楚。 那几天我还在出差。白天开会，晚上联调，同事约宵夜也没吃上。第二天折腾到十一点多，总算把主流程走通，赶紧提测。 留给测试的时间只剩一天。测试发现问题，改完又要上预发；上完再验，验完又冒出新的配置问题。后来准备灰度时，发布资源还和别的迭代撞在一起，只能排队等。真正灰度出去时已经接近凌晨。 第二天继续验收，又发现产品和运营缺少合适的验证条件，只能等测试同学腾出时间。主流程看着通了，真正使用权益的后半段还没验；等后半段跑起来，又发现活动配置本身有问题。 到周末，需求总算发完。我脑子里只剩四个字：草台班子。 运营在临时补配置，产品在临时补交互，研发在临时补链路。我自己也没资格站在旁边笑，毕竟我刚把一个简单需求过度设计成几千行代码。大家都在努力，只是努力主要花在填前面没对齐的坑上。 最尴尬的是，原计划里的分流实验还没有真正上线。没有完整分流，就很难回答哪种方式更有效；观察窗口被压缩，数据结论也更容易失真。这一周完成的是交付，不是闭环。可增长最容易把“功能上线”“活动开始”“数据能看”混成一件事，仿佛只要页面出现了，实验就已经成立。 书里反复强调实验流程，这次经历让我知道，流程并不是多填几张模板。真正的实验纪律，应该在立项时就说清楚：假设是什么，面向谁，实验组和对照组怎样分，主指标是什么，护栏指标是什么，要观察多久，哪些异常会让实验提前停止。少一样，后面都可能靠加班补；有些东西加班也补不回来。 AI 能加速，也能高速跑偏这次还有一个意外收获：我更清楚 AI 适合在项目里做什么，不适合做什么了。 它很擅长把一个模糊主题扩写成一份看起来完整的材料。我说要系统设计，它就给我背景、目标、原则、模块、异常、扩展性和风险，章节一个不少。问题是，它没有充分理解内部接口真正长什么样，不知道哪个配置只能在特定环境验证，也不知道老系统里那些不写在文档里的约定。上下文一旦缺失，它不会停下来替我找知情同事，只会用通用经验把空白填满。 文字越完整，我反而越容易产生一种“已经想清楚”的错觉。 增长实验也有同样的风险。把一份活动数据丢给 AI，它很快能总结出转化提升、用户偏好和下一步建议。如果分流有问题、口径不一致、同期还有其他活动，它照样能讲出一个通顺故事。AI 最强的能力之一就是解释，而增长最需要防范的恰恰是对随机波动的过度解释。 以后再让 AI 帮我写设计，我应该先给它经过确认的事实：关键接口、真实数据结构、调用时序、环境限制和验收标准——核心前提是人要懂。没确认的地方明确标成问题，不让它自由补齐。它可以帮我整理检查清单、找遗漏、生成测试用例、解释陌生代码，甚至先搭一个简单骨架；架构边界和业务判断仍然得由我负责。 提示词写得长，不代表问题理解得深。我这次写了几千字提示词，最后得到几千行过度设计的代码，某种程度上也是一次增长实验：假设“描述得越多，AI 越能做对”，结果并不成立。下一轮该改变的不是继续加长提示词，而是先缩小问题，把真实链路搞明白，再让 AI 处理边界清楚的部分。 AI 能把我跑得更快。至于方向对不对，它不负责。 道：增长固然好，留存才是永恒曲卉很喜欢一句话：“Growth is good, but retention is forever.”增长固然好，留存才是永恒。 这和我前面读的两本书能够接成一条线。《增长黑客》强调好产品是增长的根本，《我在一线做用户增长》把产品比作前面的“1”、增长比作后面的“0”，曲卉则直接把留存放到增长的核心位置。说法不同，底层判断一致：用户来了以后得持续得到价值，否则越会拉人，漏得越快。 BranchOut 是书里的典型反例。它借助 Facebook 的关系链迅速获得大量用户，一度看上去要挑战 LinkedIn，但产品本身没有给用户足够强的职业价值。增长机制把人带进来，却没给出留下来的理由。增长越猛，反而越快暴露产品的空心。 国内也有相似故事。有些产品靠看内容给金币、签到奖励和拉人返现迅速做大，用户表面上很活跃，实际是在做任务，不是在消费内容。补贴一停，行为也跟着停。把这类产品简单概括成“完全没有用户价值”有点过头，毕竟真有人需要低门槛娱乐和小额激励；问题在于，它提供的核心价值如果主要来自补贴，平台就很难摆脱持续花钱购买时长。 补贴可以是点火器，不能永远冒充燃料。 这也让我重新看待刚上线的第一个需求。一次权益投放当然可能把数据抬起来，也可能让一些用户再次使用，但短期参与不等于留存。留存得回到关键行为：过了一段合适的时间，用户是否仍在用产品解决原来的问题？如果奖励停掉，行为还剩多少？如果下一次仍要靠更大的权益才能把人叫回来，那可能只是把营销做成了连续剧。 更麻烦的是，不同产品对“回来”的定义不一样。社交产品也许按天看，订阅服务可能按月看，低频交易甚至几个月才有一次真实需求。把登录当成统一的留存标准最省事，也最容易误判。用户没有打开应用，却持续通过某项自动能力获得价值，仍然可以算留存；用户天天来领积分，却从不使用核心功能，也未必真的留下。 所以留存不是让用户一直待在 App 里，而是核心价值能不能持续发生。 