程式設計師有時候需要跳出程式碼，看看業務，思考業務

帶著業務的視野，返回來思考技術的運用

最新最好的技術用在鋒利的增長刀刃上，業務將無往不利

Growth這個事情，說他是技術，可是掰開了揉碎了，細節說透了，很多程式設計師會說，這某一點不就是某個很普通的技術實現麼？另外一點不就是另外一個蘋果新API麼？做起來很簡單啦，只需要產品好好去規劃功能與玩法就行了。

一個業務在增長，技術只是被動的聽，做這個做那個，等著產品設計玩法，自己只負責實現，業務做好做壞都是產品的鍋。抱著這個心態的話那麼產品完全可以甩鍋，“我們暢想的功能你們做不了，完美的使用者體驗，一切智慧，恨不得產品設計出一款鋼鐵俠Jarvis，你們技術做不了就是你們的鍋”，這就會陷入一個對立狀態下的困局。

這裡其實是溝通的問題，本著做好業務為出發點，業務走向正軌，持續增長是整個團隊所期望，並且整個團隊都會受益的，我負責做什麼，什麼不是我負責的是你的責任，這些東西我們都能做就是PM不會玩，等等這些藉口在業務停滯這一結果導向面前是毫無意義的，在良性的溝通下，大家為了同一個目標去努力，收貨豐厚的成果才是合理的工作狀態。

通篇都會以這個基調去討論問題，因為我們討論的是一個綜合性非常強，涉及面非常大的東西，抱著誰的責任，誰負責哪塊的心態根本不是Growth所需要的。因為在極盡一切辦法尋求業務增長的時候，最清楚技術能做到啥程度是研發，研發將技術的價值充分說明，建議，與分享，一起與整個團隊努力，運用在業務上才是增長Growth的最有效的辦法。

Growth

去年2015年的時候，隨著一本書《增長黑客》的流行，隨著覃超在國內各大科技大會上分享Facebook的一整套一切產品研發以使用者增長團隊驅動的策略指導為優先的Facebook GrowthHack方法論。Growth的概念開始在國內網際網路圈裡爆發開來，甚至很多公司HR開始效仿國外公司，專門招聘增長官 Growth Officer。

拋開他突然爆火的熱度，我們專注的瞭解一下這一全新的領域Growth，通過這些書籍，大公司的分享會PPT，我們會發現這裡面不僅僅是業務方向的事情，絕不僅僅是隻有經理or產品經理才需要考慮的業務增長方向的事。這裡面甚至蘊含著很深的技術手段，需要很深的資料探勘手段，需要很多高深莫測的黑科技，需要動態化全棧化的技術打通，可以說這裡面的技術挑戰絕與深度對不低，並且非常要求技術視野的廣度。

增長黑客

GrowthHack就是一群以資料驅動營銷，以市場驅動產品，通過技術化手段貫徹增長目標的人。必須既瞭解技術，又深諳使用者心理，擅長髮揮創意，繞過限制，通過低成本的手段，解決增長問題的人，在外行人的眼裡，他們像極了發明家與廣告狂人的混合體

----《增長黑客》

增長黑客不是產品經理

產品經理更需要思考推出哪些功能來迎合使用者，並規劃產品的發展走向和節奏，增長黑客會更加關注那些能帶來資料增長的功能，去發現新的機會，去摸索新的功能點，並用資料驗證成功。產品運營更希望用已經被驗證成功的方式和經驗，不斷的擴大效果，不斷的複製成功。

增長黑客不同於運營，增長黑客始終處於一個摸索階段，有可能絞盡腦汁分析了無數資料，得出了很多想法，但每個嘗試了資料反饋的結果都沒有得到資料的認可，很有可能長期處於徒勞和無用功的狀態，這一點對於可預期的產品運營思路與方法論來說是不可接受的

技術更勝任增長黑客

工程師可能是最接近和容易成為增長黑客的一群人，因為從能力角度看，增長黑客不僅需要想法，還需要將想法落實到行動的能力，包括

• 自研工具
• 採集樣本
• 分析資料
• 大規模推廣
• 突破推廣限制

懂技術未必能成為增長黑客，但是不懂技術，你根本不知道你的想法到底是異想天開還是觸手可及

在競爭激烈的浪潮中，在你猶豫你的想法是有效可行的時候，很多增長的時機就稍縱即逝了，增長黑客要求就是快，敏銳，在沒有任何方向的情況下，用快速的技術落地能力，趟出一條可以走的捷徑

這也是開頭提到的

• 程式設計師有時候需要跳出程式碼，看看業務，思考業務
• 帶著業務的視野，返回來思考技術的運用

Growth與方法論

《增長黑客》這本書裡提到很多方法論，比如基本素質和思維方式

• 資料為王
• 專注目標
• 關注細節
• 富於創意
• 資訊通透

比如從AARRR漏斗轉化模型，衍生出來方法論思考步驟

• 產品定位
• 獲取使用者
• 激發活躍
• 提高留存
• 增加收入
• 病毒傳播

這些東西書中都有很詳細的介紹和案例，我寫這篇文章也不是為了摘抄書籍，在這裡以一副人人都是產品經理（開個玩笑）的樣子大談特談產品思維，技術部落格還是聊技術，Growth裡有哪些技術？Growth裡可以用到哪些技術？你現在做的技術是不是就是一種Growth？

