融资2000万美金之后，我们跟他聊了聊怎么做好增长 |【经纬系创始人曰】
今天的“创始人曰”来自于GrowingIO创始人张溪梦（Simon Zhang），他们是一家专注于数据分析的公司。Simon曾为领英商业数据部门高级总监，该部门为整个公司的销售、市场、运营等工作提供数据分析支持工作，做出了非常好的成绩。他还有个无比“金光闪闪”的头衔——美国Data Science Central曾将他评选为“世界前沿数据科学家Top 10”。
6月28日，GrowingIO发布V2.0版本，在无埋点技术和全量实时的数据分析功能的基础上，GrowingIO全新上线了更精细的漏斗对比、用户细查、热力图等实用功能。
同时，GrowingIO宣布获得了经纬中国、NEA、Greylock 的A轮两千万美元的融资，创下同类SaaS行业同等阶段融资额度新高。
借着这个机会，我们与Simon聊了聊关于创业者如何高效获取客户，以及如何留住他们的话题，用户喜欢什么、讨厌什么，怎么才能留住他们？好在，随着科技的发展，这门看似“只能靠猜”的工作，已经可以通过科学来解决。以下，是来自Simon的观点，Enjoy：
数据分析在国内一些特别大的企业，比如 BAT里，才能得到重视，当然这得益于他们的长期积累，对数据和运营结合的比较好。这是我回国以后的总体感受，国内企业对数据本身，以及数据所能提供价值的认识程度，没有美国那边那么深入，并且差异还蛮大的。
主要差异表现在三个层面：
价值的认知
许多公司处于疯狂增长时期，大家一拍脑子做的决定，可能已经产生很多价值了；这种情况下他们很难意识到数据决策能产生比暴力性增长更大的价值。
基本方法论的认知
意思是核心但简单的方法论。目前国内对基础的方法论没有太多的认知，可能因为国内发展时间还比较短，而美国已经开发好几十年了。
实际操作方法的认知
国内一线员工用数据来指导工作运营，比如产品、客户、销售等实际操作经验相对来说少一些。一方面，因为发展时间短，另一方面，数据使用理念积累也相对较少。
不过，国内公司已在迅速地提升这种认知。但是这个认知，是分阶梯的，循序渐进的一个过程。在美国，认知和方法论已经慢慢进行了良好的统一——技术和业务之间，用数据来融合。
在国内的话，技术和业务的鸿沟巨大。工程师被硬性要求建数据系统，但他并不真正了解业务端；业务端对技术也不是非常熟悉，导致很多需求并不能直接用现有技术手段来实现。
彼此的不了解，进一步加剧了数据使用的缓慢。鸭同鸡讲，造成的就是效率减低，不能看到价值实现。彼此都不能从中获益，最后就变成了凭感觉来做决策，而不是真正通过数据运营来做决策。
很多公司从头开始做的时候，大量时间花在建设技术平台的过程中。
技术平台首先很复杂，需要各种不同的工程人员；第二，很多公司都是从头摸索，但数据分析体系需要一系列流程和人才，每个都不能太薄弱，才能真正串起来。
今天中国的竞争太激烈，企业发展速度太快。大家没有足够的时间成本，像BAT， Google这样去重新沉淀一些好东西出来。这也是，为什么很多企业都没看到数据产生价值的原因。
许多国内的企业家，最开始意识不到数据的价值；等意识到数据的价值时，他的期期望又往往很高。这种大鸿沟，也无法让价值真正落地，甚至让人们产生“这个价值是否真能实现”的质疑，缺乏耐心。
一般来说，目前国内比较重视数据的是高客单价，重转化的公司，比如互联网金融、电商、交易平台、SaaS、在线旅游类的公司。这类客户客单价高，不是完全拼流量，如此创业者才有提高转化的动力。
宏观的讲，创业者会经历4-5个产品、企业的生命周期。
第一个阶段，叫冷启动。这个时候公司特别早期，天使轮或者A轮，甚至融资还未成功。处在这个阶段的公司，用大数据驱动是一个伪命题——因为客户数量有限，样本性不足。他们需要更多地去了解潜在客户的需求，去“求”客户来用这个产品。
第二个阶段—增长前期，就是冷启动接近完成。有经验的创业者，会开始布局和增长有关系的一些核心指标，比如说日/月活跃，留存度。这些指标的目的不是为了衡量产品当前当下的表现，而是为了未来做增长时有可比较的基准。
并且，这些指标能够告诉我们，什么时候我们应该去做增长。产品本身没有黏度的话，去烧钱做增长，它不会真正地增长起来。因为流失速度超过增长速度。以前很多烧钱的企业能成功，是因为竞争没有那么激烈，用户没有那么多种选择。但是今天如果你的产品很差，留存不高，口碑也不好，烧再多的钱也不能获得真正核心的自然增长。
