百木园
用户运营多年，深刻认为不同项目运营目标虽大不相同，实现路径也不大一致，但收拢到增长运营本身方法论确实十分一致的。
我将我日常核心使用的方法论，结合道法术器4大方向，总结为4个经典方法：
1）【道】目标：第一性原理
目标实现是通过纷繁决策和行动得到的，但需要紧紧记得第一性原理之目标，采用最高效率最合适的手段达成。
2）【法】方法：PDCA迭代
目标达成的过程必定会有间歇性迷茫和失败，但往往不断向下一步去迭代，始终可以达到目标。
3）【术】行动：ABtest
增长路上一切决策以用户需求为准，AB测试是科学决策的重要利器。这也是字节调整能够不断打出市场拳头产品的重要方法论。
4）【器】工具：看数据有分析
数据是业务评判的重要标准，也是对业务发展的重要指引，数据更加真实更加清晰地反馈业务现状和趋势。
一、增长运营之道：第一性目标
第一性原理是回归事物的最基本，将其拆分成各要素解构分析，从而找到实现目标最优路径的方法。
与之对应，任何增长运营，必须拥有明确的增长目标，根据目标拆解实现方案，且在运营中后期也存在重要作用。体现在以下3个方面：
第一性原理到底有多好用？全球最牛的人之一马斯克是这么认为的。
马斯克认为第一性原理是一种顶级思维架构，它可以打破一切知识的藩篱，回归到事物本源去思考基础性的问题，在不参照经验或其它的情况下，从物质/世界的最本源出发思考事物/系统。
总的来说，第一性原理给予我们深度洞察和思考的指北作用，工作上要清楚业务的第一性是什么，有利于我们创造更核心的价值。
二、增长运营之法：PDCA
围绕增长目标，运营要有明确的前进方向和实现策略。目标的实现是在每一次摔倒和每一次站起来继续前行中达到的，这也是运营十分磨人且需要韧劲之处。
高质量的运营，总能够精准制定计划，快速执行，检查结果和总结问题教训。这其实就是PDCA循环就是按照这样的顺序进行质量管理，并且循环不止地进行下去的科学程序，实现阶梯式上升。
PDCA由英语单词Plan(计划)、Do(执行)、Check(检查)和Act(处理)的第一个字母：
- P (Plan) 计划，包括方针和目标的确定
- D (Do) 执行，根据目标，进行具体方案策划，实现计划中的内容
- C (Check) 检查，总结执行结果，明确好与不好的效果，找出问题
- A (Act）处理，对成功的经验加以肯定，并予以标准化；对于失败的教训也要总结，引起重视。对于需要进一步解决的问题，循环到下一个PDCA中去。
以下是我的日常工作运用方式，以一个运营项目为例，我们通常将“项目初期阶段”称其为“试验模型”，因为所有的终局都是由初始不断的发展演变而来的，而PDCA是发展的重要管理：
利用PDCA管理增长目标，能够更加稳健的推进项目达成目标，更有把握的拿结果！！！
三、增长运营之术：ABtest
A/B测试具体是指对不同策略进行对比实验，根据结果选择最优方案。
这是一项十分基础但十分科学的运营工作，它也是谷歌、微软，国内的BAT和字节跳动等公司高速增长的武器。流量红利逐渐消失的时代，用户增长空间在下降，高效又节约成本的数据判断工具尤为重要，A/B测试帮助企业在产品、策略、资源等方面进行高效匹配，以及数据驱动策略的有效落地与实施。
1. A/B测试的特性——先验性、并行性和科学性
1）先验性
A/B测试的先验性试验体系，属于预测型结论，与“后验”的归纳性结论差别巨大。同样是用数据统计与分析版本的好坏，以往的方式是先将版本发布，再通过数据验证效果，而A/B 测试是通过科学的试验设计、采样样本代表性、流量分割与小流量测试等方式来获得具有代表性的试验结论，这样就可以用很少的样本量就能推广到全部流量可信。
2）并行性
A/B测试是将两个或以上的方案同时在线试验，保证每个版本所处环境的一致性，便于更加科学客观地对比优劣。同时节省验证的时间，无需在验证完一个版本之后再测试另一个。
3）科学性
科学性强调的是流量分配的科学性。A/B 测试的正确做法，是尽可能将相似特征的用户均匀的分配到试验组中，确保每个组别的用户特征的相似性，从而避免出现数据偏差，使得试验的结果更有代表性。
在互联网时代，A/B测试被谷歌等巨头广泛使用在产品开发和运营中，A/B测试也是字节跳动快速增长的重要因素。
但，A/B测试不是万能的。它仍旧存在一些局限和问题。
以“抖音”为例，当初给短视频平台起名是字节内部进行了A/B测试，“抖音”选项实际位列第二名，但产品经理们从经验角度认为“抖音”长期来讲更符合认知，更能体现这个产品的形态，最终选择了“抖音”这个名字。
所以A/B测试的过程，有时不完全看它的结论，它也会带来很多认知，这就是经验带来的偏差。A/B测试可以纠正这些偏差，但是它也会有局限性，有时候决策者不一定会完全采纳它的结论。
