增长黑客之“道”——如何判断增长问题

引言#

开始做增长以后，会发现一个有点反常识的现象：团队通常不缺方案，缺的是对问题的判断。新增下降，可以增加投放；转化不好，可以改页面、做优惠。留存下滑也有现成办法，召回、签到、会员，挑一个先做。类似的招数很多，几乎每一种都能找到成功案例。于是业务一出问题，讨论很快就进入“做什么”，大家开始比较方案、评估资源和排期。最该回答的那个问题反而被跳过去了：我们现在看到的，到底是什么问题？

这件事很基础，却决定了后面大量工作的价值。问题判断错了，方案越成熟、执行越快，团队不过是在错误的方向上投入更多资源。所以我现在习惯把增长工作的起点往前移一步：先判断发生了什么，是什么在限制结果，哪些因素值得继续追下去。“有什么方法可以用”排在后面。增长难的地方，很多时候不在找方案，而在一堆复杂信息里一点点接近问题本身。

5.1 现象与问题#

增长问题通常最先以指标变化的形式出现。新增下降，留存变差，支付转化低于预期，客单价开始下滑。这些变化当然重要，但它们告诉我们的只是哪里发生了变化，没有自动告诉我们为什么发生。

比如商品详情页的支付转化突然掉下来，团队很容易把它定义成“详情页转化问题”，接下来查主图、价格展示、优惠信息、购买按钮，甚至重新设计整个页面。但同一个结果也可能来自流量结构变化、商品结构变化、价格竞争力下降，或者前面的营销内容给用户建立了错误预期。几种完全不同的问题，最后都表现成同一个指标下降。指标是问题的入口，不是问题本身。

往下追一层，问题才开始显形：变化发生在哪些用户身上，从什么时候开始，集中在哪个环节，上游有没有同时变化。用户没完成某个行为，是没有足够需求，没理解价值，还是中间存在过高的阻力。很多时候，只要把表面指标往下追一两层，得到的结论就和最开始完全不同。

但分析不等于不断追问“为什么”，直到找到一个听起来足够深刻的根因。真实业务很少只有一个原因，同一个结果常常受用户、渠道、产品、商品和环境几个因素共同影响。追问到最后只得到一个无法改变的宏大解释，对实际工作没有多少帮助。判断问题的目的是缩小范围，找到当前最值得验证、同时又有机会被我们改变的因素。

5.2 变量与系统#

一个模糊的问题继续往下拆，会变成几个更具体的变量。比如“订单增长放缓”，背后可能同时受流量、用户质量、点击、购买转化、购买频次影响；购买转化再往下拆，又涉及商品、价格、内容、信任、履约预期和购买流程。拆解的价值不在得到一张越来越复杂的指标树，而在把一句笼统的“为什么不增长”变成可以讨论和验证的判断：是人没来，还是来的人不对；是用户没兴趣，还是有了兴趣却没完成决定。另外还得看清一层：是一个关键因素明显变了，还是几个小变化叠在一起。

变量不能只拆开看。真实业务不是一张静态的指标表，流量、用户、产品、商品、内容、履约和服务始终相互影响，一个环节变了，结果可能在另一个环节才表现出来。很多增长问题不是某个元素做得不够好，而是元素之间的连接出了问题。市场带来一批用户，获客数据没有异常，但用户进来以后始终没理解核心价值，断掉的是“流量”和“价值感知”之间的连接；第一次体验不错，人却没再回来，问题发生在“一次价值”和“持续价值”之间；长期用着产品，却始终没形成合理的付费或复购，说明用户价值和商业价值之间还没建立稳定连接。

所以我判断一个变量时习惯多看一步：它从哪里来，又会把什么带向哪里。降低注册门槛能提高注册率，但同时引入大量低意愿用户，后面的激活和留存可能一起掉；极低价格换来大量订单，转化数据会很好看，代价是用户结构、毛利、库存和售后压力同时被改变。系统思维不要求每次决策都做全局分析，多数时候把一个指标放回它前后两三个环节，就足以避开不少局部最优。

