如何做增长实验？

用户增长（User Growth / Growth Hacking）继承了互联网产品开发的迭代概念，平常耳熟能详的经典增长成功案例，其实都是在大量增长实验（Growth Experiments）中所摸索试验出来的。因此，在成功地完成用户增长之前，你需要落地一连串的增长项目。那么，相关的方法论听了很多，而你又该如何开始第一个属于你的增长实验项目呢？今天将透过拆解增长项目实操的步骤，带你开始第一个增长实验项目。

✔何谓增长实验（Growth Experiments）？为什么需要增长实验？✔开始增长实验之前，需要什么准备工作？✔拆解增长实验项目拟定七大步骤：背景、假说、指标、实验、上线＆持续迭代、复盘

透过各种手段提升「数据」的实验都能称为增长实验。

虽然名为「用户」增长，但实际上，在日常工作中，未必只是单纯的「用户」增长。一般来说，GMV 的增长、注册用户数的增长、DAU 的增长、留存率的增长、使用时长的增长、发布率的增长、用户活跃度的增长、评论数的增长、分享数的增长、加车率的增长….都算是用户增长的范畴。而一般增长团队在决定要从哪方面进行下手时，通常会先以OKR 的方式，先从公司的整体目标进行拆解，决定这个季度/这个月所要着重的点是什么。

用户增长的方法具体是什么？其实没有标准答案。不同公司不同业务不同阶段，所能驱动增长的实际方法都不一样。但相同的是，都是透过一连串的增长实验所「试」出来的。

Amazon 能成为全球市值最高的公司，很大一部份原因也是因为公司内所推崇的「实验文化」，更在2015 年的股东信中提及创新是靠不停的实验而来的。

因此，你需要增长实验来帮助你验证你所挖掘出来的公司业务的潜在增长动能，进而成功实现你的增长目标。

在开始一个增长实验前，你需要：

1.先疏理该业务的完整用户路径。

2.衡量路径中每一步骤的CR（conversion rate），即所谓的漏斗分析（funnel analysis），进而找出要提升的业务目标/解决的问题。

3.提出优化的实验方案。

而今天，主要就是要和大家分享，在提出实验方案过程中的详细拆解及每一步该如何实操。

拟定一个增长实验方案和产品经理在进行一个产品功能的策划雷同，概括上来说都包含下面几大步骤：项目背景梳理、假说拟定、拟定衡量实验是否成功的指标、提出idea 并进行优先级评估、落地执行、复盘。

透过项目背景的描述，梳理现况。同时，让了解该增长实验的其他同事能够充分理解该实验的背景及所要解决的问题与原因。

为何需要梳理项目背景？

一般提到项目背景，很多人在日常工作中，很容易因为先有了idea，在撰写文档时，便基于你的项目idea 去填充项目背景的内容。然而，项目背景听起来容易回答，但是否真正透过这个环境，成功的梳理出业务现况的核心问题，就显得非常关键重要了。

一个项目的成功与否、是否成功带来巨大的商业影响力，其实关键在一开始的方向，若是方向上错了，后续做再多，项目在厉害，对于整体的business 来说也没有意义与价值。因此，在拟定一个具体的增长实验之前，你需要先找出你所希望透过增长实验解决的真正问题是什么。

梳理项目背景两步骤：

如前面所说，能增长的东西很多，到底要怎么挑选你当下所要增长的方向呢？你可以透过数据/目标驱动找到问题，再透过5W 挖掘出核心根本原因（root cause）。

1.数据/目标驱动常见的两个方法：

●从准备工作中的漏斗分析，你应该已经从数据中找到问题点，并借此找到了接下来增长实验所要解决的相关问题与方向了。

●从既有的公司战略目标去向下拆解，拆解时常会以OKR 的方式去拆解。

2. 深入了解根本问题：透过上述的两种方式找到了问题，接着可以透过Toyota 所提出的5W 方法论— 透过连续问五个why，去深入了解造成该问题的核心根本原因。

看完了5W 框架后不知道怎么应用？这里顺便和大家分享个例子。大家可以感受一下，然后将之应用到自己的日常工作之中。

针对现况及打算优化的情况提出假说。

为何需要建立假说？

毫无目的的发想解决方案，在每分每秒都在烧钱的公司运转中显得不切实际。因此，需要透过假说思考的方式，来提升增长实验的进行效率。

提出假说：

找出要解决得问题与方向后，接下来我们将基于挖掘出来的问题建立假说。建立假说的过程的思维框架，可以参考BCG的假说思考（hypothesis thinking）也可参考AWS的科学化假说方法（data-driven hypothesis）。

随着数位化的普及、AI技术的成熟，Amazon也开始推行以科学化的方式提出假说，利用machine learning（ML）的方式，在大量的数据中协助决策者挖掘出潜在的增长动能作为假说依据，进行后续的增长实验。