2. A/B测试4步骤
1）明确测试目标
AB测试不能毫无目的，也不能多个目标并行。明确的测试目标能够帮忙明确的实验方案。
2）充分实验假设
围绕明确目标，充分假设根据可能情况，如要做点击率A/B测试，那么尽可能将素材、文案、风格等影响因素测试，尽可能将影响因素统一时间段进行测试，提升实验效率和实验准确性。
3）设计单一变量
遵循变量单一性，不能同时测试多个因素，会造成影响因素归因错误或无法得出变量实际影响。
- 时间周期：统一时间进行A/B测试，周期一般是1-4周，不同时间周期用户群体可能不一样，所以最好要覆盖一个周期，如7天、14天、21天。
- 用户群体：用户群体切割需要相对一致，不同地区、不同年龄、不同性别都可能会造成实验结果的差异，所以用户群体划分需要尽可能一致。
- 用户数量：充足的用户数量才能做好AB测试,小基数的用户群体很有可能因为个位数的差异,影响最终转化率的判断，所以在人群规模选择上尽可能保证合理的数量。
4）实验结果分析
测试过程中的数据，既要关注结果指标，也要关注过程指标。如实验版本确实有提升，但付出的成本高，那就需要权衡利弊再最终决策。
要真正做一个科学决策，没有“一招鲜，吃遍天”的方法，只有最合适的方法。
充分使用A/B测试能够在很大程度上补充可能遗漏的信息，能够帮助决策者消除很多偏见，能够带来很多客观的事实。但是它也不是完美的，需要和其他方法配合着一起使用。正如“抖音”这个名字的来源一样，在决策中更广泛地使用A/B测试，可以完善算法的推荐机制，帮助决策者做出更准确的决策。
四、增长运营之器：数据
数据，是业务决策的重要依据，既能够判断业务达成情况（结果数据），也能指引业务发展和提供方向支持（过程数据）；建立完备科学的数据体系和分析数据，是增长运营的看家技能。
1. 搭建业务数据模型及分析框架
业务规划阶段，就需要提出业务数据需求。
1）业务需求指导数据需求，运营人员必须清晰知道监测数据，梳理数据指标，推动产品技术进行预留埋点开发取数。
- 数据类型：分为过程指标还是结果指标。结果性指标通常以“产出”为导向，易于衡量，但难以改善或影响；过程性指标通常以投入为导向，难以衡量，且易于影响。
- 关键指标：找到能够代表结果指标或过程指标的数据。
- 指标含义：明确的指标含义帮助数据上下游共识。
2）数据需求指导产品埋点，数据埋点是数据可视化的重要部分，做每个项目千万不要忽视它的重要性，应该作为项目上线的标准SOP一环。
3）搭建所需的数据仪表盘，数据可视化的方式，便于业务方能够清晰快速地看到问题所在和预判趋势。对于异常的数据指标和趋势，及时进行预警。
2. 业务数据分析原则
数据的确能够帮助我们更加的了解业务，但信息过多也会增加数据清洗难度，所以数据分析要看重关键指标，而非越多越好。
1）结果指标是塔，过程指标是辅助
- 最重点关注的是结果指标，直接反映业务好坏的直观情况，也是老板最看重的项目lead数据。
- 过程指标，需要细心地洞察和分析对比，所有的业务都有优化空间，但如何优化、空间多大，可以从过程指标里得到答案；
2）数据并非越丰富越好，更主要的是关键指标
- 数据指标分为一级指标、二级指标、三级指标等，从业务洞察角度，一级指标是直接数据，当一级指标数据发生异常波动的时候，我们需要下探到二级/三级数据中找到变化的原因；如「资源位总体曝光数据」是一级指标，当整体指标发生异常情况的时候，我们下探二级指标「各资源位置」去看波动情况，以此类推，知道寻找到变化的原因。
- 当数据看太多的时候，容易想一个漩涡将我们的思绪缠绕起来，所以我们应该从大盘数据看起，有异常情况往下类推，而不是一下子就钻到下级数据的牛角尖里。
3）记录每次策略调整的时间和内容，及时监控数据变化
- 每个运营项目终局都是一次次的迭代积累到达的，对于其中的过程，我们需要有实验精神的记录下来，便于后续对于有效经验的运用，无效经验的闭坑；
- 项目数据变动，除了大盘变化的影响外，每次运营策略的调整，都会对项目数据有或多或少的波动影响，便于后期对于不同策略程度变化的对比，我们需要尽可能的记录。
以上，是在日常的实践过程当中，对于增长运营的方法论。
运营最重要的是找到快准狠的打法，同时高效率的实施和完成，并且注重复盘和积累，才能够才运营的路上积累下属于自己的方法论，这是经验的厚度。
资源一定是有限的的，尤其是在大规模的企业中，提升效率有助于促进公司增加营收，这才是效率的目的。
本文由 @In Nice 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
来源：https://www.woshipm.com/operate/5695879.html
本站部分图文来源于网络，如有侵权请联系删除。