增长的前提条件：产品需要在增长之前，首先确认已经实现了从零到一，也就是PMF的阶段，产品的核心价值已经在市场里找到了立足点。如果在没有实现从零到一的时候就猛踩油门、开始批量化获客，这是一个特别危险的动作，所以在做增长之前，一定要先做这样的自检。

你所理解的「增长」是什么？其实增长的核心驱动引擎不是裂变、不是算法，不是一切能想到的炫酷的增长套路、各种地下流量玩法，而是只有简单的两个字——测试。

“增长”概念的提出者Sean Ellis（肖恩·埃利斯）在硅谷做了多年的增长教练后发现：一个企业的测试频率提升之后，它的用户增长速度也同步提升了，也就是说这两者之间有极强的正相关关系。

两个例子，一个是Twitter，一个是Sean Ellis自己所在的公司Growth Hackers。

Sean在做Twitter的增长教练之后，发现Twitter将测试频率从每周的0.5次提升到每周10次之后，它的用户量级发生了巨大的变化；而Sean自己所在的公司当测试频率提升上去之后，也发生了同样的变化。他曾经举过一个例子，仅仅是简单地将Email订阅的位置从网页的底部调升到网页的顶部，就产生了700%的订阅率提升。

测试是增长的核心驱动力引擎，为什么？用蚂蚁的一个自杀螺旋来做比喻。蚂蚁有一个很有意思的现象，就是如果在它的周围用圆珠笔圈上一个整圆的时候，它就跑不出去了。这个整圆很多时候是不是就像我们遇到的那些怎么提升也上不去的某些指标，貌似我们被这些指标困住了。

但是假设这个圆有一个出口，那么假想2个同样的团队在这个圆里去寻求突破口，同样的时间A团队可以做更多的尝试和努力，而B团队则只是慢慢悠悠的随意测试了一到两次，可以想见A团队找到出口的可能性就大大提高了。

今天我们做很多决策，尤其是基于C端消费者的很多增长策略时，很多时候谁也不知道哪个策略能work，那么能够快速测试和迭代的团队就更有可能在同样的时间内找到增长的突破口。

我们来看一张中国互联网企业市值和估值的排名，大家来猜一下目前排在第四位的这家公司叫什么名字？大家很容易就能猜到，是字节跳动，我们俗称的App工厂，字节跳动的估值已经接近750亿美金（2019年数据，非当前），是这个榜单上非常年轻，但窜升速度非常快的公司。

字节跳动是一家“测试驱动”的公司，张一鸣就曾经说：哪怕你有99.9%的把握确定那是一个好名字，测一下又有什么关系呢？当然，字节跳动为了实现如此随意的测试，其实背后是花了很多功夫和努力的，比如其强大的数据中台能力，但是字节跳动的成功就是对“测试驱动增长”的有力证明。

我们已经深刻理解了测试驱动增长这个逻辑，那么到底什么是测试呢？

Sean Ellis说，有两种类型的测试：一种是帮你发现，一种是帮你做优化的。当然，他还在这里特别提出了“数量某种程度上比质量更重要”的观点。

很多团队在进行测试的时候，通常都想憋大招，对一个测试反复论证不敢下手。Sean自己在团队中做测试的时候也遇到过相同的问题，但是到后来很快的调整思路：重要的是数量，是同时在这个泳道里跑了多少的测试，而不是质量，因为当你去纠结质量的时候，你就有可能迟迟不敢下手，那这个质量的意思呢，就是说不要再让测试这件事情看起来更高级上花费太多的时间，先大胆去做测试，在数量中去选优。就像先去训练自己的某块肌肉群，再去刻画某块具体肌肉的曲线和弧度一样。

第一种测试，发现型的测试这里暂时先不涉及，先来看看优化型的测试怎么做。

优化型的测试执行的常规操作大概是五个环节：从确定测试目标，到设定测试方案、选择测试人群、运行测试方案，到分析测试结果。

通过一个实例来感受一下。这个实例来自“每日优鲜”（2022年7月28日“每日优鲜”暴雷、原地解散，该例子引用其历史增长运营操作），当时每日优鲜在执行一个拼团的策略时，发现有一个转化率的指标不够理想——就是从参团页到下单的转化率，当时这个转化率大概是30%，团队希望能将这个转化率提升到40%。

所以，每日优鲜就先做出了很多的猜测。在下方左边的页面里，可以观察到哪些因素可能会影响这样的一个转化率呢？

比如，展示的商品不够吸引人，用户直接就退出了？或者是用户需要操作的门槛太高？eg. 拼团的人数太高，用户觉得很麻烦，还有其他因素等等。总之，在这个页面，肉眼可见的每一个因素都有可能导致这样的一个比例，卡在了30%，而没有办法提升到40%。

先随意选择其中的一个猜测来进行“确定测试目标”的这样一个动作，比如选择“是不是商品不够吸引用户，用户直接退出了”，然后其中的一个可能性就是引导用户到其他的页面。那么，我们在这个页面上确定了我们的测试目标，测试目标想要实现的就是将转化率从30%提升到40%。

接下来需要“设定测试方案”。在设定测试方案的环节，有个非常重要的法则，叫单一变量法则，因为我们可以看到这个页面有非常多的元素都有可能影响测试的方案，在我们执行的每个测试当中，都需要保证单一变量可见；否则的话，如果有很多变量在同时起作用，我们最后就很难判断说到底是哪一个因素的改变导致了结果的改变。

在这样的一个测试方案里，我们可能假想说：先增加唯一的一个变量，比如说在大家看到的第一个页面里，会看到在引导用户去其他页面的这个按钮上，增加了“进入商城一元专场”这样一个特别的按钮，跟第一次的页面相比产生了唯一的一个变化。

在“设定测试方案里，需要去衡量2个要点：第一是变量唯一，第二是数据可监测衡量。因为当我们做所有测试的时候，都需要将所有的数据进行埋点和存档，这样可以方便后续的数据分析。

做完第二个设定测试方案之后，我们就需要“选择测试人群”。在选择测试人群里，同样有个非常重要的法则，就是样本可证明性法则。需要确定实验组和对照组起码至少2个组别，也就是说我们需要对同一时间进入的用户来分别进入对照组和实验组进行测试，2个组别的用户当然需要保证数量级一致、且各自组别的样本数量都需要有一定的保障，也就是说两个用户发生的数据和2000个用户发生的数据，其结果的可证明性的法则是不一样的。

在选择了测试人群之后，就需要“运行测试方案”。运行测试方案很重要的点就是：还是需要在过程中时刻去确保测试数据可追踪。那么，在很多的公司里，可能没有像字节跳动那样的中台实力可以非常随意的去开始测试；在这个过程当中，也推荐一些第三方的免费测试工具，比如Google optimize、吆喝科技、testing等等，这些测试方案都可以进行免费的试用，来了解测试平台的逻辑是什么。

最后环节是“分析测试结果”，这里同样有一个要素要考虑：结果所呈现出来的相关性还是因果性。有时我们会发现，当改变这个变量的时候，这个变量确实出现了变化，很多时候是因为凑巧这两个因素相关产生了变化，还是说它本身是有一个前后的因果关系，在这个逻辑里需要大胆的敢于去怀疑我们的结论。

如果说初步测试的结论是相关可信的情况下，我们就需要进行复盘、团队达成共识、保存数据测试的结果，并推送到更大样本量的池子中来继续测试。

“测试”本身就是一个非常垂直的专业的工种，这里只需要先掌握其大致的逻辑和理念即可，更多技术实操的内容完全可以在各个平台进行自学。

- End -