增长其实是团战 - 向Uber团队偷师，搭建创业公司增长团队

在聊到Uber团队之前，我们先来看下这张数据图：

这是Uber 刚开始进军中国市场的订单量曲线：

中国的爆发式增长 vs 其他地区

其实 Uber 的增长情况我们并不陌生，对于数字领域的“增长骇客”这个名词也应该非常熟悉。But ，具体的“增长团队” (Growth Team) 到底是指什么？本期我们来好好剖析下

增长，其实本质是打团战，需要团队成员各种角色相互配合。Uber也是因为在市场上增长团战模式打的好，才能取得如此傲人的数据成绩。

下面我们直接上今天的干货剖析。话题主要分为三个部分，大家可以根据兴趣自行跳转阅览。

1. 团队产品过硬，还需要专门搞增长？
2. 单干不行么？干嘛非得成团作战？
3. 团队组好了。应该往哪块使劲和发力？

产品若盛开，用户必自来？

理想状态非常好！但是sorry，现实往往不是这样…

借用增长大神Andrew Chen（硅谷著名天使投资人及博客作者）的图表既能说明一切：

实际应用的现实状态往往却是这样：有团队成员有了开发新功能的点子，团队协作一同开发、发布，在初始期必定会有用户激增。但过不久增长就会放缓，团队发展陷入瓶颈，只好再想新功能继续开发。

循环往复多次，产品很可能就濒临“死亡”。因为这种增长模式并不可持续。

“产品和业务没有增长，就意味着一无所有，维持现状等于产品趋向死亡；但是用户呈现规模化增长是非常困难的一件事。”

虽然说好产品才是根本，但并不是业务持续增长的保障。

很多驱动用户获取、用户留存、用户参与度的关键杠杆都在优秀产品经理的常用工具箱之外。但其实是有一大堆技巧可用，只是通常都不是产品团队的核心考量指标：例如Ad Tech、A/B测试、推送消息优化、价格测试等。

当然也会有综合能力很强的产品人精通这些，但毕竟是少数。

通常情况下很难有个人能精通多项产品和增长技能。需要从组织结构和团队目标等更大的框架上寻求增长引擎的答案。

就像“设计思维”(Design Thinking)和“敏捷工程”(Agile Engineering)一样，有分别各自的组织结构、工作流程、理念和技能集等，创业型成长团队也可以建立一个类似的系统。

“产品增长是将科学方法应用于企业KPI的一门学科。”

增长是盈利、获客、留存和用户参与度等增长指标提供的底层框架。这是任何好产品成功的必备条件。

就像任何科学方法一样，这些步骤都是建立在理解数据，对产品现象建立假设，优先排序，然后执行实验，循环往复去不断迭代。

举个很简单的例子，认为用户活跃数量低，可通过分析数据，意识到需要从漏斗顶端获取更多客户；然后假设“付费广告”和“好友推荐”的“组合拳”模式可能会更加有用，于是对产品进行 A/B 测试来验证是否有效

这种模式相比无限堆叠开发新功能更优、更有针对性！当然，单纯为了增长而开发新功能，便是本末倒置。产品本身应该做的是减法。

当接受了增长和产品二者不可缺一的设定后，我们继续来深入增长模式为什么非要用团队去打。

增长是团战

早期的增长技能集里，也并没有团队的概念。只不过是几个有能力的个体/创始人把必要的Idear、工作流和策略放到一起了。这些人有些会开玩笑地称自己为“增长骇客”。

但是随着技能集的不断升级扩大，很快就发现想要做点有意义的改变，特别是在产品变得越来越庞大复杂的情况下，往往是需要一个team级别的人员支撑才可以实现的任务。

于是增长团队的概念应需而生。其根本理念在于不要一个mvp和几个辅助人员，而是分工明确、技能互补的队伍。

增长需要跨职能技能，是一项团体竞技。

大多数增长团队都至少有这些角色 - 产品、营销、工程、数据、运营、财务等等等等。增长团队集合了这样一拨人，赋予他们新的title。

简单解释一下每个角色：

• 增长 PM：主要负责把控大方向，规划出实验的路线图
• 增长工程师：负责技术攻坚，把 PM 的实验规划落地
• 增长营销人：要求能够对营销的方方面面有所理解，同时至少在一种渠道是专家（eg. 付费广告、SEO、邮件营销等等）
• 增长数据分析：分析师主要负责数据洞察，包括宏观（比如用户生命周期）和微观（具体某个实验的设计细节）。
• 增长设计师：掌控整个用户体验的设计，但强调速度、敏捷。