第三个阶段是增长期。这个阶段就能看出来好的创业公司，和普通创业公司的巨大差别——效率。无论PR还是做活动，都需要人力和时间成本。如何在增长中，找到效率最高的渠道？这个我觉得，是创业公司之间PK的核心竞争力。
如果不做数据驱动，靠直觉，一次两次可以，但没有人能进赌场连赢一万次。所以，直觉需要和数据进行结合，这样企业能迅速优化各个渠道，来提高单位时间的转化效率。通过单位时间转化效率的不断提高和叠加，来变成企业的核心竞争力。
一个不用数据驱动的公司，和一个用数据驱动的公司。假设运营策略一样，资本储备类似，客户也一样，能迅速从数据里学习的企业，一定会胜出。
第四个阶段是变现期。业务变现，要求很高的用户基数。一般互联网产品，其中一小部分高活跃、体验好的用户，会转化为付费用户。类似一个漏斗，不断地去筛，这里面就是要拼运营的效率了。
比如说，电商用户的转化漏斗一般是：访问——注册——搜索——浏览——加入购物车——支付，或者到未来的退货。
这是非常非常长的一个漏斗，真正要做好数据化运营，要对漏斗的每个环节持续地进行追踪。为什么呢？因为不能衡量，就很难去做增长。
一个好的企业，特别是以后要做营收的企业，必须要关注各个部门各个环节的转化效率。这种转化效率，要达成的手段，可以通过市场营销的方法、产品改进的方法、甚至客户运营的方法。而其中每个环节小幅提高，加在一起就是一个倍数的提高。这种倍增，如果没有做过数据化运营的人，很难体会到会有多大。
比如，以前我们在领英做数据驱动转化时，要推送某篇 EDM ，同样发给10万人，拍脑袋决策的转化是0.01%，但是经由数据驱动部门做个简单的数据模型，同样推送后，转化率提升到了0.3%，高出很多。如果每周都那么做的话，这种转化效果，还是非常非常可观的。
每个产业都有自己不同的KPI。比如 SaaS 行业，用户注册能不能成功，多么简单的问题，但是很多企业可能会忽略；用户注册成功以后，你是否有定位自己的核心产品功能点，这个用户是否使用了你的核心功能？哪些核心产品功能能让用户留下?哪些功能不能？这些都应该在产品分析里记录，但如果没有数据，怎么去分析？怎么去衡量呢？
这些东西很多美国公司都总结完了，都已经用了十几年了。这些经验，国内很多企业，可以模仿和学习，没有必要再重新蒙着眼睛走一遍，那是浪费时间和资源。
还有一点，企业应该运营化。什么概念？就是说，数据分析，它不是一个运动式的，而是日常性事务——每天、每周、每月、每季度，我们都在看这些东西。不断调优、学习、促进，这是一个很重要的过程。但是习惯培养蛮痛苦的，因为很多的创业者都很忙，哪有时间去看那些东西。
我觉得国内公司对数据分析的理解，分两极：一种认为这是纯技术，还有一部分是比较迷信，认为只要一上大数据，就变成高大上的公司了。我觉得这两种方式，都存在一定的误解。
核心的话，我觉得你做的这个东西能不能有价值，有没有效果？用效果来衡量是最直接的。另外一些公司想自建平台，搭建很大的团队，效率和产出都比较低，这个我建议大家慎重。随着生态圈的不断发展，现在很多工具都很好用，你得学会用工具。这是创业者成功的一些很好的辅助——不能说因为你会用工具，所以你就创业成功；但是好的创业者，一定能用这些各种工具，达成目标。
好的数据分析，能够让公司里所有人都获益。它不是一种特权，不是只给公司里的一两个人看，而是能够让公司里面各个运营部门，特别是前线打仗的部门，能够直接得到好处。
普通只讲战略，只讲大方向，只给CEO看，只给VP或者运营看——这不够。需要把它给工作在一线的员工，让他们用起来。这个我觉得是区分一个数据驱动型企业，和非数据驱动型企业一个很大的区别。效率提升，是所有人提升，而不是一两个人提升。
一个公司要建完整的数据分析机制，首先应该从业务开始。所有的数据分析运营或者数据体系，都应该从业务，从客户开始。这个数据分析体系，不应该只解决非常狭窄的一个或者两个问题，需要有体系和大局观。
然后，实际上数据分析里面，最难的一个部分是数据搜集和数据整理，这个过程最耗费时间，可能因为刚开始的计划就做的不够周全。所以说，在数据采集和数据整理方面，应该很有计划的重视。
到后面，数据分析，不能只仅仅停留在报表的基础上，价值还是不够多。最终还是，那些数字出来以后，告诉别人应该怎么做是对的、有效的。这里面的话，就是有很深学问，需要很强的操作能力。