Growth裡的技術

我們日常工作中很多開發工作都是與Growth密不可分，但當真的有一天老大給個命令下個死目標，在N個月內讓產品提升到XXW使用者，XXW收入，XXW點選的時候，沒有任何的方案與方法，手頭的可以用於錢和推廣資源也非常有限，你作為一個工程師，你應該怎麼做呢？用你手頭僅有的技術能力，你應該做些什麼來完成任務呢？

那我們順著上文提到的一些Growth方法論，來看看我們有哪些技術能使用在這裡，當然所有的技術每一個單拿出來都可能作為一個專業的方向深入去探討，本文我不會探討太深，只是想強調這裡面蘊含的技術含量與業務價值，以及他們之間的切合程度。

說明： 這些技術只是我個人思考後的總結，相信真正的增長技術遠遠不止這些

資料為王

資料為王的意思就是，一切以資料為驅動，所有產品決策，功能開發決策，都通過資料提出設想，用資料驗證成功。

想要以抽絲剝繭分析海量千萬資料中的那一點點異常，找到那一點點突破口，在產品業務流量狂跌的時候，用資料分析原因，尋找止跌辦法，在產品業務流量瘋長的時候，還是用資料監控個個細節的異動，在增長的光環下尋找資料中埋藏的業務隱患。聽了我說這些，會覺得這談何容易，需要豐富的經驗，需要深刻的業務理解。技術能幹啥？技術能幹的多了。

搭建完整的資料採集監控體系/資料視覺化

現在PM以及經理每日要分析各種業務報表，業務指標，使用各種分析工具，諸如百度統計，友盟，TalkingData，Google Analyse等，確實這些工具很強大，但你有沒有想過這些東西再強大，作為一個提供通用服務的公司，他們做了很多基礎的統計報表與資料視覺化的工作，但是每個公司產品有獨特的業務場景，如果能提供更為專屬的定製化的資料統計與視覺化框架，那麼就可以分析獨有產品的脈絡和狀態，把握自己產品所在的市場風向。

FaceBook在覃超的分享中就介紹是一家將資料驅動做到極致的公司，一套龐大複雜的資料視覺化架構，可以支援全方位的使用者資料記錄，高速的資料查詢響應與視覺化，高度的模組化可配，可以讓非研發人員進行輕易的配置就可以建立專屬的自定義的資料統計模組，這背後是深厚的資料工程師，演算法工程師，以及前後端工程師一起努力才形成的一套如此高度定製化/自動化的資料架構

不僅後臺/演算法/資料工程師在這裡起著關鍵的作用，前端/客戶端工程師依然可以在這裡面用自己的前端/客戶端技術大展拳腳，資料統計依賴打點，每個點都人工規劃人肉埋點，這樣的工作效率以及未來的擴充套件性和機動性，顯然是無法與全自動化的埋點技術相比的，因此大前端也在流行無埋點，動態埋點等技術，背後是依託於各個端獨有的技術棧來實現的

• 前端通過注入JS
• 安卓通過位元組碼打樁
• iOS通過執行時orClangPlugin

等等的NB方案，從而實現埋點到無埋點的巨大進步，從「埋點」到「無埋點」，是過去和未來的差別 ，

搭建強大的ABTest系統

ABTest是一種簡單的不能再簡單的實驗，選2個樣本，給予唯一變數差異，看實驗後果，選效果好的，但是這一套以一整個嚴謹的機制運作在生產實踐中，背後所需要的技術支援還是巨大的，小到一個文案，一個圖示，大到一個業務一個模組，都可以用ABTest在全面上線前進行小成本快速實驗，快速的試找到最好的結果，全面上線理想的最優解。

想要做到精準強大的ABTest，背後也是需要一套全方位的ABTest後臺服務體系的，其內部蘊含的技術含量一點都不低

• 抽樣

抽樣不是簡單地從使用者裡隨機選1000個人，讓這1000個人看到這個test，再隨機選1000個人，讓他們看到那個test，理論中的ABTest是建立在絕對相等的環境變數以及唯一的測試變數的前提下的，那麼我們的業務所面向的使用者真的是絕對相等的環境變數麼？不同的區域，不同的性別，不同的年齡，甚至不同的購買習慣，深度/淺度使用者等等都可能造成不相等的環境變數最後導致實驗結果沒有說服力。一套合理的ABTest抽樣系統他應該具備有極大的相容和擴充套件能力，能夠對各種細粒度的試驗第一時間抽樣出最合理的樣本

• 併發

每個試驗不一定只有AB2個試驗樣本，有可能是同時發起多個試驗樣本，一個試驗週期快速從N個方案中選出最好的。

同時我們也不可能一個系統在同一時間只進行一個試驗，有可能同時進行2個試驗，A有M個實驗組，B有N個實驗組，並且這兩個試驗之間有交集，不是絕對不相關。這就需要設立M*N個實驗組進行併發試驗

