[zz]何谓growth hacker?(一)特征


转自:http://www.36kr.com/p/151706.html

最近一段时间,growth hacker在硅谷开始兴起。何谓growth hacker?其实际应用又在哪里?本系列文章将为您揭秘。

Growth hacker在技术界已经留下了自己的印记。网上到处都是招聘这一职位的广告。处在不同发展阶段的公司对于这些发展专家的需求跟对用户体验和计算机科学的人才一样求贤若渴。这股人才需求的趋势在硅谷愈演愈烈。

但是,很多公司对此只是为了追赶时髦和受不断商品化的驱使,却很少能意识到破解发展密码的真正意义,只是简单地认为这些人能够为公司“增长销量”和“获得用户”。跟大多数技术专才所不同的是,growth hacker并非一组技能或知识的组合。Clarity的创始人Dan Martell说:“破解发展更多的是一种理念体系而非工具组合。”这是经过历练总结出来的一套必然的行为准则。Growth hacker拥有共同的态度,相同的内部调查流程以及一致的心态,令其在技术人员和营销人员中独树一帜。对数据、创造性和好奇心的理念体系使得growth hacker能够将发展客户群的基数做到百万级。

痴迷数据

Growth hacker对跟踪和推进指标的热情近乎痴迷。要是没有指标或者数据,growth hacker会感到浑身不舒坦。对数据的强烈偏好促使growth hacker抛弃虚有其名的指标,转向可以做成生意和实现业务突破的指标。数据和指标是growth hacker发现发展道路至高无上的科学手段。growth hacker对指标的看法不像报告机制那么严格,也不把数据当做钻研的方式,而是通过理论化和测试过程把它们当成做出更好产品的灵感之源。这种科学的发展方法被Everlane的联合创始人 Jesse Farmer 称为是工程化分销。“最好的growth hacker对于发展和分销采取严格的经验主义的做法。” Jesse说。Growth hacker关注的是通过反复推进特定指标的办法来实现增长。这样的指标可以是注册转化率,可以是维里系数(viral coefficient)。数据可以启发新产品及可行动的市场细分。

有创造力

第一批growth hacker之一,Bebo的联合创始人Michael Birch说,“破解发展是科学与艺术的结合。”尽管有数据和发展指标的驱动,growth hacker一样也是富于创造力的问题解决者。Growth hacker充满活力、思维敏锐,总能想出获得和维系挽留客户的新方式。Growth hacker绝不会止步于数据,而是会拓展出新的未知领域来找到增长办法。Tagged 的联合创始人Greg Tseng说,growth hacker的数据和创造力是齐头并进的,“你的左右脑是不是都一样出色?如果你只有分析的头脑,那么就会明白自己的想法有多糟糕!”

创意和分析的结合是growth hacker的典型特征。“创意人才按照直觉设计出对用户最好的东西,分析人才则提供有深刻见地的洞察分析。真正的独角兽是那些能够完成从设计、开发、衡量到分析的全过程的事情,并能够根据结合了用户直觉与深度分析的结果不断迭代改进的人。”这是HomeRun 联合创始人Matt Humphrey的看法。Growth hacker做的事情跨越多个职能部门和学科,从UI/UX到指标决策,不一而足。创意和分析的结合使得growth hacker对产品拥有融合的、系统性的视角。

还很好奇

Growth hacker对访客何以变为用户并被吸引感到痴迷,着魔于产品为何会一败涂地。对于令人困扰的用户,growth hacker习惯去探究,找出推进和调整指标的新办法。MediaSpike 创始人,社交游戏先驱者之一的 Jesse Farmer  说,“破解发展发出一条微妙的讯息,‘今天你为我干了什么?’身为growth hacker必须永不止步。Facebook已经有十多亿用户,但仍有一个增长团队。” Growth hacker总是保持好奇,对于学习永不知足。他们深入审视用户行为,在行为经济领域不断封疆拓土。Jesse Farmer说,“好的growth hacker对互联网有好奇心,对其运作方式有着深刻理解。好的growth hacker会去读《轻推》(Nudge)和《怪诞行为学》(Predictably Irrational)这两本书,发掘可能的破解发展之路。”这种好奇心能够令其突破表象,把握产品和用户体验之精髓。Growth hacker对于有没有实现增长并不是很关心,而是渴望去理解用户的心态和产品流,以便让这种办法不断重复。Hot or Not 的联合创始人、Perceptual Networks 的创始人Jim Young 说,Growth hacker不过是“可以看成是人的极客罢了。”

Growth hacker是一种稀有物种,需要把数据、创造力及好奇心这三种不太可能凑到一起的东西混搭到一起。由于这仍然是一个相当崭新的领域,有人也许会质疑说现在硅谷可能仅有几百号growth hacker。虽然现在数量少,但这个职业没有天花板,机会的大门向所有人敞开。“我希望大家在阅读本文时,会希望学习我们的方法并愿意成为一名growth hacker,达到一呼百应的效果。” Refer.ly 的床和创始人、Twillio 的前growth hacker  Danielle Morrill说。

大多数growth hacker说自己是通过创办一个零营销预算的公司来学会相关的经验技能的。下一篇文章将探索破解发展的实践应用,看看营销是如何重塑自己的。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值