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

让小产品的独立变现更简单 - ezindie.com
让小产品的独立变现更简单 - ezindie.com
人人都是产品经理
人人都是产品经理
Cisco Talos Blog
Cisco Talos Blog
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
V
V2EX
博客园 - 三生石上(FineUI控件)
Martin Fowler
Martin Fowler
WordPress大学
WordPress大学
D
Docker
S
SegmentFault 最新的问题
博客园 - 聂微东
美团技术团队
Apple Machine Learning Research
Apple Machine Learning Research
月光博客
月光博客
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
Last Week in AI
Last Week in AI
M
MIT News - Artificial intelligence
F
Fortinet All Blogs
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
The GitHub Blog
The GitHub Blog
GbyAI
GbyAI
L
LangChain Blog
Vercel News
Vercel News
博客园 - 叶小钗
MongoDB | Blog
MongoDB | Blog
Stack Overflow Blog
Stack Overflow Blog
H
Help Net Security
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
The Cloudflare Blog
Engineering at Meta
Engineering at Meta
T
Threat Research - Cisco Blogs
T
Threatpost
Scott Helme
Scott Helme
T
Tailwind CSS Blog
Latest news
Latest news
Stack Overflow Blog
Stack Overflow Blog
Blog — PlanetScale
Blog — PlanetScale
The Register - Security
The Register - Security
罗磊的独立博客
P
Proofpoint News Feed
腾讯CDC
S
Schneier on Security
雷峰网
雷峰网
A
About on SuperTechFans
T
Tenable Blog
F
Full Disclosure
Cyberwarzone
Cyberwarzone
博客园_首页
有赞技术团队
有赞技术团队
K
Kaspersky official blog

Parallel Labs

Architect和Artisan 创业与企业家精神 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 两个平行世界 - Parallel Labs Shape the world to come 2018新年目标 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 Thank you from G.C. Guancheng Chen 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 给Vim配置Scala语法高亮显示 一步一步教你怎样给Apache Spark贡献代码 大数据的价值密度 IBM研究院(CRL)诚聘 Bigdata/Clould 方向正式员工 My Way Impala:新一代开源大数据分析引擎 Impala与Stinger对比 Git快速学习指南 与Google拼音的工程师聊聊中文滑行输入 仰望星空 脚踏实地 记一次诡异的Debug经历 下一代大数据分析技术 多核与异步并行 做好失败的准备 Facebook技术分享: Social Networking at Scale 为什么NoSQL和Hadoop该一起使用? Understanding System and Architecture for Big Data C++ AMP异构并行编程解析 Intel Nehalem微处理器架构 by Glenn Hinton (Intel Fellow) 云计算时代的多核开发 X-RIME: 基于Hadoop的开源大规模社交网络分析工具 并行编程中的“锁”难题 [已经招到了,谢谢大家!]IBM中国研究院招聘Hadoop实习生 IBM中国研究院招聘大规模数据分析实习生 浅析C++多线程内存模型 Facebook的Realtime Hadoop及其应用 《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 你好,2011! 移动设备进入多核时代! 剖析为什么在多核多线程程序中要慎用volatile关键字? Jeff Dean关于Google系统架构的讲座 Erlang User Conference 2010见闻(兼谈程序员职业生涯) 多线程程序常见Bug剖析(下) 多线程程序常见Bug剖析(上) 史蒂夫乔布斯(Steve Jobs)在Stanford2005年毕业典礼上的演讲 多线程队列的算法优化 Google创始人的求职目标 多核的未来 多核编程的难题(二) 多核编程的难题(一) 二进制的二三事 聊一聊瑞典的程序员 多线程程序中操作的原子性 第三次软件危机 实施并行编程的五大障碍 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?) 八条设计多线程程序的简单规则 瑞典Ericsson总部Master Thesis面试回忆录 Pthreads并行编程之spin lock与mutex性能对比分析 How to do performance analysis on your parallelized program efficiently? 09年感悟 Proposal for the “Search and sort” competition of Findwise 在瑞典打甲流疫苗 An interesting algorithm problem: the longest plateau Launched my master thesis finally Hello world!
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。