法：北极星不是全公司每天拜一个数这本书的“法”，我会归成三件事：北极星指标确定方向，增长模型拆出杠杆，实验循环把猜测变成认识。 北极星指标最吸引人的地方，是它逼公司回答一个难题：我们到底用什么数字代表用户获得了价值？ 书里拿 MySpace 和 Facebook 对比。MySpace 更关注累计注册，Facebook 更看活跃用户。这个对比不能证明一个指标直接杀死了 MySpace，也不能把 Facebook 的成功全算在月活头上。产品、技术、竞争和组织都在起作用。但指标会把管理层真正重视的东西暴露出来：看累计注册，团队容易不断往漏斗口灌水；看活跃，至少会继续追问用户来了以后有没有使用。 不过，北极星也不是“全公司只许看一个数”。一个好的北极星代表用户价值，还要能够预测长期商业结果；它下面必须有可以行动的输入指标，旁边也要有成本、风险和体验等护栏。只盯一个总数，很容易让团队用任何方法把它做大。 北极星指标和 OMTM 也不用硬揉成一个概念。北极星相对稳定，描述产品长期要创造的核心价值；“当前唯一重要指标”更像某个阶段最需要突破的问题，会随着瓶颈变化。北极星是方向，阶段指标是眼前这段路最该修的坑。 成熟平台为什么也会有活跃焦虑？因为今天的竞争早就不只发生在同一类产品之间。一个高频入口积累了注意力和关系链，就可能不断进入交易、内容、本地服务甚至更多低频领域。原本低频的产品突然发现，对手每天都能见到用户，自己只有用户有事时才被想起，当然会紧张。 但紧张不代表 DAU 天然正确。对一个帮助用户快速完成任务的产品，日活可能是业务规模的结果，却未必完整代表用户价值。为了活跃硬加签到、内容流和红点，数字可能上去了，核心体验却更吵。北极星的意义正是在这里：活跃到底是用户得到价值的证据，还是团队缺少安全感的止疼药？ 这个问题我作为增长新人还答不了，但至少知道不能向指标下跪。 增长模型：先把大词拆成能动的变量北极星指出方向，增长模型负责把它拆开。 电商销售额可以拆成流量、注册率、首购率、复购率和客单价；一个内容产品的活跃，也可以拆成新增用户、激活比例、已有用户留存和流失用户唤回。模型不一定非要长得像数学论文，它的作用是把“增长不好”变成几个可以讨论的问题：到底是人没来，来了没体验价值，体验过却没回来，还是回来了但频次太低？ 以前在一家电商创业公司时，我见过老板每天看的漏斗。获客成本高得惊人，第一单的收入根本覆盖不了拉新成本，只能指望复购。那时我不熟悉 LTV 和 CAC 这些字母，却知道账算不过来：用户如果只买一次，公司越拉新越亏。 创业公司又很难完全按成熟生意的方式算账。不增长，就没有故事，没有下一轮；只顾增长，单位经济又可能越来越差。LTV 大于 CAC 是一条很重要的长期约束，却不是说所有早期投入都必须立刻赚钱。关键是团队知不知道自己在赌什么、何时验证、亏损能不能换来更高的长期价值，而不是拿“规模优先”替所有坏账开脱。 增长模型还有一个更实际的价值：帮助团队不打开所有门。《怪诞行为学》里的多重门实验已经提醒过我，人为了保住所有选择，会在几扇门之间来回跑，最后反而得分更低。增长可以做的事情太多，今天想优化落地页，明天想发券，后天想改 Push，再听说竞品做了裂变，赶紧也插一个。没有模型，实验库越大，团队可能越忙乱。 曲卉把增长作战计划比作方向标、路线图、仪表盘和用户心理地图。我觉得这个比喻好用。北极星告诉我往哪走，增长模型标出路径，数据看板告诉我走到了哪里，用户研究则解释为什么这段路总有人掉下去。 A/B 测试，不是把用户一分为二就结束增长书里一说实验，最容易想到 A/B 测试：一部分用户看方案 A，另一部分看方案 B，比较指标，谁好就上谁。流程简单得像初中数学，我第一次真碰到才发现，最难的并不是最后那张结果表。 首先要定义谁真正进入了实验。按用户身份提前分组，和用户打开页面以后才算曝光，口径不同。有人被分到实验组，却一直没有进入对应场景；如果直接把他们也算进去，效果会被稀释。只分析已经曝光的人，又可能引入新的偏差，因为能走到那一步的用户本来就更活跃。 然后是分流本身。两组应该尽量随机、稳定、互斥，同一个用户不能今天看 A、明天看 B。还要检查实际人数是否明显偏离预期。看起来只是一个简单的对半分，背后其实依赖统一的身份、可靠的分流服务和不被其他活动污染的实验空间。 指标也不能临时挑。一个页面的点击率提高了，后续关键行为未必增加；领取更多，实际使用可能不变；短期活跃上升，也可能伴随成本、投诉或打扰增加。主指标回答实验想改善什么，护栏指标负责提醒团队别为了一个数字伤害别的东西。最好在看到结果之前就定好，否则数据出来以后，人很容易挑那个最好看的讲。 观察时间同样关键。有些活动第一天靠新鲜感冲得很高，几天后就回落；有些权益要到下一次真实需求出现时才会被使用。项目日期可以倒排，用户行为却不会配合汇报日程。样本不够、周期没走完就急着下结论，统计显著也救不了错误的问题定义。 还有很多场景根本不适合 A/B。强监管、高风险、低流量，或者改动会产生强网络效应时，随机分流可能不可行。