（本文阅读预计需要7分钟）
「增长技术栈」是一套适合增长黑客的知识框架，通过应用这套框架，我们可以避开「拍脑门」和「Boss专家」的坑，制订切之可行的增长战略。这套技术栈适用于不同阶段的产品。
什么是「增长技术栈」
「增长技术栈」概念最早是由 Andy Carvell 提出，概念基于他15年的产品设计「和营销、尤其是最近5年在SoundCloud专注移动端增长的丰富经验。技术栈现在由 Andy 和 SoundCloud 前增长组同事 Moritz Daan 共同维护和更新。
「增长人」旨在将这套技术栈转化为适合国情的理论武器和实战工具，介绍技术栈的构成和概念，第一篇我们将着重介绍技术栈的概况和「预测分析」层面的技术点。
「增长技术栈」里有什么？
技术栈由3个水平的技术层构成（见上图），分别代表3个关键业绩目标：获客（Acquisition）、互动留存（EngagementRetention）和营收（Monetization），而以上3个技术层皆由第4技术层——分析层（Insight&Analytics）支撑。
处于不同阶段的产品，需要关注的「技术层」也有所不同(初创冷启动，则有可能把资源倾向至「获客」；做存量市场，则有可能优先选择「留存」和「变现」)。但是，只有3个核心技术层良好契合，整体战略才有可能出效果。而「预测分析」层就充当了契合「润滑剂」，在数据驱动决策的大环境下，没有分析作依据，就等于摸黑走路。
栈中的每个格子都称为一个元素，它代表了一项组成增长战略的手段。但这些手段并不是用的越多就越有效，还要根据不同的产品来选择不同的手段，毕竟抓住耗子的猫才是好猫。那些上来就大肆浪费资源、粗放发展的公司，往往都挂的很惨。
选择高性价比、可快速验证的手段，聚焦痛点打组合拳，才能花更少的资源办更有效的事，同时还能将富余的资源投入到经过验证的手段上，走上良性增长道路。
预测分析技术层
「预测分析」是技术栈中最为全面的技术层，涵盖了定量和定性数据、指标、模型和报告，在探索增长手段、监测效果、发现机会的方向上起到决定性的作用。网上可以找到很多适用于预测分析层的工具（部分需要付费或二次开发），举一些常用的例子：
来路分析、群组分析：GA、百度统计等；
事件追踪、广告效果统计、转化漏斗：友盟、Growing io；
用户细分：艾瑞、TalkingData；
App Store分析：App Annie、ASO100；
满意度调查：问卷星；
内容分析：ROST CM；
用户测试：UserTesting；
App性能测试：Testin、MTC；
A/B测试：云眼；
页面追踪：Screenflow；
LTV模型（生命周期价值模型）、增长统计、增长模型：Excel、SPSS；
如果产品达到了一定的规模，建议自主开发BI，以适用于不同数据场景，有效保护数据隐私。
来路分析
今天的下载量有多少是从应用商店来的？分别是哪家，每家具体下载量多少？从微博、微信渠道来了多少下载，哪些内容吸引了更多的下载？----想找到更有效的渠道，必须知道每个渠道带来的用户有多少，这时候，我们就需要「来路分析」帮忙。
「来路分析」是一种追踪用户来源的技术。对于Web产品，通常用Cookies来作为唯一标识符跟踪用户的行为和浏览路径；对于App产品，则可以用设备唯一识别码（比如iOS的IDFA和安卓的IMEI或Device ID）或者多维护数据组合（比如位置信息、BSSID、IP地址、用户指纹、手机号、微信号等）来跟踪用户（确切说是一台设备）的动作。
时下流行的跨平台流量模式（比如微信、知乎等产品的跨Web和App的导流跳转）则让「来路统计」变得更有挑战性。
事件追踪
用户行为是产品优化和功能设计的重要依据。用户在App中的操作（打开应用、注册账户、页面跳转、点击按钮、内容分享、购买等）和状态（启动成功、注册失败、升级成功等）都被称为「事件」。
我们通常使用第三方统计SDK（比如友盟）来统计「事件」。当App联网时，SDK就会在特定的时间，把「事件」和「事件」有关的元数据上传至统计服务器。
我们可以登录第三方统计网站，通过仪表盘（如上图）查看统计数据，还可以使用第三方提供的趋势工具来做进一步分析。
广告效果检测
广告是最有效的增长手段之一，2015年度中国互联网广告的规模达到了2093.7亿元人民币，平均消耗在13亿人身上的广告费为161元。我们每天都能看到大量的广告，但如何投放广告才更有效呢？
对于以「获客」为目标的广告投放，我们一般会对广告的「效果」和「投入产出比（ROI）"进行定量分析，并根据分析结果来优化「投放策略」和「物料设计」，优化方式主要有：
投放策略优化：统计渠道的「安装量」、「获客成本」和「用户质量」，并将全部渠道的统计结果进行比较，下掉成本高、质量差的渠道，提高优质渠道的投放预算。
物料设计优化：投放前一般通过问卷调查、用户测试的方式进行调研，投放中则通过A/B测试、点击率对比方式来调研。
短信通知、Push通知和应用内广告（比如Banner）等以「留存/促活」为目的的广告同样需要进行统计，并根据统计结果调整「投放策略」和「物料设计」，优化方式主要有：