也还可以添加的别的角色。比如 Uber，很多与“用户乘车补贴”相关的决定需要财务或者定价的小伙伴。如果现场的比重很大，团队可能还需要运营的小伙伴来把控。

取决于要解决的问题，你可能需要不同的团队构成。下面给大家举几个不同场景下，不同增长团队可能构成的例子~

 

场景#1：新用户体验，New UX

新用户体验(new UX) 项目中的重要考量一般会是：增加注册转化，你可能会考虑广告整合。这时候你可能会更强调团队的工程师角色。那你可能会 Android、IOS 的工程师各找一个，然后再招一名数据来分析指标，和一名设计师来保证注册时顺畅的用户体验。

场景 #2：搜索引擎优化， SEO

如果你想要做的是 SEO，可能 UX 设计对你而言就不是那么重要了。这时候比较重要的任务是比如优化网页结构和内容等。这种情况下，你可能更注重 SEO 的营销策略，数据分析和全栈网页搭建技能。

“没有完美的团队架构，各有千秋。”

最终目标还是根据对问题的见解和假设来决定增长团队的组成，每个团队可能会强调不同的技能。且随着企业组织的大小，增长团队的结构也会变得复杂。

一种常见的结构是是这种按职能划分的矩阵。增长PM 可能不仅向产品汇报，而是要兼顾其他职能。

还有一种情况，增长团队是独立的存在。Facebook 和早期的Uber 就是这样的例子，增长团队更像是一个业务部门，增长执行团队的各个职能会向一个经理汇报。这样做的好处是为增长提供了很好的独立性，但同时也会因为从原始职能的剥离拆分增添一些复杂性和冲突。

当然也可以采取混合的结构，但具体的职能分配也是需要按需制宜。

团队有了，该往哪儿使劲儿？

一旦增长团队成立，下一步就是该怎么干？如前所述，增长团队的使命和武器库应该与传统的营销或产品团队有所不同。尤其是在团队成立初期，应该设立几个容易实现的小目标。

虽然很容易直接扎进增加用户获取或者减少客户流失，但咱们先跳出来看看全局。先给大家介绍一个优先排序框架。

这时候的团队有三点权衡：资源投入、成功率和效果。

前两个比较好理解，其中效果可能需要再解释两句。你投入了，也成功了，但是带来的正面影响有多大？如何量化这样的效果？

每个增长实验最终就是这三个维度的权衡排序。慢慢地，团队会越来越熟练，也能更好地权衡三者的重要性。但是也有下面几点值得注意：

1.关注自顶向下(top-down) 的 KPI

最常见的错误就是一味地强调某一功能的突破性进步，简单说就是 “一个 0.01% 用户使用的功能有 +50% 的巨大进步” vs “一个 50% 的用户使用的功能有 +5% 小增量进步”，你选哪个？很多团队会误以为前者比后者强。但其实如果算一下，后者其实对自顶向下的 KPI 影响更显著。

2.由简入难

另外一个常见误区是过分强调高投入、高回报的项目，而忽略小成本、中低回报的项目。几乎所有人都容易过于乐观地估计结果，因此可执行比高回报强。直到你确定所有容易操作的点子都实现了，或者你获得了足够的资源支持一些大型项目，这都是较为明智的做法。

回到效果的衡量，咱们再拆解一下可能会更好理解。

Upside 是一个绝对数量， 可以是新订阅用户数、新注册数等。两个组成部分，Reach 和 Impact，还不完全一样。Impact 的不确定性会大一些，比如有时候某个自变量改变会造成因变量 +5% 的变动，有时候可能带来+50% 的变化。而 Reach 则是一个比较可控的因素，也是一个很棒的增长杠杆。

细说“影响面”  Reach

Reach 其实很好理解，顾名思义，你能“够”到多少受众，即“影响面”。

一般而言，大多数产品团队专注于改善核心产品体验，核心用户受益最大。这有很多好处——毕竟从盈利角度来看，核心用户是参与度最高、最有价值的。而且在多边平台(multi-sided platform)上，他们产生的增量最多（可以包括：用户原创内容、订单、销量等等），并维系着整个生态系统的其余部分。

但话又说回来，核心用户通常只占活跃用户的一小部分，一般只有5-25%。

聚焦高产出的核心用户（也就是内容原创者）也不是不可以，但大多数用户还是内容的消费者或被动接受者。所以，如果项目能够关注所有活跃用户，你的影响面可能放大 4-20x！