隨著試驗的複雜性上升，系統所需要支援的複雜度越來越大。我們必須讓系統強大到能夠同時處理多個試驗，同時分發多個試驗，還要考慮到抽樣人群池的併發同步問題。這樣我們才能爭分奪秒，在同一時間內，儘可能的發起更多的試驗，儘可能爭取用一個試驗週期拿到我們要的結論，儘快選出最好的試驗增長收益，推廣到全業務線

• 追蹤

簡單的試驗目標可能就是看1級資料是否增長，比如單個頁面的PV在文案不同的情況下是否漲了，比如同一銷售位的不同商品，銷售額是否漲了。但是想要支援一個強大的ABTest，我們不可能只關注簡單試驗目標，還需要長期關注使用者的持續行為，比如樣本使用者是否滿足預期的在某個特定場景下增加了訪問量，停留時間，樣本使用者是否在後續的付費轉化率的某個環節裡提高了付費意圖。這些就需要在試驗開啟後，ABTest系統能夠精準追蹤到使用者在試驗期間的每個細節。

• 計算

通過對樣本使用者的行為進行精準追蹤，通過對樣本群體的追蹤資料進行計算彙總，分析行為路徑，轉化率漏斗等等，配以視覺化的資料，進行結果展示方便決策人員進行分析。

移動端ABTest

說了這麼多ABTest的要義就是快速上線實驗，快速驗證，快速迭代，因此Server端，網頁前端想要做相對容易，畢竟上線不依賴發版，那麼移動端呢？

• Server介面ABTest

這個其實就是server的ABTest，對於server返回的介面由server選擇不同人返回不同的資料，追蹤統計結果，這個其實跟移動端沒關係，受限於功能介面的設計，靈活度很差，介面沒有的新功能就不能ABTest

• 開關型移動端ABTest

對於新功能想要ABTest，每次客戶端發版之前，專門為Test模組由客戶端開發開關請求程式碼，預先把實驗內容寫入客戶端，發版看效果，每次依賴發版不說，還會往客戶端寫大量冗餘實驗程式碼

• Na動態化ABTest

如果Na能夠像前端一樣動態更新，ABTest就能像前端一樣靈活自如，因此現在炙手可熱的Na動態化框架和相關框架，別管是Hybrid，還是路由，還是RN，還是Weex，在ABTest上都會有巨大的使用價值。

資訊通透

資訊通透是儘可能獲取全行業，甚至外部行業的一切風向資訊，資料資訊，敏感的察覺一切可以影響業務的事情，第一時間獲取，第一時間分析，第一時間決策，想要做到這些，你需要的是像雷達一樣的強大的抓取系統

全方位的抓取/爬蟲系統

全方位的行業資訊其實就是業務的風向標，資訊光靠經理，總監，產品，去每天看新聞，看競品，看各種媒體去收集，這種依賴人的層面是不可能做到滴水不漏，及時響應，並且資訊全面的。這背後需要技術後盾去支援。

• 如果為了增長銷售額，促銷的時候你如何做到你的所有商品價格一定比別的家便宜

• 如果為了做熱點新聞，你如何在自己沒有察覺到熱點引爆的時候，知道熱點動向，或許來自競品，或許來自社交網路，甚至來自一些官網，從而第一時間採取動作響應

• 很多例行的年度，季度的行業分析報告，都是可以對業務產生指導的，甚至可以拿到很多不侷限在自己產品內的行業上的大資料，這些大資料對業務決策是有指導性意見的

• ASO SEO關鍵詞，我們可以抓抓競品的關鍵詞是如何設定的，如何調整的，我們可以通過一些搜尋優化平臺，查詢關鍵詞的熱度指標，來輔助人工決策

• 公開的社交網路資訊（是否私人有法務風險這裡不提），使用者的行為都在社交網路上有所展現，我們如果能知道了解使用者喜好與畫像，我們是否能給使用者提供更好的服務，從而留住使用者？那麼使用者畫像的資料來自哪呢？如果社交網路不提供相應介面，我們這條路就一定走不通麼？

女朋友的微博情緒監控

這就是很好的一個抓取結合自然語言處理的例子，通過開放公開的社交網路，抓取使用者/女朋友的資訊，從而輔助技術策略，監控情緒，及時應對

其實抓取可以做的事情多了去了，這裡只是隨便一提幾個點而已，但這些點光靠人肉的方式去盯著，記錄，思考，決策，是絕對無法做到全方位的資訊覆蓋的，這個時代資訊就是金錢，時間就是金錢，用爬蟲抓取的方式，用機器採取全放位的資訊覆蓋，用機器採取監聽監控，從而第一時間掌握資訊，做出決策，才是至關重要的

爬蟲抓取系統

上面都是在說，抓取能幹啥，希望能以只有你想不到，沒有做不到的心態，去挖掘抓取的真正價值

回到技術，爬蟲系統就需要考慮的更多了，我不是專業做這些的，我懂得其實不多，但這種基本的以業務增長為目的的抓取也還是有一定的技術難度的

• 抓取的能力
  • 應對非同步Ajax抓取
  • 應對有明確目標網站的抓取
    • 定製化的抓取策略，標籤級別的精細資料過濾
  • 通用內容抓取
    • 抓取整個頁面，通過挖掘演算法過濾無意義雜質元素，保留主體內容
• 抓取與反作弊
  • 代理伺服器
  • 足夠多足夠豐富的IP池控制
  • session，cookie，http請求頭等各種資訊憑證的偽造or真實憑證
  • 模擬真實使用者的訪問路徑設定
  • 識別蜜罐，別讓爬蟲做無用功

