惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Application and Cybersecurity Blog
Application and Cybersecurity Blog
L
LINUX DO - 热门话题
V
Vulnerabilities – Threatpost
S
Secure Thoughts
The GitHub Blog
The GitHub Blog
Security Latest
Security Latest
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
P
Palo Alto Networks Blog
O
OpenAI News
L
LINUX DO - 最新话题
C
Cyber Attacks, Cyber Crime and Cyber Security
K
KPMG report finds enterprise disconnect between AI and its ROI | CIO
P
Privacy & Cybersecurity Law Blog
AWS News Blog
AWS News Blog
S
Security @ Cisco Blogs
www.infosecurity-magazine.com
www.infosecurity-magazine.com
Y
Y Combinator Blog
Cloudbric
Cloudbric
H
Heimdal Security Blog
Microsoft Security Blog
Microsoft Security Blog
V2EX - 技术
V2EX - 技术
博客园_首页
Cisco Talos Blog
Cisco Talos Blog
D
DataBreaches.Net
T
Troy Hunt's Blog
博客园 - 叶小钗
M
MIT News - Artificial intelligence
Latest news
Latest news
Webroot Blog
Webroot Blog
S
Security Affairs
Martin Fowler
Martin Fowler
T
Tailwind CSS Blog
C
Check Point Blog
The Last Watchdog
The Last Watchdog
Microsoft Azure Blog
Microsoft Azure Blog
V
Visual Studio Blog
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
云风的 BLOG
云风的 BLOG
aimingoo的专栏
aimingoo的专栏
爱范儿
爱范儿
Vercel News
Vercel News
The Register - Security
The Register - Security
阮一峰的网络日志
阮一峰的网络日志
L
Lohrmann on Cybersecurity
J
Java Code Geeks
L
LangChain Blog
腾讯CDC
I
InfoQ
博客园 - 三生石上(FineUI控件)
C
CERT Recently Published Vulnerability Notes

Parallel Labs

Architect和Artisan - Parallel Labs 创业与企业家精神 - Parallel Labs 采访Hadoop创始人Doug Cutting纪要 - Parallel Labs 智能优化&AB测试-实验驱动用户增长@QCon10 PPT分享 - Parallel Labs Druid 6th Meetup资料下载 - Parallel Labs 两个平行世界 - Parallel Labs Shape the world to come - Parallel Labs 2018新年目标 - Parallel Labs 人工智能芯片公司招聘工程师/行政/出纳 - Parallel Labs Druid中国用户组第一次线下技术交流资料分享 - Parallel Labs 再见了,IBM中国研究院 | Parallel Labs 怎样做颠覆式创新? - Parallel Labs 基于OpenStack, Docker和Spark打造SuperVessel大数据公有云 - Parallel Labs 给Vim配置Scala语法高亮显示 - Parallel Labs 一步一步教你怎样给Apache Spark贡献代码 - Parallel Labs 大数据的价值密度 - Parallel Labs IBM研究院(CRL)诚聘 Bigdata/Clould 方向正式员工 - Parallel Labs My Way - Parallel Labs Impala:新一代开源大数据分析引擎 - Parallel Labs Impala与Stinger对比 - Parallel Labs Git快速学习指南 - Parallel Labs 与Google拼音的工程师聊聊中文滑行输入 - Parallel Labs 仰望星空 脚踏实地 - Parallel Labs 记一次诡异的Debug经历 - Parallel Labs 下一代大数据分析技术 - Parallel Labs 多核与异步并行 - Parallel Labs 做好失败的准备 - Parallel Labs Facebook技术分享: Social Networking at Scale - Parallel Labs 为什么NoSQL和Hadoop该一起使用? - Parallel Labs Understanding System and Architecture for Big Data - Parallel Labs C++ AMP异构并行编程解析 - Parallel Labs Intel Nehalem微处理器架构 by Glenn Hinton (Intel Fellow) - Parallel Labs 云计算时代的多核开发 - Parallel Labs X-RIME: 基于Hadoop的开源大规模社交网络分析工具 - Parallel Labs 并行编程中的“锁”难题 - Parallel Labs [已经招到了,谢谢大家!]IBM中国研究院招聘Hadoop实习生 - Parallel Labs IBM中国研究院招聘大规模数据分析实习生 - Parallel Labs 浅析C++多线程内存模型 - Parallel Labs Facebook的Realtime Hadoop及其应用 - Parallel Labs 《程序员的自我修养》中关于加锁不能保证线程安全的一个错误 - Parallel Labs 你好,2011! - Parallel Labs 移动设备进入多核时代! - Parallel Labs 为什么在多核多线程程序中要慎用volatile关键字? | Parallel Labs Jeff Dean关于Google系统架构的讲座 - Parallel Labs Erlang User Conference 2010见闻(兼谈程序员职业生涯) - Parallel Labs 多线程程序常见Bug剖析(下) - Parallel Labs 多线程程序常见Bug剖析(上) - Parallel Labs 史蒂夫乔布斯(Steve Jobs)在Stanford2005年毕业典礼上的演讲 - Parallel Labs 多线程队列的算法优化 - Parallel Labs Google创始人的求职目标 - Parallel Labs 多核的未来 - Parallel Labs 多核编程的难题(二) - Parallel Labs 多核编程的难题(一) - Parallel Labs 二进制的二三事 - Parallel Labs 聊一聊瑞典的程序员 - Parallel Labs 多线程程序中操作的原子性 - Parallel Labs 第三次软件危机 - Parallel Labs 实施并行编程的五大障碍 - Parallel Labs 为什么程序员需要关心顺序一致性(Sequential Consistency)而不是Cache一致性(Cache Coherence?) | Parallel Labs 八条设计多线程程序的简单规则 - Parallel Labs 瑞典Ericsson总部Master Thesis面试回忆录 | Parallel Labs Pthreads并行编程: 线程同步之spin lock与mutex性能比较 | Parallel Labs How to do performance analysis on your parallelized program efficiently? - Parallel Labs 09年感悟 - Parallel Labs Proposal for the “Search and sort” competition of Findwise - Parallel Labs 在瑞典打甲流疫苗 - Parallel Labs The Longest Plateau | Parallel Labs Launched my master thesis finally - Parallel Labs Hello world! - Parallel Labs
增长二三事 - Parallel Labs
Guancheng (G.C.) · 2019-03-11 · via Parallel Labs