但其实活跃用户之外还有可以关注的细分市场。

平均而言，只有 10-50% 的注册用户可能属于月活用户。50% 已经是世界级的表现了，Facebook 的水平。一般的产品都只有 10-20%。因为大多数用户都是一次性用户，试了一次就忘了。

这个阶段的产品应该关注用户激活。如果能够找到激活用户的的触发点，并将这个机制融入产品的用户引导过程(customer onboarding)，进而将注册用户转化为活跃或核心用户。

用户激活还包括一部分已流失或休眠顾客。比如说有没有给这类用户发送“唤醒邮件”？如果他们忘记密码了，重置密码的流程是否和注册流程一样做到了最优化？

“路人”用户指的是见过产品（多指互联网产品），但没有采取任何行动。大多数着陆页都只有 10-50% 的注册转化率。不过，大多数产品会有一些“侧门”。比如 Dropbox 云盘的分享链接，YouTube 的视频页，这些都有吸引大量新流量的潜质。因此也是优化“重区”。

然后这之外还有“渠道”和“全渠道”。

“渠道”是指你现在所拥有的渠道上存在的所有用户。比如Facebook 是你的主要获客渠道，那不管见没见过你的产品/品牌的 Facebook 用户，都属于这一范畴的潜在客户。

“全渠道”则是囊括了所有你拥有或还未涉猎的所有可能渠道。比如，尝试全新的“好友邀请”计划，可能会给你的用户增长带来质的飞跃。

“说到Reach，最好从现有用户池以外的地方下手”

综上所述，一般效果最大的增长杠杆是增加 Reach，也就是触达那些目前还是非用户的人群。这意味着你可能需要放弃对产品核心功能的优化，转而优先投资一些受惠非用户的功能。

其实现实中会发现，大多数产品的非用户功能屈指可数，完全可以做到“雨露均沾”。举一个 Airbnb 的例子，大家就明白了。

Airbnb 的增长团队讨论后发现现有的 33 个功能当中，只有 6 个功能是“非用户的”会比较多使用到的。

当然，每个团队和企业组织的情况都不一样。但是增长的底层逻辑都是相似的！希望这篇文章能够帮到大家！

无论你在求职中美数据相关的岗位，如数据科学家，数据分析师，商业智能分析师，数据工程师时，你都不难发现，所有的岗位要求中，有一项基本技能，是必须要掌握的，那就是人尽皆知的Python。

在招聘网站上一搜索，尤其是科技大厂，数据岗的都要求掌握Python这个必备技能。年薪在美国可达15万美金, 在国内可达30万人民币。

想去大厂数据岗，为什么要会Python？

 

1.电商数据岗

 

以Amazon 为典型代表的电商零售公司，常常需要通过利用Python等数据工具，来围绕“人、货、场”这三个核心，来分析大数据。 

 

例如，通过分析新用户的获取和老用户的留存、复购数据，从整体了解电商用户结构，以及用户生命周期价值，来洞察对“人”的了解；通过分析销售额、价格分析、销量排名最高和最低的商品数据、以及相关关联因素的归因，是对“货”产品结构的把控，为产品运营寻找最佳建议；而对于阶段性市场份额、利润率、增长率、促销活动等数据的分析和对比，能够了解到整体运营的情况和未来市场的前景，帮助决策层制定下一步的运营策略。

 

因此，像Amazon、Wayfair、阿里、京东这样的电商公司，在招聘数据分析岗位时，都会要求申请人擅长Python、R、SQL这样的语言工具。 

以前看重线下体验销售的品牌，也越来越多地看重线上电商渠道，因此，相应的数据分析岗位也越来越多，像小米在国内专门招聘的电商数据分析师，起薪最低在18K。

 

2.互联网公司数据岗 

 

“猜你喜欢”、“购买过此商品的用户还购买过……”对于离不开社交平台、新闻阅读、娱乐平台的现代互联网用户来说，个性化推荐已经不是什么新鲜事儿。这些“懂你” 行为的背后，都得益于推荐系统。 

 

推荐系统，根据用户的档案或者历史行为记录，学习出用户的兴趣爱好，预测出用户对给定物品的评分或偏好。据报道，推荐系统给给Netflix带来了高达75%的消费，并且Youtube主页上60%的浏览来自推荐服务。

 