獲取使用者

產品線面臨增長困境的時候，很大的一個原因就在於，如何獲取使用者，如何提高新增，有錢的產品可以花錢買量，買推廣，買下百度的關鍵詞競價一年，買下蘋果Appstore的搜尋推薦（據說國外已經開始賣了，國內不知道開賣沒有），買下微信遊戲平臺的推廣合作，那流量嘩嘩的來，根本不愁。

那麼問題來了，沒錢怎麼辦？作為技術人員，你沒有推廣資源，你怎麼辦？就只是無能為力麼？

SEO 搜尋引擎優化

前端同學會非常瞭解，搜尋引擎確實存在廣告競價排位，但如果一分錢沒有，我們也是可以通過各種方式，提高我們業務網站對搜尋引擎爬蟲的親和性，從而實現不花錢，但還是可以儘可能的引流量，正所謂二八原則，排行第一頁前20%的連結可能佔了所有頁連結流量的80%，出了第一頁流量會少的可憐，第一頁如果排在末尾也是遠遠不如往上排效果好。

這塊我並不打算班門弄斧，因為這門學科其實是一種貓鼠遊戲，SEO做多了搜尋引擎會打壓，SEO的方式公開了，搜尋引擎會對不良的競爭策略主動遮蔽降權，因此SEO這門學問很多時候處於一種，不可說，不可多說，不可明面說的尷尬境地。看書的話你或許只能看到一些常規手段，但裡面其實也需要很紮實的技術功底

• 關鍵詞研究

所謂的搜尋關鍵詞匹配，深入做好SEO一定要做好關鍵詞研究，搶佔什麼關鍵詞？火熱的關鍵詞，大家都搶，你的網站的權重，網站內容的質量，是否能在那麼多強佔的人中脫引而出？火熱流量你能搶到多少？不火熱的關鍵詞容易搶，但是流量低，可是流量低就沒價值了麼？如果關鍵詞足夠長尾（《長尾理論》一本書，可以好好研讀），那麼雖然長尾詞流量低，但是長尾詞是很精準，因此轉化率會很高，那麼怎麼挖掘長尾詞呢？

關鍵詞的研究是否能機器進行處理呢？如果你有1篇文章想做SEO，你可以讓專業的SEO人員為你用常年積累下來的經驗分析選擇，選出最合適的關鍵詞。但是如果你有10000篇文章想做SEO怎麼辦？如果你有10W，100W個頁面想做SEO怎麼辦？這是否就又引入了分詞，挖掘，自然語言處理，長尾詞自動建設等技術。這已經是很有含金量的技術手段了。

關鍵詞還可以通過抓取競品網站，分析競品網站關鍵詞如何設定，就是運用到了上文提到的抓取技術

• 站內優化

站內優化更需要豐富的前端知識，首先要讓你的網站訪問流暢，不卡頓，不會載入慢，這是基本的訴求，這樣使用者才不會很快流失，搜尋引擎很重要的一個判斷標準就是跳出率，所以做好自己的網站效能一定是有必要的

其次做好網站sitemap優化，減少網站URL目錄層級，都是從網站架構上讓爬蟲spider更方便的抓取內容的方式，深度URL設計優化，可以讓URL中也帶英文相關的關鍵詞，等等

更有甚對於傳統的老式爬蟲，js flash Ajax等爬蟲不友好的網頁程式碼，是否需要準備一個專門用來給爬蟲使用的文字型引導站點（雖然現在主流搜尋引擎的爬蟲都支援Ajax的非同步抓取了）

• 外鏈建設

通過合作建立外鏈，增加自己的網站的曝光度，流量越多搜尋引擎也會為你調整權重和曝光策略，但是這裡面盲目的散發外鏈，機械引入垃圾引導外鏈，又會增大使用者的跳出率，從而被降權，因此外鏈建設也是需要仔細思考的

ASO 渠道市場優化

ASO是app渠道市場優化，並且這是和SEO相近似的一個類似貓鼠遊戲的領域，現在有aso100，appannie等很多網站都提供付費與免費的專業ASO指引，這背後還是蘊含著很多技術能提供的策略引導，資料收集決策的

ASO一些刷量刷榜公司會用人肉評論，人肉購買付費刷量的方式刷付費榜，但這種刷榜公司是處理不了免費榜的（蘋果已經無數次的改變排行榜排名演算法，還有反作弊降權賬號策略了）。是的我們有錢可以刷榜，未來蘋果在中國開放了ASO服務，我們也可以用錢來買榜，但是如果我們沒錢，我們一樣有很多可以做的

