《成長駭客行銷》,一本用 Growth Hacking 出版的書

成長駭客行銷

約莫是三、四年前開始研究有關 Growth Hacking 成長駭客相關議題,當時也寫了一篇相關的文章 [Growth Hack] 行銷人,偶爾換顆工程師的腦袋。當時成長駭客(Growth Hacker)在國內談論的人其實並不算多,主要的學習資源和案例都來自國外。隨著行動網路、網際網路技術深入到各個產業,最近一段時間國內談論的人開始變多了,但市面上好的談論成長駭客的正體中文素材還是偏少且素質參差不齊(目前看來英文、簡體中文的內容還是相對較多且較全面),也因此許多人對於成長駭客(Growth Hacker)還是有些陌生,甚至有些誤解。很高興這次受到天下雜誌的邀請,試閱這本號稱國內第一本談論成長駭客行銷的正體中文書,這本書頁數雖不多,但語句翻譯流暢好讀(作者也運用了 Growth Hacking 的觀念和技巧於該書的出版和撰寫上,你可以在書中讀到這段故事)。整體來看算是蠻適合對於 Growth Hacking 成長駭客相關議題不熟悉,但想一窺究竟的基礎入門參考書(本書側重觀念解說,實戰的部分建議額外搭配動手實作並參考其他學習資源)。

事實上,談到成長駭客行銷技巧、工具有很多。的確 A/B Testing、Landing Page、Open Graph、Email、Viral Marketing、SEO、API 、funnel 等等都很重要,但對於初學者來說,基本觀念的轉變和掌握卻是最核心的關鍵。以下分享幾個關於 Growth Hacking  我覺得值得留意的觀念和心法:

1. 第 0 步:找到你的 Product market Fit,PMF

簡單講就是你的產品是真正有人需要,有市場需求,也就是確保你的水桶不會漏水,AARRR 模型很棒,但 Retention (使用者留存率)太低代表你的產品本身可能就有點問題,漏水的桶子是裝不滿的,不管你多努力把水庫的水灌進來(砸錢買用戶)。當然,若能做出本身能有機成長的產品是最好的,俗話說的好:好的產品自己會長腳。

2. 放棄直覺和猜測。改用資料驅動思考(Data-driven thinking)

灑大錢做行銷時代已經過去,隨著網路技術的發展,各種統計分析工具讓你更容易可以掌握使用者的心理和動態。如何透過批判性思考、統計分析、創意行銷方式(喔,行銷人是該時候學點程式,懂點數據分析,換顆工程師了!)去設計產品和產品增長方式,不斷測量、改善、驗證你的假設,沒有衡量就沒辦法進步。

3. 成長是每個團隊成員的責任,CEO 就是公司最大也是最好的 Growth Hacker

很多時候新創團隊的資源有限,不可能像一些已經有豐富資源的公司有專屬的 Growth Hacker,這時每位成員都應該具備有 Growth Hacking 的觀念和技巧。當然 CEO 是公司的產品掌舵者,是公司最大也是最好的 Growth Hacker,因為 Growth Hacking 包含的議題跨了許多領域,包含產品設計、使用者經驗設計、行銷、數據分析等等。公司裡誰最希望產品成功?除了 CEO 誰會那麼認真想學好那麼多技能呀!

這樣聽起成長駭客(Growth Hacker)好像很酷,我也想成為 Growth Hacker!我該如何開始呢?

1. 在書店翻翻 成長駭客行銷:引爆集客瘋潮的新實戰力 當做入門

2. 開始學點程式和數據分析方法和工具

3. 了解一些網路行銷基本的用詞和工具

4. 試著看些互動設計的案例

5. 追蹤一些國外有趣的 Growth Hacker

6. 自己動手實作做些有趣的產品,並把 Growth Hacking 觀念和技巧運用其中,不斷嘗試 Trial and error 並記錄心得和同好分享

事實上,Growth Hacking 嚴格講起來也不是什麼高深的學問,在屬性上也比較像是 Heuristic 類型的技術。唯有花時間把手弄髒,動手實作、反覆驗證假設,在錯誤中嘗試才能找到最適合的方式和作法。我也還在努力學習中,也歡迎讀者分享自己的經驗:)

延伸閱讀:

  1. 前 Facebook 工程師覃超在知乎上的文章質量都不算太差,值得參考
  2. 增長駭客
  3. 初创团队的精细化分析和 Growth Hacking
  4. Cubie Co-founder Growth簡報分享
  5. 精實執行:精實創業指南
  6. YC 創業課 – Lecture 6 – Growth (Alex Schultz)
  7. Lean Analytics
  8. 31 Best Growth Hacking Resources
  9. Growth Hacking A Book: Minimum Viable Product to Bestseller
  10. 什么是互联网公司的运营?运营团队最重要的指标是什么?
  11. 人人都是產品經理
  12. 互联网运营之道
  13. 从零开始做运营
  14. 成長駭客(Growth Hacker)學習資源彙總