所以说一个企业，既要有大局观，又要注重可执行性。我建议一般企业想自建的话，应该先从一个单点突破，找到一个转化点，看到了价值，通过这一次的实践，再学习下一次实践的方法。这也是一个学习的过程。不要上来就建立庞大系统，上来就把50个数据圆圈综合在一起，想建立一套数据科学框架。我觉得一般要这样干的话，除非你有很多资源，否则一定会失败的。
过去几个月，我们跟客户打交道发现，有的企业用我们的产品用得非常好，有的企业就还好。通常内部有人核心负责数据的企业，会用的就非常好；有的企业没有核心的人来追这件事情，做得就比较一般。
所以，在运营部门里面，至少得有一个人有一定的数据分析概念。就好像我们把一套高级手术仪器搬到公司去，如果没人会操作也不行。
我认为最好的知识获取方式，就是实际操作。实际操作的前提，是最好有一个稍微懂一些的人，能带着做几次。然后转起来、学起来了，这就是获取数据分析知识最快、最有效的方式。我不觉得纯读书或者读一些课本，看一些外面的大数据指导类的书籍，能有这种效果。
有了这个人，再能从懂这方面的人和公司产品，获取方法论的支持，这种学习机制就建立起来了。这个还是蛮重要的，否则系统虽然强大，但是没人会操作，就无法物尽其用。
特别早期的公司，它们关注的东西非常标准化。比如说，他们想知道新增用户、留存用户、强势渠道、新用户使用哪些产品的功能等问题。
每个公司优势和缺点都不一样，我举两个例子吧：
比如说，有一个客户，他们是SaaS公司，做了很多线下活动，然后往线上导流。但他从来就没有观测过自己的注册转化，结果量来了，但转化率很低，最后实际注册还是很低，后来通过对注册流程的简单优化，转化能提升三四倍。
还有比如有电商客户，以前就看有多少人来交易了，交易额是多少，然后周/月/季度增长率多少。但早期进来的人一般都是核心用户，增长速度比较快。而后很快就进入了一个平台期，为什么？
这就是因为里面很多东西做得不够细，很多被稀释掉了。比如像竞拍，来了很多用户，看上去好像很繁荣，但如果品类太多，就会造成每个单品里竞拍用户减少。一少下来以后，价格就会减低，减低完了以后，导致GMV下降，增长率下降。
这种情况下，它需要去考虑——把更多的用户，聚焦在相对少的单品里面来，进而提高客单价。这么做的好处是，卖家能提高销售额，更愿意在你的平台做销售；而买家也会有种买到稀缺物品的感觉。
留存是一个创业企业想要成功，最核心，也最需要解决的问题。有了留存率，就基本有了增长率。早期拉来的核心用户，一般留存度都比较高；后期拉来的用户相对黏度比较低。比较成功的互联网产品，一般早期都是关注核心用户，满足了核心用户的需求，再通过这个不断往下扩散。所以说，留存度还是应该得到更多关注的。
同时，也需要对留存用户进行分解。留下的用户，一部分是新用户，一部分是老用户，看上去都是用同样一个时间来衡量的，但实际上是不同的。很多创业公司，有时候没有把它分来来看：比如留存用户里面，有多少是新用户，多少是老用户；老用户留存率是什么样的，新用户留存率又是什么样的？
Facebook把用户分成了七个层次。这七个层次什么意思呢？就是说，这一周每个用户的活跃度是不同的，有的人来了七天，有的是六天、五天、四天、三天、两天。它每天用户的活跃度，分到非常细。然后，它在这个维度上，再继续拆分成新用户和老用户。
拆解完了以后，就可以针对每种不同类型的用户运营了。比如，它可以去分析一周来五天以上的用户，使用哪些功能。
我的建议是在产品早期，应该把产品的留存做好了，再去做新增，这样创始人的精力会更聚焦。因为如果同时做拉新又做留存，就是分兵两处，你就顾不过来。有了高留存也会对拉新有帮助，找到高留存用户的获取渠道，然后可以持续不断的复制运营。
第二点，你有了好的留存以后，你可以迅速的去做扩张。因为扩张完了，用户会留下，你的增长速度会加快。
这里实际上有一条非常现成的方法论，因为如果你没有找到很好的留存，你做的业务就是一个烧钱业务。如果融资环境很差的话，那么这个业务就容易失败。但如果你用户黏度很高，你的运营成本就很低，这样创始人能够管理整个资源投放。
我觉得产品冷启动之后，就需要有这种基础的思维方法在里面；在增长期的话，需要极端专注。
早期靠直觉，后期靠科学。
越早做一些数据铺垫，我觉得对一个公司越有好处，它是一个不断迭代和积累的过程。但是，不要本末倒置，不要上来刚能启动就做AB测试，没有必要，因为你还没有积累足够的用户量，由此分析的数据也没有代表性。
我最后简单总结一下，数据分析的五个阶段：
这五个阶段，需要花时间来不断积累的，不要跳跃，跳跃往往失败，从基础做起。
【点击“阅读原文”可访问Growing IO官网】
也许你还想看：