• 關鍵詞

和SEO一模一樣，每一個款app都可以填100個字的關鍵詞，100個字字數有限，我們如何能選出效果最好最有效的關鍵詞？每一個關鍵詞各大ASO平臺都提供了關鍵詞指數查詢，選關鍵詞真靠拍腦袋想？你想到的100個字，真的都是高熱點關鍵詞嗎？你查到的高熱點關鍵詞就一定會帶來轉化嗎？（影視劇確實是高熱點，你一個金融理財，裡面扔一個火爆影視劇的關鍵詞，就算你們被展示出來了，你覺得搜尋影視劇的人看到金融理財會點進去選下載嗎？）

選關鍵詞，選優質關鍵詞，選高轉化關鍵詞，背後一定可以通過技術手段去提供有效地策略指導的（這也是這種付費ASO平臺所存在的盈利模式），我們沒錢的時候，我們是否能從技術出發，主動思考這些策略嗎？

關鍵詞還可以通過一些ASO平臺，抓取競品網站ASO情況，分析競品網站關鍵詞變化情況，機器查詢相關關鍵詞ASO評分，從而對最終ASO100字決策進行指引。

• 評論

蘋果市場的排行榜，使用者評論是會對排名有影響這已經被驗證了，我們能否用技術的方式引導使用者去評論呢？彈個框直接跳轉評論頁面，這個是很普通的技術，使用者看到殘忍的拒絕真的會願意點拒絕，那我們能否用足夠有吸引力的文案和自己激勵使用者去評論麼？引入ABTest去看看什麼樣的引導使用者是最買賬的

花錢付費推廣反作弊

花錢付費推廣，有錢能解決的就一定用不上技術麼？（先不說存留和轉化，這裡只說新增）。

去渠道市場花錢買了30W的啟用，這30W的啟用，渠道說30W你就認30W？就老老實實的掏錢？你要的是真正的使用者，真正能帶來收益的使用者，如果渠道用指令碼，用機器人騙，去作弊，你怎麼辦？難道不需要強大的技術手段，對於窮凶極惡的作弊措施，精準的發現識別，避免自己的經濟損失，有錢也不能當冤大頭啊

激發活躍

一個使用者來了，可能是通過搜尋，可能是應用市場渠道，可能是朋友推薦，社交網路傳播。那麼進來的使用者如何在第一時間吸引使用者把他留住呢？換句話說就是新使用者次日存留

這裡可以有很多產品設計，用一些激勵，用一些新手引導，用一些任務，來讓新使用者留下，這裡有什麼技術可以做的嗎？

Deeper Link

首先介紹2個詞

• Deep Link

Deep Link其實就是scheme這種技術，能讓使用者在瀏覽器裡無縫的跳轉到已經安裝的app裡，跳轉到已經安裝的App裡的指定頁面，能讓開發者將瀏覽器裡的資料，登陸資訊也好，瀏覽記錄也好，都傳給App，讓App做貼心的展示，讓使用者沒有從一個瀏覽器，到開啟另一App的阻斷感，直接在App裡就能還原使用者剛剛在瀏覽器裡的場景，這樣可以大幅度增加使用者的舒適度

這項技術其實被廣泛的運用在使用者啟用與喚醒，也就是長期使用者存留上，為什麼？這項技術的前提必須是已經安裝App了，可能使用者暫時還沒想起來使用App，當他在社交網路裡，被某一篇來自WAP的易於傳播的網頁所吸引，點開WAP網頁後，通過這種高體驗度的方式喚醒App，成為當日的活躍使用者，這是已經被驗證有效的，還可以結合社交網路病毒傳播的增長方式

• Deeper Link

Deep Link的最大問題在於只對已經安裝的使用者有效，對於沒有安裝的使用者，他連app都沒下，我怎麼從網頁給App傳資料啊？我怎麼讓使用者還原在網頁上的場景啊？我怎麼無縫銜接網頁的登陸狀態，瀏覽記錄啊？

所以我們需要Deeper Link，這可以說是一種黑科技的存在，雖然技術細節實現了並沒有那麼神祕。每個App都是一個獨立沙盒，就連瀏覽器本身也是一個獨立App，之所以是黑科技，他在作業系統層面其實是不希望一個App有這麼高的許可權去干擾另一個App的，更何況是干擾一個還未安裝的App，因此移動端作業系統用沙盒將之隔離，只開放有限的幾種通訊方式，但是並做不到 Deeper Link。我們是通過一些其他的方式來實現的。並且由於作業系統不同，各個作業系統可能有自己獨特的繞過的思路

可以想象一個場景，使用者在社交網路的WebView裡，或者專業瀏覽器App裡，看到了已於推廣傳播的WAP網頁，使用者被網頁上的內容，吸引，已經和網頁產生了互動，並且留下了互動的記錄，此時此刻我們引導使用者去下載App將得到事半功倍的效果。如果使用者下載App的時候他驚訝的發現，他直接可以延續剛才在WAP上的賬號，可以延續剛才玩的活動遊戲，可以延續剛才看的新聞，甚至還因為在活動看過某個自己喜歡的寶貝，在下載App開啟驚喜的發現，這個寶貝送給他了，那麼這種 Deeper Link 的產品設計，將會對新使用者啟用率產生無與倫比的助力，並且這種方式依然可以藉助WAP在社交網路內進行病毒式推廣營銷