团队仍然可以用灰度、同期群、前后对照和定性研究获得证据，只是对因果结论要更克制。 我第一个需求原本就包含两种触达方式的比较，可功能先上线，完整分流留到了后面。这让我很难把它称为一次完整实验。页面发出去是产出，用户行为发生变化才是结果；两种方案有了可比较的证据，团队才真正学到东西。 A/B 平台可以一键分流，却不会替我们把这些问题想清楚。 总量数据是垃圾，只有下钻还不够书里有句话：“所有的总和数据都是垃圾，要么分组来看，要么不如去死。”话当然说得夸张，意思却对。平均值经常把完全不同的人揉在一起。 以前做老产品体验优化时，我会把用户问题按来源、诉求、年龄、场景和行为继续往下拆。总量上只看见“失败”或“求助”，拆开以后才知道，有些问题集中在特定入口，有些与用户不熟悉规则有关，还有些其实不是系统失败，而是产品没有阻止用户犯一个常见错误。 分组之后才有策略。新人和老用户不一样，偶尔使用和高频使用不一样，主动寻找功能和被活动吸引进来的人也不一样。同样一张券，对价格敏感用户是动力，对原本就会来的用户可能只是白送成本。 但下钻不是把维度越切越细就一定更接近真相。样本切得太碎，波动会变大，很容易从噪声里看出一个故事。团队如果先有结论，再不停切分，总能找到一个支持自己的小群体。分群应该来自业务假设，也要有足够样本，并在新的数据或实验里验证。 定量数据之外，还得做那件很苦的事：看用户原声。 以前为了理解用户为什么求助，我看过大量用户和客服的对话。用户当时在做什么，情绪是什么，已经尝试了哪些办法，真正想解决什么，这些信息很难从一张漏斗图里长出来。数据告诉我哪儿不对，原声让我看见“为什么可能不对”。 曲卉说增长团队的高境界，是站到用户第一人称视角，做用户的“贴身带刀护卫”。这句话有点武侠味，我喜欢。增长不是坐在报表后面研究怎样让一群数字多点一下，而是理解一个活生生的人为什么愿意继续，为什么嫌麻烦，为什么觉得不值。 术：AARRR 是地图，不是五个部门AARRR 对我已经是老熟人了。获取、激活、留存、推荐和变现，把用户从第一次听说产品，到持续使用、付费和愿意介绍给别人，放进同一张生命周期地图。 它最大的价值不是背五个英文单词，而是防止团队只盯漏斗的一小截。投放团队可能认为下载就是成功，产品团队觉得注册完成就算交付，运营关心活动参与，商业团队只看收入。AARRR 把这些动作串起来：拉来的人有没有体验价值，体验以后有没有留下，留下以后有没有产生足够价值，愿不愿意让关系链继续放大。 每一环也不是一个固定部门。产品改一处流程可能同时影响激活和留存，客服体验可能影响留存和推荐，价格策略会同时改变变现和用户质量。真把 AARRR 画成五个互不相干的框，最后还是会长出五堵部门墙。 获取：便宜流量未必便宜 获取阶段最朴素的约束还是 LTV 和 CAC。用户一生带来的价值，长期要覆盖获取成本。付费广告最容易量化，也最容易烧钱；搜索、内容、合作、推荐和产品自传播各有自己的天花板。 移动互联网对搜索引擎并不完全开放，很多 App 内容藏在围墙里；推荐虽然看起来免费，实际会消耗用户的社交信用。用户愿意把产品发给朋友，通常是因为产品真的好、分享本身有意义，或者奖励足够有吸引力。正面口碑本来就比吐槽更难传播，产品没做好时，指望用户自发推荐有点一厢情愿。 书里用 K 因子衡量一个老用户平均能带来多少新用户，这有助于拆解邀请机会、发出数量、接受比例和注册转化。但 K 大于 1 的漂亮算式，不等于现实一定会指数增长。人群会饱和，重复触达会变烦，渠道会限制，后续用户质量也会变化。把某次裂变的邀请数和转化率随手一乘，再滚六轮画出千万用户，数学很兴奋，现实一般不会这么配合。 推荐奖励最好贴着核心价值。打车产品送乘车券，协作工具送空间或席位，都能让新老用户继续使用产品；直接给现金传播快，却可能吸来一批只为奖励的人。奖励不是越大越好，得看它最终把用户送到了哪里。 激活：不是注册完成，是第一次真的觉得有用 激活是我现在最关心的一环。 新用户给产品的耐心很短。他下载、打开、注册，不代表已经理解产品。激活发生在用户第一次真正得到核心价值时，大家习惯把那一刻叫“啊哈时刻”。Dropbox 可能是上传并在另一台设备看到文件，内容产品可能是连续遇到几条合胃口的信息，社交产品可能是收到重要联系人的回应。 这些例子只能帮助理解，不能直接拿来当结论。某个行为和长期留存高度相关，不代表它必然造成留存。也许本来就更有兴趣的人，才更容易完成那个行为。数据先帮团队缩小范围，用户调研和实验再继续确认。 福格把行为发生的条件概括成 B=MAP：动机、能力和提示要在同一时刻碰到一起。用户很想做一件事，哪怕流程难一点也可能硬着头皮完成；动机不强时，多一个字段、多一次跳转都足以把人劝退。某些稀缺服务的网站体验再差，用户照样守着时间抢，因为动机已经高到能跨过摩擦。 可大多数产品没有这种待遇。产品更能控制的是能力和提示：把动作做简单，在合适时机提醒，让用户知道下一步为什么值得做。新用户引导不是给界面配一本说明书，更不是一次塞给用户八个任务。