策略优化：统计「通知到达率」、「点击/参与率」、「效果（比如应用内付费率、成交率、转发率等） 」与「成本」，根据渠道效果来调整投放偏好；
物料设计优化：与「获客」目标的优化方式类似。
应用市场分析
据统计，2016年期间App Store新增了100万款应用，达到了300万款应用的规模（鉴于近期苹果清扫僵尸应用的良好效果和新增应用的放缓，这个数字预计会在2020年达到500万）。想要从海量的数据中找出提升App排名的方法，我们必须先要了解影响App排名的几大因素：关键字覆盖、关键字热度、竞品排名和AKD（Appname应用名称、Keywords关键字、Description描述）。
使用ASO分析工具（App Annie、ASO100等）对排名较高的竞品进行分析，找出竞品的关键字覆盖、热度（App Store的热度不是从零开始的十进制数，是以4605代表真实流量为1的函数）和排名，根据这3个指标就能粗略估算出该应用不同关键字的导入流量。
用户细分
人上一百，忤逆俱全，用户的表现也同样有差异性。我们将特征比较接近的那部分用户归为同一类型，并根据不同维度 （比如喜欢参与促销活动的用户，喜欢通过「摇一摇」社交的用户）把用户分为多种类型，用来统计分析、差异化营销和动态定价。
常用的分析工具都提供了用户细分功能：通过「用户属性」（通常是用户主动填写的资料，比如性别、年龄、居住地等）、「用户行为」（通常是用户在App中的行为表现）等数据对用户进行分类。我们可以根据分类结果定制差异化的广告，并将广告精准投放到特定的目标群体，以提高广告的相关性和效果。
同期群分析
同类群组(Cohort)就是指同一时期完成同一行为的分析样本的集合。举个例子，我是A大学2008级的本科毕业生，那所有和我同年考入A大学的同学就是我的同类群组。而2010级、2017级这些又是另外的群组集合。随着时间的推移，不同群组毕业、肄业、就业状态的变化也不同。群组分析主要用于研究用户增长和留存随着时间推移的变化趋势。
同类群组会被某些事件所影响，拥有相同的行为、习惯规律。比如微信抢红包这件事。因为抢红包驱动，微信支付的会员数量喷井。但是过完年后。这些用户就由于习惯驱使，不再使用微信支付重回支付宝怀抱。那么这部分用户的留存率就会比较低。也就说，通过群组分析，我们可以得出同类群组不同时间段的留存率。
谈到留存率，留存率是指经过某一段时间后相对于初始同类群组建立时间分析样本依旧活跃的比率。它的公式是：
>留存率 = 特定时间段活跃样本数 ÷ 初始时间段分析样本总数
假设1月份注册人数是100人，我们把他们归为一个同类群组，这个群组在2月份访问的人只有23人，所以对于这个群组的30日留存率就是23%。其他的人去哪里了呢？他们已经「沉默」了。我们可以通过「短信」「应用内推送」等通知手段来「召回」和「激活」他们。假如这个同类群组的部分「沉默」用户被成功「召回」后，那么留存率肯定就高于23%。也就是说，留存并不是随着时间推移而递减的。
常见的同期群留存表（下图是GA中的群组分析工具）会把同一时间段注册的用户归为同一群组，并展示不同时间段有多少用户（通常是百分比）重新打开应用，得出不同时间段的留存率。
内容分析
App中有很多内容（比如视频、文章、菜谱、照片、音乐等），通过对内容的分析，才能把内容价值传递给用户，打造令人印象深刻的品牌和有调性的产品----统计用户的行为，比如「浏览」、「点赞」、「添加书签」、购买等，我们可以定位哪些内容最受欢迎、哪些内容销售利润最高；统计「分享次数」和「分享来路/去向」等传播环节，则可以了解哪些内容更有传播性、哪些传播渠道更有效。
满意度调研
用户满意度是产品增长的晴雨表。不满意的用户不仅容易流失，甚至还会在应用市场、产品论坛中扮演「黑嘴」角色，对潜在用户的转化极其不利；满意用户则是忠实铁粉，不仅到处宣传产品，还会呼朋唤友促进增长，我们要着重识别这类用户。
如何统计用户满意度？问卷调查着实是个不错的手段，但这个方法不仅耗时，成本还很高。所以，现在更流行的调研方式是「引导评价弹窗」：在App定场景弹出对话菜单（一般是用户完成核心功能后，比如淘宝的成交页面），如果用户想给好评，就会跳到应用市场的评分页面，如果用户满腹牢骚，则会将他引导到「意见反馈」功能。
这种功能独具匠心：既可以阻止消极用户差评、提高应用整体评分（评分越高，评价越多，排名越好），还能有效收集用户的反馈，用于需求分析和产品优化。
通过满意度的追踪，我们能有效区分「满意用户」和「消极用户」，并依据分类来进行差异化的引导：促进「满意用户」进行更多的「五星好评」、「好友邀请」、「SNS分享」行为；安抚「消极用户」的情绪，避免负面消息传播。
很多产品遭遇过这类尴尬----新版本上线后全民吐槽，被迫回滚至旧功能。满意度调查就能避免此类问题的发生：先在部分用户范围内测试，调研测试用户的满意度，再决定是否要把新功能上线。
本篇内容增长人就说到这，如果想继续看增长黑客的干货，欢迎关注「增长人」（搜索「zengzhangren」）公众号，在这里，我们一起做增长。