這項技術還可以用於渠道統計，要知道iOS是沒有渠道號的概念的，我們想做推廣打渠道號，來檢測這個推廣位好壞，在iOS是無法實現的，因為iOS只有唯一渠道Appstore，但是友盟/TalkingData依然也能從唯一渠道里，識別出使用者在下載前來自哪個網頁哪個廣告產生的點選下載，這裡面依然使用了 Deeper Link（其實iTunseconnect後來也提供了渠道號式的解決方案，可以在itunes連結裡用特別的連結標記來在iTunseconnect裡檢視，但這功能還是有一些限制）

Deeper Link的技術實現

• 裝置指紋，裝置唯一識別
• SFViewController iOS9 cookie互通（建議放棄不要使用！！）
• js clipboard safari api iOS10（推薦）

我之前就專門寫過一篇在iOS上的DeeperLink的文章，iOS app與瀏覽器深度連結 DeeperLink，還是需要強調的是，這畢竟是一種黑科技，隨著作業系統不斷地更新，很多方式也不會是一成不變，所以這篇文章，我也會與時俱進的進行調整，上次簡單追加了最新的推薦方案，但是感覺寫的不是很清楚，比較隨意一筆帶過，導致很多人還會找我諮詢舊的被淘汰的方案，改天有時間我重寫重新梳理一下吧

至於安卓，我文章裡有些技術是通用的，有些技術是iOS專有的，但安卓也是有自己獨有的類似方案的，比如說往安裝包裡植入資料資訊等

使用者存留

這個就相當於長時間存留，新增使用者來了，被你啟用了，那麼接下來他會不會持續使用就體現在使用者存留，長時間存留裡面，這裡和上面的使用者啟用一樣，很大程度歸功於產品設計，功能易用，內容吸引人。那麼技術在這裡能做啥呢？

技術保證App穩定/效能流暢

這個就比較泛了，產品設計可以留住吸引住使用者，但App經常crash的話再好的產品也留不住任何人，因此客戶端的最基本的效能與流暢度其實是一個很重要的事情，這裡面要說深了有很多方面，crash率控制，異常保護，效能優化，完善/自動化測試，甚至動態修復。

但這裡不深究的原因其實是，即便我們不是專門在做增長，在做Growth，這幾點都一定要牢記並且付諸行動的。

如果沒有這幾點的保證，如果App穩定性流暢性上存在明顯短板，增長這件事情別想

個性化推薦演算法體系

尤其是對於那些基於內容的產品與服務，一整套個性化推薦演算法體系，在我看來是增長持續動力，為什麼？

現在是一個資訊爆炸的社會，社交網路，自媒體，短視訊，新聞，大量的資訊充斥在現在的資訊流之中，而人看到螢幕一串資訊的時候，在最先看到的幾條內容裡，投入精力和關注度最高的，後面看到的資訊慢慢就喪失了興趣。在這樣的背景之下，不能再像以前一樣只按熱度為所有的使用者提供一模一樣的資訊流，因為最上面最能獲得使用者關注度的位置是有限的，不是所有人都喜歡通過熱度選出來的同一條資訊，因此個性化，千人千面的推薦，投其所好，抓人眼球的推薦，是可以牢牢地抓住使用者興趣的。

個性化推薦國內堪稱典範的就是今日頭條了吧，他們背後所依賴的深度演算法，後端架構，一整套個性化推薦體系涵蓋了（使用者資料探勘，使用者畫像，使用者資料追蹤，機器學習），成就了今日頭條的Feed流，這裡面每一項感覺都是非常非常深得技術，我這個客戶端開發出來的感覺真是太nb，太偉大，我雖然不太懂，我也說說我自己對個性化推薦這個技術的一些看法（項亮寫了一本書《推薦系統實戰》非常推薦閱讀）

我個人對個性化推薦認知還非常不成熟，希望能有人給提出建議

我這方面沒啥經驗，看著同事們摸索跟著同事們學習圍觀看來的╮(╯_╰)╭

個性化推薦的模型

個性化推薦的體系結構下一般都包含著很多種模型，每種模型的設計出發點，推薦思路都是不同的，真正的推薦系統應該是綜合了多種推薦模型的結果

• 內容推薦 contentBased
• 相關推薦
• 協同推薦 - 使用者 userCF
• 協同推薦 - 商品 itemCF
• 熱度熱搜推薦
• 人工精選推薦
• 使用者畫像推薦
• 等等

推薦系統一定是有多種模型共同作用產生的結果，並且模型之間還要有動態調權的機制，通過不斷的試驗/訓練，來找到合適的多模型之間的權重，以及RANK排行，這背後無論是模型建設還是調權排行，背後都需要機器學習資料探勘的知識

同時還需要一套反饋系統，對於使用者的點贊，轉發，不喜歡等行為，為推薦系統進行反饋，從而矯正出更完善更適合目標使用者的整體模型架構

特徵庫的挖掘

推薦很重要的就是用機器挖掘Tag，對每一個人打Tag，對每一個商品/文章打Tag，一個人喜歡看電影，喜歡玩遊戲，可以自己給自己打上電影/遊戲的標籤，剛上映的大片《金剛狼》看過的人可以打上好萊塢/漫威/金剛狼/科幻/電影/X-Men等標籤，這都是由人腦打出來的標籤，機器能否打出這樣精準的細粒度的標籤？就全靠資料探勘/自然語言處理/機器學習等技術了