让用户尽快亲手完成一个关键行为，比在旁边讲五分钟功能介绍更有效。 当然，去摩擦也不是把所有门槛删光。有些设置能帮助产品理解用户，有些确认能防止高风险错误，有些投入会形成承诺。问题不在步骤数量，而在用户能不能看见回报。没有价值的步骤叫摩擦，有价值而且时机合适的步骤叫准备。 留存：用户可能按自己的方式留下 留存要先定义关键行为，再选择合适的观察周期。只看登录很危险，因为登录不一定代表价值，没登录也不一定没有使用。 以前做过一个工具类产品，原本想帮助多人处理某类共同活动，后来发现有一小群用户把它当成私人记录本。一个人建一个活动，只导入自己的记录，也不走产品最初设计的收尾流程。他们明显偏离了我们想象的标准路径，却可能真的从产品里获得了价值。 这类用户该算错误用法，还是意外找到的新场景？不能只凭团队原始设想决定。如果他们留下得更久、使用稳定、也愿意付出成本，也许产品应该认真研究；如果只是因为某个临时便利，之后大批流失，那就不是第二增长曲线，只是一段数据噪声。 YouTube 的观看者、评论者和创作者，动机和留存机制完全不同。沉默用户不一定没有价值，超级用户也不是简单地多发几条 Push 就能培养出来。用户分群不是为了把报表做得更花，而是承认不同人留在产品里的理由不一样。 参与度也不能代替留存。一场短期营销能让用户多点几次、多完成几项任务，却不代表下个月还会回来。有些增长活动天然就是一次性产品：活动结束，页面下线，代码丢掉，用户关系也随之结束。它们可以创造短期收益，但如果团队把每一轮峰值都叫长期增长，最后只会不断寻找下一个峰值。 一次性活动，到底留下了什么我对增长团队的一次性代码很敏感，背后其实是对一次性活动也有疑问。 一个活动只运行一周，不代表没有价值。它可能帮助团队验证用户对某种权益有没有兴趣，找到更有效的表达，唤醒一批本来快要流失的人，或者在关键节点完成明确的业务目标。运营本来就需要制造阶段性事件，不能因为它不永久存在，就说它不是增长。 问题是活动结束以后，究竟留下了什么。 最差的情况是只留下一张战报：曝光多少、领取多少、峰值多高。页面下了，代码还躺在主流程里；为什么某类用户反应更好没人继续研究，下次活动又从头拉群、重新接接口。团队做了很多次“一次性产品”，组织却没有多长一点能力。 稍好一点的情况，是留下可复用的组件和平台能力。分流、人群、触达、奖励、使用验证和数据看板越来越成熟，下一次实验能更便宜地启动。但只留下平台也不够。工具复用了，错误假设同样可能被高效复用。 真正应该积累的还有用户认识。什么场景下用户有动力，哪种表达容易理解，哪类权益会带来真实使用，什么人本来就会来、不值得额外补贴，活动停止后行为能保留多少。这些结论进入实验库，下一轮才不是重新猜一次。 所以增长和普通运营的边界没有一刀切。短期活动也能服务长期增长，前提是它被放进连续的学习过程；周期性营销也不自动等于用户习惯，重复发券可能只培养出等券的习惯。功能是不是一次性的，不如问知识和能力有没有留下。 从这个角度看，我的第一个需求至少还没结束。真正有价值的部分，不是周末终于上线，而是后面的分流结果能不能回答问题，以及这次踩过的环境、配置和协作坑，下一次还会不会原样再来。 变现和推荐：别把用户价值榨成短期数据 用户愿意付费，是因为已经感到值得。锚定、免费、损失厌恶和诱饵选项都可能影响决策，《怪诞行为学》讲过很多，但这些方法不能替产品制造价值。首购做得很高，退款、投诉和流失一样会在后面出现。 习惯产品也常利用“用得越多，积累越多；离开以后，损失越大”的机制。微信里的关系链、创作平台里的作品和粉丝、工具里的历史数据，都提高了迁移成本。这里当然有损失厌恶，但更直接的是用户已经在产品里积累了真实资产和网络价值。 这种黏性有好坏之分。用户因为持续获得价值而舍不得走，是产品护城河；故意把导出、取消和迁移做得很难，只是把用户锁在里面。增长可以设计习惯，不能把退出自由一起设计掉。 器：模板比工具名耐用，判断比模板重要这本书真正像“实战笔记”的地方，是给了很多可以直接拿去讨论的模板：北极星清单、增长模型、关键行为漏斗、实验记录、留存分析、渠道筛选、用户心理地图，还有增长团队的会议流程。 相比列一串软件名字，我更喜欢这种工具箱。软件会关停、改名、被收购，模板背后的问题却很稳定：目标是什么，用户是谁，哪一步掉得最多，为什么相信这个方案，怎样知道它成功，失败以后留下什么。 ICE 是最常见的实验排序方法之一：Impact、Confidence、Ease，也就是影响、信心和测试的容易程度。Ease 越高，意味着越快、越便宜、越容易验证。三个维度组合起来，帮助团队先做更可能产生价值、证据相对充分、成本又可控的实验。 它不是精密公式。影响力和信心都带着主观判断，大家完全可能给自己喜欢的项目打高分。ICE 的价值更多是把争论摆到桌面上：你凭什么觉得影响大？信心来自数据、用户反馈，还是老板刚说过？所谓容易，是开发两天，还是整个链路都已具备验证条件？ 