AWS 科学化建置用户体系流程图

●Magic number model: 利用ML 技术从CDP（customer data platform）中挖掘出影响新用户留存关键行为因素，可作为增长实验假说拟定的根据。

●HVE model: 设置objective 后，利用ML 技术从CDP（customer data platform）中挖掘出各行为在未来时间各个时间点达成该objective 的机率，借此找出影响该objective 的高价值用户行为，此结果便可作为增长实验假说拟定的根据。

在订定指标时，我们一般会采用OKR形式。

为何需要建立指标？

为了实现目标管理，在做任何决策时，都需要很明确知道，自己所在实施的项目，如何定义成功。唯有透过数据指标，才能科学化的去判断你所做的项目是否符合预期。后续也能基于指标去决定下一步。

建立指标常用方法：

先定义此增长实验的O（Objective），再针对此Objective 定义能够拿来衡量的KR（Key Results），一般会由大到小定义2–5 个KR。

订定完假说及指标后，接着就是到了brainstorming 的环节了。基于前面所分析的结果，尽可能发散的去发想任何可能的解决方案。

[案例补充]

这里以AWS所使用的科学化方法所推行的增长实验为例子，让大家具体感受下是怎么样子落地在日常生活中的。

Objective（设置要增长的目标）：30天内的复购率

User Segment（选定用户群）：上个月曾经购买过一次的用户

Event list（列出所有用户行为清单，同数据埋点的events） ：购买过的品类、做过的行为（除了常见的浏览商品、加购物车外，像是商品详情页面领取优惠券、在首页浏览热门商品模块、在订单页面加购推荐商品、收藏心愿单.. ..等）

HVE model（利用AWS HVE AI model将data转为actionable information）：在订单页面加购推荐商品30天内的复购率最高。

Actions（头脑风暴出各种可行的方式去让更多的用户群达到上面所挖掘出来的insight）：订单页面的加购商品模块：优化个人推荐算法、热门商品推荐、折扣力度大的商品推荐、用户在加购商品模块选购商品直接给予八折优惠….头脑风暴完后，无论是产品优化的方案、运营策略的方案、营销折扣的方案，透过优先级的排序，逐一透过实验去验证是否真能对目标提升有效。＊对于AWS的增长实验或是科学化的假说方法感兴趣或是希望能够将此落地到日常业务中，可以与我联系！目前AWS针对AWS客户提供相关的免费/付费咨询服务。

ICE（Impact，Confidence，Ease）原则是由知名增长黑客Sean Ellis 所提出，用来帮助对增长还没有那么熟悉的人作优先级排定使用的参考工具。

为何需要ICE 原则？

判断优先级的方法论其实众多，这里仅是提出一个方法论帮助对增长还没有那么熟悉的人大家参考使用，其实只需要挑选一个自己或团队适合或者熟悉的就可以。

ICE 原则如何运行？

ICE 原则是希望透过大家对该项目的进行三面向的打分：Impact（影响力）、Confidence（自信度）、Ease（容易度），每个分数为1–10分区间，并将三面向分数做平均值（或只直接加总后比较分数高低），即为增长实验的优先级判断工具。

若是担心在评判分数上过于主观，可以如同产品开发的评审会一样，组成一个评审小组，取众数或者平均值来判断。

上线与迭代的环节，如同知名的PDCA（Deming Wheel）概念一样。唯一差异在于，新增加了几个新的思路在过程中：导入了近年来流行的scrum 开发模式、MVP 形式上线、着重用户体验设计、数据驱动。

为何需要上线＆持续迭代？

回到开头所说的，用户增长的方法没有标准答案，需要透过一连串的增长实验找出适合自己公司业务的增长动能。

上线＆持续迭代如何进行？

将实验idea进行优先级排序后，便应以scrum 「小步快跑」形式着手开始将项目实现。在实现过程中，也应尽可能简化项目需求与流程，以MVP 的形式将之上线。上线后，再基于数据结果，持续不停的进行迭代。

针对实验结果进行分析与反思。

为何需要复盘？

实验上线了，若是没有进行复盘，你并无法从实验中得到学习。

整个过程中从假说的建立、指标的订定，甚至是准备过程中的路径、数据分析等，唯有「实验」了，你才知道市场上、用户反应上是否如你所想的。透过复盘与不停的迭代，持续优化，以达成增长目标。

复盘该做什么？复盘后我又该做什么？

实验成功上线后，透过复盘去分析实验结果与一开始所设置的假说是否一致、实验结果是否符合预期。若是符合，除了full launch到日常的业务中外，持续思考下一步该如何继续优化；若是不符合，反思什么原因造成实验不如预期或是修正假说。

回到开头所说的，

因此，唯有透过不停的实验、复盘、再迭代，进而挖掘出属于自己业务当下的增长动能以达到增长目标。