• 基於人的行為進行特徵挖掘，挖掘出來的Tag，可以被稱作一種使用者畫像
• 基於物的內容進行特徵挖掘，挖掘出來的Tag，就是物品的特徵
• Tag樹建設

Tag本身是零散的，網狀的，有層級關係的，不同於分類（分類是人工的，有規律的，非網狀的），由於Tag的這些特性，零散的Tag之間也應該進一步挖掘出Tag與Tag的關係，這就是Tag樹，油條，葡萄酒這些Tag都屬於飲食這一Tag之下的，而飲食又算是生活休閒這一Tag之下，我們第一步挖出了成千上萬的Tag，第二部就是要把這些Tag進一步挖掘他們之間的聯絡，建立這種Tag樹

有了這些特徵庫，我們的推薦演算法就可以涵蓋到使用者畫像層面的推薦，物品協同，人協同的推薦也會通過Tag的體系更加精準

個性化推薦演算法的難題

• 使用者冷啟動

我們的很多模型都是根據一定的使用者資料來推薦的

相關推薦：使用者看過哪些文章，推薦類似的

協同推薦: 看過這個東西的使用者，還看過哪些東西，推薦類似的

使用者畫像推薦：使用者資料記錄，分析使用者喜好哪個領域，推薦類似的

問題來了，一個新使用者剛剛來到我們的產品，他什麼記錄都沒有，純新使用者，沒有畫像，沒瀏覽過商品，沒有好友，怎麼辦？

這就是所謂的個性化推薦-冷啟動

其實解決辦法我們準備的那些熱門推薦，人工推薦模型在此時可以派上用場，但只能這樣了麼？

其實也不盡然，使用者畫像沒有要求必須一定是在你們產品裡的使用者資料，挖掘出來的使用者畫像，完全可以藉助社交網路，可以使用某些社交網路公司提供的現成API介面

就算社交網路沒有提供任何API，也可以是拿出我們上面的法寶爬蟲抓取，通過爬蟲抓取來使用者的海量資料，通過我們自己的挖掘演算法生成使用者畫像

• 越推薦越窄

這個我感覺是個性化推薦裡最頭疼的問題了，所有基於使用者畫像，基於使用者瀏覽記錄，基於協同，基於相關，各種推薦都指向了一個結果，機器通過使用者已表現出來的行為，推薦出相應的結果，這裡有一個最重要的細節就是使用者已表現的行為，一個使用者在網路上面展示出來的喜好可能並不代表他的全部喜好，他喜愛攝影，在網路上留下了各種與攝影有關的痕跡與資料，但這並不代表他不喜歡電影，他只是沒在有限的網路資料裡體現電影這一興趣而已，但是由於機器會進一步推薦攝影這一結果，導致使用者會不自覺的點選更多攝影的內容，從而這部分內容會逐漸侵佔電影這一推薦權重，從而使用者以更低的機率留下關於電影的資料痕跡。最後形成了一種滾雪球效應，推薦面越來越窄

這應該是一開始搭建個性化幾乎人人都會踩到的一個坑，如何在推薦使用者感興趣的內容的同時，還能推薦使用者可能感興趣機器還猜不到的內容。因此傳統的熱度推薦，人工推薦也是不可或缺的，在演算法調權或者機器學習訓練之中，來平衡解決個性化推薦的越推薦越窄的這一最大難題

吐槽：說真的，我現在用今日頭條這個問題很嚴重，翻了幾個火影， 緊接著就滿螢幕火影，翻幾個妹子圖，滿螢幕妹子圖了

基於Push的精準使用者喚醒體系

使用者喚醒是指，一部分使用者已經不來你的產品了，可能刪除了App，也可能並沒有刪除App，只是很少啟動了，這時候如何喚醒這類使用者呢？恩，沒刪App那我們就給他發push，刪了App咋辦？發簡訊騷擾（這個確實很騷擾，但我們技術的價值就體現在，用機器和演算法找到對的人，找到那些不覺得騷擾，還有需求的人）

• Push的到達率

這就和技術相關了，iOS這一點可能感知並不明顯，因為Push只能依靠蘋果，到不到達的，我們能做的能力有限，但是安卓就不一樣了，安卓的程式保活技術到現在也是炙手可熱，值得深挖從而保證push的準確到達，同時安卓還可以和對應機型裝置，聯絡對應的push渠道，華為/小米就像蘋果一樣，為自己的裝置有一套專門的push服務

• Push的精準度

全體發Push是一種嚴重的騷擾，用多了原本正在使用app的活躍使用者也會被你騷擾而走，那麼挑選合適的發push的人，定向精準的發push就成了技術的挑戰

我們需要基於使用者的資料，使用者的喜好，使用者的畫像，來傳送不同的內容，不同的商品or文章or運營活動

我們更需要對於使用者的行為進行篩選，篩選出哪些有可能要離開的，有可能長期不來的，有可能以前有過深度使用甚至付費但長期不來的（這種召回機率更加的大），篩選出這些使用者後再給予不同層面的激勵，就能更好的實現使用者喚醒