拿我的第一个需求来打分，页面改动也许很小，表面上 Ease 很高；可把环境、活动配置、人群准入、验证条件和上下游联调算进去，它根本不轻。只按代码量估算成本，是这类跨系统需求最容易踩的坑。 实验报告也不该只记录成功案例。数据好但不知道为什么，和数据差一样可怕；不知道原因就不能复制，甚至可能只是埋点、口径或外部事件造成的波动。实验库真正有价值的部分，往往是那些“我们原来以为会怎样，结果为什么没发生”的记录。 工具箱最终要变成组织记忆。否则换一个人、换一轮活动，大家还是从头找配置、问接口、踩同样的环境坑。 增长工程师：不是接单，也不是炫技增长工程师的位置有点尴尬。 增长实验通常小、快，很多代码验证完就会下线。对追求技术深度的工程师来说，这些工作容易显得薄：改文案、接分流、配人群、加一个领取逻辑，做完可能没有宏伟架构，也很难写进技术分享。 书里认为，适合增长团队的工程师要认同实验价值，愿意看见工作对用户和业务的影响。我认同，但不能把它翻译成“工程师要接受一次性代码和无尽加班”。快速实验仍然需要基本工程纪律：边界清楚、风险可控、埋点完整、能够回滚、实验结束后及时清理。 工程师也不该只在需求末端接单。一个想法如果需要改十个系统，研发最早知道它并不“轻”；一个看起来要做完整功能的假设，也许用配置、假入口或人工流程就能先验证。让研发参与假设和实验设计，价值不只是提高积极性，而是帮助团队找到更便宜的证据。 我的第一个需求里，真正浪费时间的地方很多都发生在写代码之前：目标日期和方案不匹配，链路知识没有提前补齐，测试环境受限，运营配置与开发节奏脱节。最后大家看到的却是“研发怎么还没发”。如果增长团队只强调结果，不把这些系统性成本放进复盘，下一次还会继续用人肉填坑。 一次性代码和平台建设之间也需要一条线。稳定重复的分流、人群、触达、奖励和指标能力，应该沉淀到平台；具体实验的文案、规则和页面可以保持轻量。平台不该追求把未来所有活动都配置出来，那会变成另一个复杂怪兽；实验代码也不能无限堆在主流程里，最后没人敢删。 这条线我现在还划不好。至少经过这一次，我知道先问使用寿命、重复概率和失败后的处理方式，再决定写平铺逻辑还是抽象框架。不能因为前人代码薄，就先入为主地觉得别人没水平；也不能拿“实验反正会扔”给所有技术债找借口。 增长需要高层支持，也可能变成权力游戏三本增长书都强调高层支持，这不是偶然。 增长天然跨产品、运营、研发、数据和市场。没有足够授权，实验一碰到资源冲突就会停下来；每个团队都说增长重要，真要排期时还是先保自己的 KPI。高层参与能够打破部门墙，给增长团队争取资源，也让北极星不只是墙上的口号。 可高层支持有另一面。 当一位很高层的负责人直接盯增长，活动日期和优先级很容易变成自上而下的命令。项目里最有力量的话，不再是“数据表明这个假设值得验证”，而是“上面已经看过了，明天就要”。这句话可以瞬间结束所有排期讨论，也可以瞬间把风险推到执行团队。 有权力不等于有增长文化。真正的高层支持，应该保护实验纪律，允许合理失败，帮助团队清理跨部门障碍；如果高层只负责定日期、看战报，下面负责加班和解释，那增长就从科学实验变成了权力游戏。 我刚进这个方向，对团队还谈不上乐观。第一个需求的节奏让我觉得不健康：日期先于方案，汇报先于验证，分流实验反而可以晚一点。快速迭代没错，但“快”应该来自目标聚焦、平台成熟和协作顺畅，不该主要来自周末加班和凌晨灰度。 书里建议增长团队先拿小胜，再主动宣传成果，争取信任。这确实现实。新团队如果长期拿不出结果，很难继续获得资源。不过“小胜即庆”也要庆对东西。除了指标上涨，还应该庆祝一次高质量的失败、一个被复用的实验能力、一处以后不用再踩的环境坑。只宣传好消息，实验库很快就会变成喜报库。 增长团队经常失败，士气必须维护；可士气不能靠隐瞒失败维护。最健康的状态应该是：成功能解释，失败有收获，工作节奏能长期持续。 例：案例不是答案，是已经发生过的一组条件这本书里有很多好案例。Acorns 改一句文案，让用户更容易理解每周小额投入；Pinterest 从搜索和推荐里寻找留存杠杆；Keep 在运动结束的高兴时刻邀请分享；Flickr 和 Instagram 展现了相似领域里的不同增长轨迹；Twitter 则长期被新用户不知道关注谁、进来以后看什么的问题困扰。 案例好看，是因为作者已经替读者删掉了大量现场噪音。我们看到的是假设、动作和结果，真实项目里还会有排期、历史代码、环境、配置、合规、跨团队接口和突然变化的交互。我的第一个需求已经充分证明，书上一句话，落到系统里可以是一周的折腾。 所以案例最值得学的不是数字，而是问题结构。 Acorns 的文案实验说明，用户不一定理解产品语言，把抽象价值翻译成具体行动可能带来巨大变化；它不说明任何产品改一句文案都能提升几十个百分点。Keep 在训练结束后邀请分享，是因为那一刻价值刚刚发生；把同一个弹窗搬到用户打开首页时，可能只剩打扰。Twitter 要帮助新用户尽快建立有价值的信息流，换成一个工具产品，关键行为完全可能不是关注任何人。 