 

廣告

[資料探勘] 淺談協同過濾 (Collaborative Filtering)

SONY DSC

因為Data mining和Web mining研究的關係,最近接觸了不少Collaborative Filtering(又稱CF法)相關的論文。發覺Collaborative Filtering真的是個應用非常廣泛的技術,尤其在電子商務高速成長的時代,如何提供消費者更準確的個人化推薦服務,將是能否提高轉換率和良好使用者經驗的重要關鍵。

電子商務典型應用(Amazon):

Screen Shot 2013-03-31 at 下午2.24.55

圖:Amazon.com

「Customers Who Bought This Item Also Bought (買了這項商品的顧客,也會買這些商品)」

關於Collaborative Filtering相關的研究,最著名的應當屬Minnesota大學的GroupLens研究團隊。其中An Algorithm Framework for Performing Collaborative Filtering這篇發表在SIGIR上的論文,雖說年代稍微遠了些,但卻是一篇經典作品,非常適合剛接觸這個領域的朋友閱讀。

那究竟Collaborative Filtering如何定義?在實務上又該如何應用?其又有何侷限性呢?

根據維基百科上狹義的定義:

Collaborative filtering is a method of making automatic predictions (filtering) about the interests of a user by collecting preferences or taste information from many users (collaborating).

也就是Collaborative Filtering是藉由其他和你相似的使用者(群體)的偏好,去預測你的個人偏好,進而達到個人化(過濾)的推薦效果。

那為什麼要會有使用Collaborative Filtering的需求呢?

1. 隨著資料量的大量增加,必須要有更好的資料過濾方式

2. 可以提供Content-Based方法互補的效果:比較能預測Content-Based無法預測的類型,如:偏好、品質等,並有機會提供內容分析中未出現的項目推薦

而最早發展Collaborative Filtering是用於email的過濾,但系統的query稍嫌複雜且非自動化,所以應用範圍並不廣泛。直到GroupLens團隊所提出的User-Based演算法,Collaborative Filtering的技術便被廣泛的應用在各層面,包括Ringo的音樂推薦系統、Bellcore影片推薦系統皆是基於GroupLens所做的相關應用。

在說明Collaborative Filtering技術前,必須先討論偏好的定義:

一般來說偏好可以分為外顯(explicit)偏好(如:主動給評分)和隱藏(Implicit)偏好(如:購買記錄、停留網站時間、Web logs),這邊主要討論的是外顯偏好,且是電影的評論分數。(如下表:為使用者和電影項目的矩陣。由於Nathan和Joe在電影的評分類似(可拿來預測的鄰居),可嘗試藉由和Nathan相似的Joe推出問號的評分)

Screen Shot 2013-03-31 at 下午4.37.39

Collaborative Filtering已經是發展蠻成熟的技術,一般可以分為User-Based和Item-Based的觀點切入(本篇主要focus在User-Based),其演算法可以簡單歸結為三個步驟:

1. 將所有其他使用者針對active user(要被推薦或預測的那個人),做相似度(similarity)的weighting

2. 取出和你相似的子集合(subset)當做用於預測的鄰居(neighborhoods)

3. 計算預測值和正規化
Screen Shot 2013-03-31 at 下午4.38.45*這邊盡量簡化不把數學公式放入,僅傳達概念,若有興趣的朋友可以參考相關資料

這邊就藉由一張動畫,描繪Collaborative Filtering的應用方式。(原本不知道的偏好,藉由和其相似的其他使用者,可以預測未知的偏好,進而達到推薦效果)

Collaborative_filtering

而效果的衡量則有以下三種指標:

1. Coverage
係指可以提供預測的項目比率,值越高越好,但通常必須跟MAE做取捨。

2. MAE(Mean Absolute Error
預測值和實際值的差異絕對值平均,值越低越好。

3. ROC曲線
越往左上方是越好的情況,值越高越好。

Collaborative Filtering在實務上不失為一個簡單有效的方式。但仍有以下缺點:

1.稀疏問題(Sparsity)

實務上,大部分的使用者會主動給予評分的非常少,所以造成矩陣的稀疏性,可以提供預測的資料相當少。

2.冷開始問題(Cold-start)

雞生蛋生雞的問題,一開始要擁有可以預測的資料是相當困難。

3.系統延伸性問題(Scalability)

當資料量和使用者數量多時計算量和時間會很大,要提供即時反饋有點難度。

綜合以上問題,目前實務上多半是使用混合(Hybrid)式方法,以及使用Machine Learning相關技術。而結合Content-Based和Collaborative Filtering的方式進行,可以達到互補效果,進而提供使用者更好的個人化推薦體驗。畢竟在如今這競爭激烈的商業環境,誰能更了解使用者的心理,將更容易在激烈的商場脫穎而出。

相關論文及資料:

(image by  Marc Wathieu, cc license)