全面可配的自動化運營機制

之前提過產品運營，產品運營會以各種活動，促銷等形式來不斷的提高產品使用者的活躍度，運營活動是永不停止的，不可能每一個活動都完全當做一個產品feature來下大力度研發/發版，就算是純WAP網頁的運營活動，也不可能每一個活動都完全重寫一個活動頁面。

如何建立一套可配置的，自動化運營機制，這是給所有研發的一個挑戰，確實PM的需求層出不窮，不可避免的會需要重新開發迭代，但終歸運營活動還是有一定套路的，有一定套路就有規律可循，有規律可循就可以把它自動化配置化，可以交給pm在後臺配置後釋出的套路活動，可以節省巨大的研發人力和研發成本。

同時這套自動化運營機制最好從架構上靈活設計，支援各種擴充套件不斷迭代，這樣就運營活動的工作效率會成倍提高

病毒營銷

又要回到之前反覆提到一點了，病毒營銷也是一個全看PM怎麼設計怎麼營銷的事情了，但是我們的技術一定有其中可以發力的點，我們就是要尋找這樣的技術突破，來像放大鏡一樣，把病毒營銷的效果，成倍放大

病毒營銷這種場景，鑑於他極度依賴社交網路傳播的特性，想要傳播快，無意WAP H5網頁是最好的載體，所以我們的策略可以從優化H5種種環節入手

Deep Link or Universal Link

如果你的產品病毒營銷的案例在朋友圈爆發，大家紛紛點贊轉發，那些已經是你的使用者但是有日子沒來了，他看到了這個網頁，直接參與活動就喚醒開啟了App，這是不是就是你所期望的使用者喚醒？沒錯！

你自信滿滿的拿出了Deep Link，也就是scheme技術，準備在WAP裡大搞特搞，突然發現？WHAT!!微信遮蔽了！這時候就需要技術開動腦子了，不然如果每次都讓使用者參與營銷活動的時候，點右上角，瀏覽器開啟，這個轉化率太低了。iOS試試Universal Link吧（當然這也是個貓鼠遊戲，畢竟你在別人的app裡面在搞事情）

Deeper Link 與社交化分享拉新

病毒營銷難道只用來喚醒老使用者？當然不是，我們最大的關注點還是拉來新使用者！那麼好，在各種WAP活動中進行的病毒式營銷，如何引導別人下載呢？如何讓別人下載後啟用的概率更大呢？

沒錯Deeper Link，至少在現在的Deeper Link 方案裡，裝置指紋與剪下板，都是可以在微信手百等第三方瀏覽器里正常工作的

增加收入

增加收入這塊我就不再提什麼PM們的促銷活動了。就說我們技術能做的

ABTest

什麼東西好賣，什麼東西現在銷量高，當你有數以萬計的商品的時候，怎麼選出最好賣的東西？ABTest，ABTest的一些詳細介紹我就反覆介紹了

個性化推薦體系

什麼人喜歡什麼東西，會買什麼東西，什麼人剛買了什麼，是否需要買別的東西，什麼人的朋友買了這個東西，他會不會買，如果我們的技術有能力做出這樣的判斷，無疑對於銷售會大幅度促進

這就是個性化推薦體系，個性化推薦體系的細節我也不反覆介紹了，多說一句，最開始的個性化推薦應用就是出現在電商網站的，亞馬遜用它深厚的技術，在個性化推薦與售賣相結合上，走在了前列

專注目標

我們一口氣聊了非常非常多的能對增長有促進的技術，而且這些只是我自己想到的，肯定還有無數的增長技術沒有想到，也沒有提到。

但絕不是讓大家面面俱到的把一切都做上，《增長黑客》書裡提到有一條必備素質就是專注目標，而且看《增長黑客》的時候，你會發現書中舉得各種例子，沒有一個是這種方方面面全做的，都是在某個細節做到極致的案例。

這就是專注目標的意義，每個產品線都有自己產品線的情況，每個產品線應該採取的方式絕對是不同的，成功的產品線說起經驗來或許頭頭是道，但你拿過來複制絕對不代表一定能成功。因為行業在變，環境也在變。

不變的是什麼，是我們要基於自己業務線的資料進行分析，進行思考，尋找自己業務線最大的痛點，尋找自己業務線最大的短板，從而有針對性的重拳出擊，專注目標，雖然快速迭代，快速試錯是一種心態，但我們還是要本著一擊必中的決心去履行增長黑客的職責

而且還有一點，今天我們聊了很多都是具體技術，但真正一個技術是否能在產品中運用的得到，最終收穫資料增長，一定要有技術結合業務的思維，再好的技術你不在業務中得到正向驗證也是沒有意義的，所以增長黑客一定是能夠全面的思考，研發/產品/運營/設計/用研的角色

從一個研發人員，轉變成一個增長黑客，去從一片荊棘和迷霧中趟出一條資料增長的血路，真的是一件挺有挑戰的事情。

PS:越說越像雞湯了，其實我本意不是在灌輸啥類似創業的雞湯，只是當你跳出研發的思維後，想想業務，再想想如何用技術切合業務，背後的挑戰真的很有意思