Flickr 和 Instagram 的比较对我这个喜欢摄影的人很有意思。Flickr 更像摄影作品社区，Instagram 从移动端和社交关系出发。后者增长更快，不等于前者产品毫无价值；它们服务的人群、使用场景和网络效应并不相同。增长案例喜欢把历史写成赢家做对了什么、输家做错了什么，现实往往没这么干净。 摩拜、ofo 也一样。当年某次激活率提升、某场订单反超都是真的，后来两家公司退出历史舞台也是真的。增长实验能解决局部转化，却不能替商业模式、资本结构和组织决策兜底。 把案例当答案，团队会追着热点抄功能；把案例当一组条件，才会继续问：它解决了谁的什么问题，当时为什么有效，我们这里缺不缺同样的前提？ 道、法、术、器、例，最后还是要回到现场如果仍然用“道、法、术、器、例”概括这本书，我现在会这样理解。 道，是相信增长来自持续创造用户价值，而不是一次活动把曲线拽起来。留存之所以重要，是因为它最难被虚假的繁荣长期伪装。 法，是用北极星、增长模型和实验循环管理不确定性。它们不是三件摆在汇报里的工具，而是一套从目标到学习的闭环。 术，是在获取、激活、留存、推荐和变现各环节寻找杠杆。具体动作可以是文案、流程、提醒、权益或推荐机制，但都得回到用户是否更快得到价值。 器，是数据、分流、人群、配置、埋点、项目管理和知识库。模板能帮助团队少漏问题，平台能降低实验成本，却都不能替人理解业务。 例，是别人已经打完的仗。它能启发假设，不能替我决定答案。 以前这样总结，容易有一种“五层从虚到实、层层落地”的圆满感。现在真正落地一次，我没那么圆满了。道理都对，现场还是会乱；流程都懂，项目还是可能先定日期再补方案；工具都在，第一次用仍然不知道按钮后面连着什么。 理论不是假的，只是理论省略了摩擦。 读完第三本，终于知道自己不知道什么连续读完《增长黑客》《我在一线做用户增长》和《硅谷增长黑客实战笔记》，三本书在我脑子里大概各占一个位置。 《增长黑客》搭了总框架，让我知道增长不是几个奇招，而是团队、数据和实验；《我在一线做用户增长》更像中国公司里的组织课，讲产品、运营、研发和管理层怎样互相拉扯；曲卉这本最像工具箱，告诉我北极星怎么找、模型怎么拆、实验怎么排、增长团队怎么运转。 然后现实补了第四本，名字可以叫《第一个需求为什么这么费劲》。 它让我看见自己的问题：不熟悉业务却急着抽象，依赖 AI 生成看起来完整的文档，没有先抓住关键链路；也让我看见团队的问题：时间点先定，验证条件后补，实验设计可以延期，执行压力却不能延期。 好的一面是，这些问题终于从模糊的不适变成了可以讨论的东西。下一个需求开始前，我至少会先问几个问题：我们要改变谁的什么行为？为什么认为这个动作会有效？完整实验怎么分流？主指标和护栏是什么？环境和配置能不能提前验证？这段代码实验结束后留下还是删除？ 这些问题不保证下一次顺利。增长本来就是用一次次实验接近答案，我也得用一次次项目学会增长。 读增长书的意义，大概也不是把自己迅速包装成增长专家，而是让我在一团乱麻里多看见几根线。以前需求赶完就算结束，现在我会继续问数据怎么验证、经验怎么留下、下一次能不能少靠一点人肉救火。能多问出这些问题，三本书就没有白读。 只是实验文化如果最后只剩“周末能不能加班”，那肯定不是我想学的增长。 理论很好，方法也没有错。落地一地鸡毛，不代表该把书扔掉。增长黑客真正要黑掉的，可能不是某个流量漏洞，而是组织里那些靠拍脑袋、靠层层加压、靠人肉救火维持的旧习惯。 第一个需求已经上线，分流实验还在后面。 故事没有结束，我也还没有资格下结论。先把下一轮做完整，再看数据到底怎么说。

在自己亲身实践时来读这本书，更加意识到增长的重要性。书中提供了大量的案例和模板，在思维和实战方面都备受启发。 记得前段时间和老师聊天里提到的，增长的本质就是让ROI最大，看完后感触更深了。 不管是人生发展还是产品发展，都需要时刻寻找性价比最高的杠杆，建立个人优势和品牌，针对能最大化ROI的点，小步快跑，快速迭代，才能行稳致远。

《增长黑客》打破了大众对营销推广的固有认知，它证明持续增长不靠大额预算与灵感，而是一套数据驱动、持续实验的系统化方法。书中清晰区分增长团队、产品、营销与运营，结合Instagram、Airbnb等硅谷真实案例，讲解北极星指标、增长模型、A/B测试与团队搭建模式。 本书核心启示：增长的前提是产品拥有真实价值，增长团队重在打通产品与市场，不断消除用户体验障碍。同时作者客观点明，增长并非万能解药。对于产品、运营从业者而言，这是一套可落地的实战指南，帮助跳出传统推广思维，建立科学化的增长视角。

非常适合对运营有了一定基础，想要进一步提升自己能力的人阅读。可以做为增长黑客的入门书籍。书中的知识体系完整，介绍的方法和模型也非常使用。