而像Facebook、Instagram、Pinterest 、 微信、小红书、今日头条，这样拥有巨大流量的平台而言，通过品牌的广告投放来实现商业化。而数据科学家和数据分析师的职责，则是和开发团队一起，研究算法确保广告能够精准地展示给目标用户。

 

许多互联网科技公司，都将推荐算法作为自己的核心技术，因此对于数据岗的人才需求非常大，提供的薪资待遇和在公司的话语权，也是可以和程序开发岗位职能相比拟。打开求职网站，Opening Positions 非常多，而Python几乎会出现在每一个数据岗的Job Description 上。 

 

3.OTO 公司

 

不断兴起的O2O业务，例如像Uber、Lyft、滴滴出行这样的打车业务，或是想DoorDash、Grubhub、Instacart 这样的外卖派送业务，都是基于派单的产品形态进行司机/商家和客户之间的交易撮合，而数据科学家和数据分析团队，就是在研究和解决派单算法，以及对于订单高峰、订单热区等情况的预判和调度。

 

作为基础的数据挖掘工具语言，Python的掌握是不言而喻的。 

 

非数据岗也能用到Python？

 

Python在非数据分析岗的场景应用，可谓是丰富多彩，尤其是增长, 产品, 用户等各类运营岗位，极大地提高了工作效率和沟通成本： 

• 用Python找论文资料，手动3天，现在只需要1小时

• 手动整理报表8小时，用Python只需要5分钟

• 3个市场人员调研收集的客户资料，Python爬虫一键全抓取

• 用Python将数据可视化，领导层决策拍板更快了 

 

可以说，因为Python的简单易学，方便和快捷，让这个数据分析工具成功“出圈”，应用到各种商业场景和工作职能中，现在人人都在学Python！

 

虽然Python的学习门槛不高，相对于其他语言和工具更加容易上手，网上也有很多Python的书籍可以学习，但是任何技能，如果不实践运用，那还不能称为真正的掌握。

 

有什么有趣的方法，来实践练习商业分析的Python技能呢？用数据驱动业务增长!

 

商业分析全球Python 挑战赛 [限时免费体验]

 

职图再次引领业界的新玩法 -- 商业分析挑战赛，邀请前机器之心审稿人操刀研发，与职图教学组一起，耗时数千小时，以全新“玩+练”模式，推出了“商业分析全球Python 挑战赛”，让同学们在比赛中，夯实自己的Python技能！

 

闯关技能难度

- 独立完成7关, 可达到亚马逊, 谷歌, 阿里, 腾讯等大厂的数据科学家的从业硬技能要求

- 用code pack完成, 可达到Amazon, Peloton, 小米, 滴滴, 美团等热门电商和O2O App商业分析师的从业技能

 

通过闯关学Python挑战，你将解锁以下Python技能：

• Web Scraping 网页抓取；

• Work with API 从API取得数据 ；

• XML ParsingXML解析 ；

• Data Cleaning 清洗数据；

• Image Processing 图像处理;

• Image Feature Extraction 图像特征提取;

• Recommendation System 推荐系统;

• Cold Start Problem 冷启动问题;

• Multiprocessing 多线程处理;

• NLP 自然语言处理; 

• Visualization 可视化;

• Geocoding 地址编码;

• Image Processing 图像处理;

• Deep Learning 深度学习;

• Machine Learning 机器学习;

• EDA (Exploratory Data Analysis) 探索性数据分析;

• Neural Style Transfer 图像风格化;

• Convolutional Neural Networks 卷积神经网络;

  
  

在商业场景中学习Python, 实现职场飞跃

 

职图商业分析Python全球挑战赛，分为不同的7个关卡，把在热门数据岗位中，会日常用到的Python技能融汇到每一个Level的挑战关卡中，让同学们通过游戏挑战的方式，由浅入深地锻炼自己的的Python技能，为申请高薪数据岗工作，打下坚实基础！

 

在研发和设计本次Python挑战赛时，职图团队和研发专家， 将每一关都融入具体的商业问题或者场景应用中，闯关成功也就意味着之后如果出现类似场景，同学们便可以举一反三，融会贯通。通过比赛，可以测试自己是否具备求职Data scientist 、 Business intelligence analyst等高薪职位的求职竞争力.