5.3 增长杠杆#

问题拆开以后，新的麻烦出现了：能做的事突然变得太多。新增有空间，转化能优化，留存也能改善，渠道、商品、内容、履约似乎每一块都有问题。如果最后的结论是“这些都很重要”，等于什么都没判断。资源永远有限，增长迟早要面对取舍。

我理解的增长杠杆，是一个变量发生有限的变化，却能对最终结果产生更大的影响。它可能是当前最明显的瓶颈，也可能是把影响继续传递到其他环节的关键节点。这里有两个容易混淆的地方：表现最差的变量，不一定最值得优先解决；过去贡献最大的变量，也不一定还是下一阶段最重要的。一个优化过很多轮的渠道，过去贡献了大量增长，继续加预算的边际收益已经越来越低；另一个规模不大的方向，眼下的贡献有限，却可能仍有很大改善空间。只看过去的平均结果，前者显得更重要；看再投一份资源还能产生多少新增价值，结论可能完全不同。

所以判断一个变量是不是当前的杠杆，我通常看几件事：它对最终结果影响有多大，现在还有多少改善空间，我们有没有能力改变它，改变它的成本和风险有多高。说到底要回答的很朴素：如果现在只能解决一件事，哪件事最可能改变整个结果？

杠杆也不会一直固定。业务早期可能缺用户，规模起来以后问题转向激活和留存；留存稳定了，又可能出现复购、供给或者效率的新约束。过去有效的方法没有突然变错，只是业务进入了新的阶段。要不断重新判断的是：现在限制系统继续向前的，还是不是原来那个问题。

5.4 假设与验证#

即使问题已经拆开，也找到了最值得改变的那个变量，我们仍然面对一个现实：这个判断可能是错的。经验积累以后，人自然会形成直觉。做过很多页面，会知道哪些设计大概率更容易转化；长期负责某个业务，也会对用户、渠道和市场形成自己的判断。这些经验有价值，能帮我们更快缩小范围，也能避开一些明显的弯路。

但经验永远来自过去。过去正确的判断，在新的用户、新的产品阶段和新的市场环境里不会自动成立。所以我习惯把增长中的判断称为假设，而不是答案。区别不在叫法，在后面的工作方式：当成答案，团队接下来关心的是怎么把方案做好；当成假设，就必须回答三个问题——我们为什么相信它，判断成立时应该看到什么变化，什么事实会证明我们错了。

数据和实验的价值就在这里。数据让我们看见真实发生了什么，实验帮我们判断变化是不是这次行动造成的。它们不替代经验，而是给经验加一道来自现实世界的校验。所以我不太认同那句被用得很糙的话：增长“不相信直觉，只相信数据”。没有经验和用户理解，团队甚至不知道该提什么假设；只有经验没有数据，又容易把过去的成功当成长期规律。数据太多而缺少问题意识，人也会在数字里失去方向。

我更愿意把三者理解成一种关系：经验帮我们提出假设，数据帮我们看见变化，实验帮我们尽可能判断变化为什么发生。实验思维不等于尽量多做 A/B 测试，重要的是行动之前知道自己正在验证什么，结果出现以后愿意让事实改变原来的判断。假设得到支持，我们可能找到一个值得放大的方向；假设没被支持，至少帮团队排除了一条原本以为重要的路径。低效的不是判断错误，而是一件事做了很久，最后既不知道为什么成功，也不知道为什么失败。

增长本来就是在不确定性里工作。用户会变，市场和竞争也会变，业务阶段同样一直往前走。很难靠一次分析找到长期正确的答案，能不断积累的，是提出判断、验证判断、再根据事实修正判断的能力。从现象进入问题，把问题拆成变量，放回系统里寻找杠杆，最后承认自己的判断只是一个等待验证的假设。这个过程没有神奇之处，却比掌握越来越多的增长技巧更重要。方法会过时，决定增长质量的是我们怎么做出判断。