集理论与实战于一体，且本书作者师从增长黑客之父，对于想入门增长或者对增长黑客感兴趣的小伙伴来说，本书具有极大的阅读价值。 以下是我的读书分享： 作为一名PM，我对起源于美国的增长黑客这个概念并不陌生，其最主要的特征是按照AARRR模型开展工作。在国内，这部分工作通常由运营部门来完成去提升用户的新增、留存、活跃、传播以及用户之间价值的良性循环。都是讲究数据衡量和结果驱动。 但也有很多不同的地方，国内运营更多是以比较轻的方式去实现增长，比如活动和内容运营等产品外部的方式获取增长。而增长黑客认为产品内部和外部的增长机制同样甚至更加重要，所以增长黑客还会通过产品本身实现增长。 基于本身对增长黑客的工作方法和内容很感兴趣，而且本书作者曾在增长黑客之父Sean Ellis创办的“增长黑客网”担任增长负责人，在增长上拥有最“纯正的血统”，我选择了本书作为入门增长的第一本书。以下是我觉得书中对我最有启发的部分内容以及一些自己的看法： 1.合格的增长黑客会追求AARRR全链条增长。我觉得做产品也是，一个是要追求和保证全局性思维，避免局部最大化的问题；另一方面是只有关注全链条，才能找到当前最有效的杠杆。（何为杠杆？我认为就是增长环节里待改进点，针对这个地方，进行实验改进以取得成功，就能撬动杠杆获得最大收益。） 2.为什么要寻找杠杆？因为资源有限，杠杆通常意味着投入低，能带来高收益、高回报。 3.如何找到杠杆？通过理解商业模式->找到北极星指标->构建增长模型->制定核心增长模板->指标分解->找到最大瓶颈即为杠杆。 4.新用户获取公式：LTV>CAC。生意的本质是赚钱，否则拉来的用户越多，公司赔的钱越多。在用户获取环节，就需要找到合适的用户获取渠道，以低CAC带来高LTV用户。 5.用户激活：让新用户在时间窗口内完成了魔法次数的关键行为，进而认识到产品价值。这个才能视为真实的用户激活（虚假的激活数据于后续的RRR无益）。 6.兴于拉新，死于留存。这句话可以用来描述移动互联网时代倒下的很多创业公司。为什么留存难？一方面是，如果一个产品本身没打磨好，还没建立起核心价值，即使能把用户招揽来，他们最终还是会流失掉。就像在病毒营销概念特别火的那几年，国内对增长黑客有所误解，那些过分强调了海盗指标的拉新环节，忽略了留存和转化优化的产品最终都是昙花一现。另一方面是，留存的科学分析难，入门级的用户分群和用户分组分析方法都需要增长团队具备一定的数据分析能力和科学分析的原则。 综上，五星推荐。

思维导图 * 增长黑客硬性能力 * 基础层 * 数据分析能力 * 漏斗分析 * 用户分群 * 同期群分析 * 同一时段注册的用户 追踪1个月、3个月、半年后的留存率 * 纵向分析 * 不同年份相同月份的用户 同期群分析下的留存率是否有改善 * 用户分组 查看平均值、分布图等信息, 发现规律 * 人口学特征 * 性别 * 年龄 * 地理位置 * 用户获取渠道 * 自然注册用户 * 付费推广用户 * 邮件 * 广告 * 老用户推荐 * 注册时间 * 新用户 * 老用户 * 流失后找回用户 * 用户行为 其实就是用户漏斗 * 访问过某个界面 * 采取某个行动 * 活跃度 * 产品平台 * 移动端 * ios * 安卓 * pc端 * os * windous * pad端 * 渠道 * 邮件 * 移动推送 * 趋势分析 追踪关键指标的发展趋势 * 数据看板 实时监测. 观察趋势 * 大版块 * 北极星指标及趋势 * 增长模型关键指标 * 头部访客流量 * 新注册用户 * 新用户激活率 * 激活 * 老用户留存率 * 月活跃用户 * 盈利情况 * 小细分 * 重要用户分组 * 按渠道分 * 用户分群 * 同期群分析 * 纵向分析 * 按人口学特征分 * 按新老流失唤回用户分 * 按产品平台分 * 按用户行为分 重要流程的漏斗分解- 转化率 * 用户行为数据构建用户行为漏斗 电商为例 * 产品页面浏览 * 页面浏览 * 缩略图小图点击 * 加入购物车 * 注册 * 购买成功 * 点击购买 * 购买成功 * 定性数据分析 找为什么 * 调查问卷 * 访谈 * 用户调查 * 增长理论 * 海盗指标 * Acquisition 用户获取 * Activation 用户激活 * 新用户激活漏斗为例 * 绘制用户旅程 * 下载应用 * 打开应用 * 注册第一步 * 注册第二步 * 注册完成 * 完成关键行为 * Aha时刻 体验到产品的核心价值 * 在激动指数降为零之前完成激活 * 提高激动指数, 增强动力 * 减少降低激动指数的步骤和元素 * Retention 用户留存 * 指标定义合适的天然使用周期 * 绘制留存曲线 * 横向观察 * 留存阶段图 * 激活 * 中期留存 * 长期留存 * 流失 * 纵向对比 * 用户分组 * 提高留存 * 鼓励用户正确使用产品 * 提高用户使用产品的频率, 增加参与度 * 习惯养成 * 提供不固定奖励 * 投入努力 * 行为方法带来的沉没成本 * 用户用的越多, 离开损失的越大 如写了很多笔记, 发了很多东西 * 用的越多积累的好处越多 如推荐更精准 * 外在触发 如定时推送提醒 * 增加同一用户使用不同产品功能的数量 * 让用户使用多个客户端 * 在合适的时刻介绍新功能 * Referral 