傳統企業的本質增長增長存在兩種思維：一種是流量思維，另一種是超級用戶思維。現在市面上有很多關於增長的書籍，它們有的把增長框架分為不同階段。實際上增長的本質，在於理清如何挖掘流量價值、如何提升線上線下轉化、如何沉澱數據。
在用數據驅動增長的解決方案中，我們將其概括洞察場景化、核心增長指標確定、優化轉化、A/B測試反覆運算尋找突破口階段。上篇將洞察場景化，核心增長指標確定，做好了後期增長反覆運算的基礎。
以前我們認為，分析引擎體系可以在實踐中不斷反覆運算。但是在具體實踐中得到的結果改變了我們原有的認知。建設分析引擎應該先規劃好再去做。因為一旦規劃和引入策略框架后，我們的業務也會隨之調整。建設分析引擎時一定要先基於模型、分析引擎的概念進行巨集觀設計，再進一步指導微觀業務。
W網路的分析引擎下圖所示，我們建立了使用者模型、營收模型、行為模型和產品模型等模型，這些體系為我們後期的分析提供了非常大的説明。而且當我們有了模型，未來的增長實驗要沉澱什麼、要分幾個步驟，都將有據可循。
整體來看，W網路的分析引擎經歷了六個階段的發展：
數據分析其實就是解魔方的過程：一開始是一階魔方，就像一個骰子；然後是二階魔方，魔方的一面有四個方塊；然後是三階魔方，一面升至九個方塊。我們不停地增加維度去拆解它。基於人的主觀判斷，一般人就玩到三階魔方，厲害的人可以玩到四階魔方。再往上更高階的魔方就更難了，所以說未來一定是基於模型的方式來驅動整個分析引擎體系的建設，因為它的整個決策都是非常可觀的。
如何對推薦的效果、推薦的參數等調整，就基於整個增長框架的不斷調優，最終形成增長閉環，才能更好的提升轉化率。
舉一個交叉推薦模型的例子
我們從用戶的行為特徵，包括用戶特徵、影片特徵、上下文特徵等出發，抽象出模型進行推薦。過去我們在做交叉推薦模型的時候，往往在模型處理與策略調優這一環節停下。但是現在我們繼續往下走，借助模型實現自動化策略的下發與沉澱。
在智慧化推薦的過程中還有很多單獨的分析模型可以拆解出來，賦能獨立的業務。我們拆出四個模型：付費潛力預測模型、產品包預測模型、折扣敏感預測模型和營收預測模型，分別回答重點關注哪些人群、適合什麼樣的策略、使用什麼價格、預期收益如何這四個問題。拆解出來后就可以實現產品投放的全自動化運營。通過實際測試，我們發現機器的推薦效果會比人推薦好很多。
數據和模型等計算和推薦的切實執行，讓我們的增長實驗讓流量再生。只有建設與數位化增長範式相匹配的組織架構，才能保障增長順俐落地，並持續為業務賦能。
當組織體系足夠敏捷時，便形成了企業級敏捷。團隊間的彈性、適應性會變得更強，小步快跑的增長實驗也擁有了更多的空間。彈性組織為企業未來的發展方向提供可能，這也是增長的價值。
W網路公司的會員產品的核心指標是購買會員轉化率，會員運營團隊遇到的問題是付費頁面的轉化率較低，多次調整落地頁素材后，仍然找不到優化的方向。瞭解該影視會員產品的使用者流轉地圖后，決定進行A/B測試為快速反覆運算做準備。
在A/B測試中，我們將使用者平均分為四組：
實驗使用者組：將A組作為對照組，對B組方案強調“折扣”要素、對C組方案強調“會員權益”要素、對D組方案強調“活動緊迫性”要素，對每組人群下發不同的付費頁面，對比四組人群的付費轉化率差異，找到影響轉化的關鍵要素。
測試方案：我們發現，對照組的方案信息堆砌，所有權益、折扣資訊分散在頁面各處，沒有集中火力觸達使用者。而三個測試方案分別聚焦折扣資訊、權益資訊和緊迫性資訊。
從數據展示中，得到影響付費轉化率的文案要素——緊迫性，也就是說強調活動優惠的時效性，營造緊迫氛圍，會更有利於刺激用戶轉化。
在此基礎上，我們還從本次A/B測試中得到了一些使用者洞察，例如：
通過這些洞察，W網路公司開展了多項A/B測試，這也是付費轉化率提升了超過90%的秘訣
洞察場景化、核心增長指標確定、優化轉化、A/B測試反覆運算尋找突破口階段這四個階段構成了一個迴圈，企業增長需要不斷地在這些階段之間迴圈，以持續優化產品並推動增長。
每個階段都依賴於前一個階段的輸出，並且每個階段的成果又為下一個階段提供輸入。通過這種反覆運算和數據驅動的方法，團隊可以更有效地實現產品增長和業務目標。
本文由 @ Sherryyyyy 原創發佈於人人都是產品經理。未經作者許可，禁止轉載
題圖來自 Unsplash，基於CC0協定
該文觀點僅代表作者本人，人人都是產品經理平臺僅提供資訊存儲空間服務