最近对增长有了一些新的思考,正好又听了Hola Group Growth负责人Daisy的一次分享,把一些心得体会汇总记录一下。

  1. 获客成本越低越好?不尽然。只要想获得更多客户,CAC一定越来越高。画一个图:X轴是拉新量级,Y轴单个客户CAC,这个曲线一定是45度往上走。
  2. 产品的用户是分圈层的,最核心的圈层是铁杆粉丝,CAC最低,需求最强,次核心圈层是中需求群体,CAC次低,以此类推。
  3. 增长公式:MAX[(LTV – CAC) * N],N是客户数。对于不同圈层用户,LTV,CAC还有N都是不相同的,而产品本身的PMF也可能在发生变化。例如抖音经历过从垂类泛化的过程,它的“算法+商业化+增长/内容运营”组成的增长飞轮,使得他清楚对每类用户的PMF,以及算清楚每类圈层每个客户的LTV、CAC还有N,只要ROI他们能接受,就可以开始全渠道买量。商业化做得好真是任性。
  4. 客户越多,CAC越高,那么努力还有没有用?有用。像压弹簧一样,努力到位了,能最大限度降低各个圈层用户的CAC,例如裂变做得好,CAC在同一圈层里就是更低。广告转化率优化的好,CAC就是更低。不努力,CAC肯定越来越高。
  5. 流量有季节性影响:节日,周末,季节性,双11,春节等等都是影响因子。
  6. 都说留存最重要,而留存不好,可能不仅仅是产品不好,还可能是某渠道来的用户与产品不匹配,也可能是做了某些活动造成短期留存高但是长期留存没变化。抖音极强的一点是把Musica.ly在国内用户中曾经碰到的长留存低问题解决了,且跨越用户圈层之后留存能继续保持,也就是成功从垂类产品扩展到全民产品。千人千面的极致就是所有圈层的人都有高留存。
  7. 流量有红利属性且载体在不断变化。例如App、微博、微信、公众号、FB、朋友圈、小程序、信息流、快手、抖音,还有线下的共享充电宝,共享单车,实体物品的二维码,免费体重秤等一波波红利。而且现在流量渠道的变化越来越快,要能敏锐的捕捉到流量红利,提前布局。这就需要对新的流量媒体敏感,对人性敏感。
  8. 应用流量的价值,有两个维度:X轴是用户的交互程度,也就是停留时间,Y轴是支付金额。光看停留时间是不够的。
  9. PMF + MAX[(LTV-CAC)*N] 是王道。话说很多产品PMF做得好的,很多都是做游戏出身,对“上瘾”,人性更了解,当然也被很多人“诟病”,例如拼多多。抖音本质上也是一个游戏,一个“舞台”类游戏。
  10. 有一个很有名的App分类图,X轴是App 90天留存,Y轴是用户每周使用频率。第一象限的就是通信社交App,高频高留存。第四象限是天气App,留存高但是频率低。要清楚自己在哪个象限。