用户推荐 * Revenue 盈利 * Resurrection 挽回流失用户 * 北极星指标 防止使用虚荣指标: 数据好看, 但可能误判形势走偏方向 * 绝对值 * 6个标准 * 易于内部理解和交流 * 先导指标 提前看到问题 * 可操作指标 * 反映用户活跃程度 * 指标变好能说明整个公司在进步 * 让用户体验到产品核心价值 * 增长模型 数学公式 * 定义北极星指标 * 绘制用户旅程 从一无所知到体验核心价值的步骤 以听歌app为例 * 下载 * 注册 * 登陆 * 听歌 * 组装增长模型 * 新增活跃用户 * 访客流量x新用户激活率 * 每月下载量x注册率x首次登陆率x首次听歌率 * 已有活跃用户 * 已有用户数x老用户留存率 * 已有用户数x每月持续登陆比例x持续听歌比率 * 用户心理学 制定增长实验的参考 * 心理学小技巧 * 从众心理 强调有很多人在使用这个功能 * 结果量化 把小的结果积少成多展现出来 * 个性化 * 稀缺性 * 紧迫感 * 社交证据 * 用户心理决策地图 * 访问 * 广告: 有冲击力的设计和文案 * 转化 * 着陆页、应用商店: 好的设计和文案描述产品优点 * 激活 用户第一次体验到核心价值 * 新用户引导 * 新用户邮件/ 信息推送 * 留存 * 养成用户习惯 * 深入使用 * 唤回 * 推荐 * 产品有价值 * 补贴 * 变现 * 付费订阅/下载页应用内购买 * 增长实验 * A/B Test * 优势 * 量化结果 * 限制负面影响 * 学习加强对产品、用户、渠道的认识 * 局限 * 只适合优化, 会面临局部最大化的问题, 不适合找传略方向 * 如果指标错, 结果也会错 * 增长流程 * 根据增长目标找到北极星指标 * 找到该指标影响最大的聚焦领域 寻找杠杆, 性价比最高(投入小,提升大) * 根据增长模型, 找到增长瓶颈 * 产品内 * 优化产品 * * * 迭代 * 头脑风暴/定性调查 产生想法 * 更改文案 简化程序员工作: 提前埋点 * 应用商店 * 确认框 * 广告设计 * 开发功能 * 排列顺序 * 根据实验排序系统计算得分 * 设计和开发试验 * 写增长实验报告 * 分析数据 * 实验结果具有统计显著性 * 将实验结果和增长指标联系起来 * 运行完一个天然周期 * 应用结果 * 可以应用到所有平台 * 专长层 * 编程 * 高级数据分析 * 用户体验 * 文案写作 * 渠道运营 * 渠道层 * 用户获取渠道 仅红色可以做到大体量 * 公式: LTV( Life Time Value) >CAC( Cost Acquisition Cost) * 付费渠道 * 线上付费广告 * 搜索引擎关键词广告 * 社交平台广告 * 小众博客 * 线下广告 * 联盟 * 会展 * 有机渠道 * 搜索引擎优化 * 产品自身可以产生很多内容 * 内容运营 * 邮件营销 * 社区 * 病毒传播 * 其他渠道 * 公关 * 非常规公关 * 已有平台合作 * 演讲机会 * 商务拓展 * 线下活动 * 销售 * 用户推荐 k因子衡量 * 口口相传 * 展示相传 ex: 照片滤镜、 摇一摇 * 补贴推荐 代金劵、产品功能、现金红包 * 社交网络用户推荐 * 病毒传播 如冰桶挑战、神经猫 * 产品内传播机制 * 产品需求 如zoom * 内容分享 如知乎、网易云、微信读书分享 * 人为制造 如开心消消乐求能量 * 欢乐时刻 如keep健身完, 刚注册完等 * 顺便接触 如爱剪辑做的视频、美图秀秀的图顺便加个水印 * 用户留存渠道 联系用户的渠道 * 邮件 * 移动推送 * 产品内信息、短信、消息 * 产品渠道 产品内部包含的“增长和留存”渠道 * 着陆页 * 注册页 * 激活流程 * 通知/消息 * 游戏化激励 * seo * 产品内病

算是快速把这本书看完了。作为一个非互联网人士，实在不敢评价技术上、落地性如何。总体感觉比《增长黑客》可读性强，系统性弱。 自己也算有点小感悟： 1. 增长黑客感觉就是科学实验在商业上的应用，可见到了一定程度，道是根本，一通百通。在这点上，只要是通过网络来搞销售的，我觉得都可以看看这类书，至少知道怎么去打磨自己的产品，而且可以把这种实验平移。 2. 感觉整个增长的过程就是在找关键点，无论是北极星、海盗指标什么的，都是在找那个根本性的推动点。若干年前的飞轮理论讲的是在某个点上持续用力，日久自见效果；OKR为的是拿关键性指标，教练谈话的关键是拿到合约……好像又和第一条有点像了，在找到核心点/卡点/瓶颈/关键痛点…这些描述上，其实都是一样的。就像那句话怎么说来着，找到问题所在，问题就解决一半了，即找到根本。

我是这本书的作者，觉得写的还不错[害羞]

很好的用户增长的基础书籍，覆盖了从关键指标，增长团队的历史，到精益A/B实验分析的最佳实践，很适合小白读者的一本书。此外，AI时代这本书依然不过时，把书作为一个产品，我也看好她的“增长”，需要这本书的“用户”应该更多了吧～