 

7个Python关卡，解锁数据分析从业技能

 

挑战赛的7个关卡，都是基于商业场景中，会使用的Python技能设计研发，包含Web Scraping、Image Processing、Recommendation System 、NLP 、Neural Style Transfer等常用技能， 通过挑战赛，你能提升自己对Python的掌握程度，求职党技术面更加有信心。

 

第一关：抓取2020 评价最高的15部电影

第二关：抓取亚马逊上最热销的牙膏产品

第三关：用图像特征提取找到相似镜框

第四关：大数据分析商业智能职位必备技能 

第五关：用图像识别找出体恤中的蜘蛛侠

第六关：深度分析全球就业指数  

第七关：图像风格化：为你喜欢的游戏人物作画

 

限时免费体验闯关, 快点报名参加吧！练就Python 技能，申请高薪工作，还能赢得大奖，为校争光！

 

如何参加Python挑战赛？

 

参赛人群：全球职场人士均可参加 

参加方式：扫码注册报名Python挑战赛 

 

职图Python挑战赛等你来战！

 

如果你是个Python 小白，想要通过闯关学习Python，别担心，加入Python商业分析技能集训营，资深导师会手把手指导你闯关学Python，并且还能通过课程，了解Python如何应用在商业分析场景中，以及商业分析必备的逻辑思维。 

 

Python商业分析技能集训营

Python商业分析技能集训营，是职图教学组，针对想要学习Python技能，找到数据科学、数据分析及商业智能分析的同学，专门研发的一套技能集训课程，通过学习数据分析应用的商业逻辑、必备的工具和建模，手把手带你闯关【职图商业分析Python全球挑战赛】，每完成一个关卡，都将会获得对应技能的认证奖章，所有课程完成并且完成7个关卡后，将掌握基本Python常用技能和应用场景，具备申请数据科学或商业智能分析方向岗位工作的竞争力。 

 

Python商业分析技能集训营包含两大亮点部分：

 

亮点一：Python集训营商业逻辑课 

 

15节商业逻辑课程，让你迅速掌握求职数据分析岗的必备知识和技能，从行业格局和应用、必备的工具和技能、数据分析的常用模型，全方位学习Python在商业场景的应用。

 

课程导师均来自北美一线科技公司的资深数据人，如Facebook、Google 、Amazon、Wayfair、IBM、Airbnb。 

 

逻辑课程分为三个板块： 

 

行业格局和应用：

• 数据分析岗在不同行业的应用，及求职必备技能

• 商业问题拆解，目标数据清洗和准备 

• 数据科学技能点详解 

• 营销行业的数据分析应用

必备工具和技能： 

• 商业智能分析Advanced Excel 技能

• SQL / MapReduce实现数据转换

• 高阶SQL 技巧 

• 以数据科学家视角，运用Google Analytics

• 使用 Tableau实现数据可视化

数据分析的常用模型： 

• 线性回归

• 逻辑回归 

• 梯度下降法解析

• 聚类算法

• 时间序列模型

• 随机森林与梯度递增法解析

 

亮点二：Python闯关解析课

 

10年+资深数据科学家、机器之心前审稿人，手把手带你闯关【职图商业分析Python全球挑战赛】，11节闯关解析课程，拆解每一关卡的技能点，如何分解关卡问题，运用哪一个的package和模型，还会提供参考code，来完成7个关卡的挑战。每完成一个关卡，都将获得奖章认证，完成挑战赛，将收集一共7枚奖章，来证明掌握以下Python技能： 

 

• Web Scraping 网页抓取；

• Work with API 从API取得数据 ；

• XML ParsingXML解析 ；

• Data Cleaning 清洗数据；

• Image Processing 图像处理;

• Image Feature Extraction 图像特征提取;

• Recommendation System 推荐系统;

• Cold Start Problem 冷启动问题;

• Multiprocessing 多线程处理;

• NLP 自然语言处理; 

• Visualization 可视化;

• Geocoding 地址编码;

• Image Processing 图像处理;

• Deep Learning 深度学习;

• Machine Learning 机器学习;

• EDA (Exploratory Data Analysis) 探索性数据分析;

• Neural Style Transfer 图像风格化;

• Convolutional Neural Networks 卷积神经网络;

 

闯关解析课程包含： 

谁适合参加： 

• Python小白，想要学习知识，同时获得实操锻炼的经历

• 求职学生，想要通过闯关来检测，是否具备数据科学家、商业智能分析师的业界技能要求 

• 在职人士，想要学习Python来提升自己的工作效率，如页面爬取、数据清理等使用技能 

 

扫码加职图研究院Karen老师

回复【Python集训营】咨询课程

 

 

至今，共计160+的全球名企招聘了职图学员。

 

快来职图学习从业技能, 一起和校友们拿下更多高薪Offer, 享受进步的快乐