״גדילה״ או Growth Hacking הוא אחד הנושאים האפופי מיתוסים ביותר שיש בעולם הסטארטאפים וההייטק.
או יותר נכון - הוא אחד התחומים הכי פחות מובנים ועם הכי דיסאינפורמציה. מושג שעבור רבים הוא בין אמורפי לבין ״האבקה שחדי קרן מפזרים מעל גרפים שהופכים ל IPO's.
בחלק הראשון של בלוג התחלתי לסקור את העקרונות שאני מאמין שהם הבסיס לשנות את התפיסה על Growth במוצר שלכם ואני חושב שכל מי שמתחיל לגדל מוצר (או אפילו בשלבים מתקדמים לעיתים) יכול לקבל מהם ערך.
ועכשיו לחלק השני:
- עבודה עם מעט דאטה שונה בתכלית מעבודה עם מספרים גדולים
כן כן, כל בלוג או הרצאה שמכבדת את עצמה מתגאה ומשוויצה בטבלאות שונות, dashboards עם גרפים שעולים ויורדים ושלל קלישאות ה״ראינו בדאטה שהמשתמשים שלנו הם…״
המשמעות של להשתמש וליצור דאטה משתנה לאורך הזמן בחברה, לפי גודל החברה ולפי תהליך ההתקדמות שלה.
בתחילת הדרך, תתרכזו בלדבר עם המשתמשים שלכם, להסתכל ב full story - במילים אחרות, לראות וללמוד בצורה איכותנית. להגיד ״30% מהמשתמשים״ זה לא מרשים אף אחד כשמדובר בשבעה אנשים ויותר מזה, מדובר ברעל סמוי בתוך החברה שלכם, כי אתם תעבדו בביטחון מלא עם דטאה קלוקל.
לשמחתנו יש בעולם מקצוע שנקרא סטטיסטיקה והוא מלא בחוקים שאנחנו לא צריכים להמציא כדי להבין מהי משמעות סטטיסטית ומתי הדאטה שאנחנו מנסים לעבוד איתו הוא ולידי.
כל עוד אתם עובדים עם מספרים נמוכים (מאות) - שימו יותר משקל על התיקוף במידע איכותני.
בהמשך כשתגדלו, המספרים יהיו גדולים יותר ואז תוכלו להשתמש בפאנלים ודאשבורדים מורכבים כדי למצוא בעיות אמיתיות ולהסיק מסקנות (לפני שכמובן - תדברו שוב, עם משתמשים, זה אף פעם לא נעלם).
בבלוגים הבאים גם נדבר על למה חלק גדול מהחברות שמשקיעות זמן ב a/b testing מבזבזות זמן ולמעשה רצות על תחושת בטן. או פשוט מריצים את הטסטים הלא נכונים.
- לכל חברה יש ניואנסים, אבל לעבוד במודלים זו דרך קצרה יותר להצלחה
לכל חברה יש אופי משלה, בעיות משלה וגם דרכים לצמוח משלה. אם מסתכלים על הניואנסים והפרטים הקטנים.
בפועל, כמעט לכל חלק בתהליך הצמיחה שלכם, ולכל סוג של חברה, יש מודלים מוכחים שעובדים.
לדוגמה - לא לכל החברות יש אותה מטריקת retention. אבל - בכולן המטריקה מורכבת מ״מי עשה את הפעולה, מה הפעולה ובאיזה פרק זמן״.
לכל מוצר יש אסטרטגיית ולולאת retention אחרת, אבל כדי לבנות את הלולאה הנכונה אתם צריכים קודם כל להבין מהי תדירות השימוש הטבעית במוצר לשכם (או, כל כמה זמן המשתמש שלכם חווה את הבעיה שהוא מנסה לפתור) ואז, תצטרכו לבנות לולאה מורכבת מ:
- טריגר - משהו שקורה שמניע את האינטראקציה עם המשתמש וקשורה בערך שהוא מקבל מהמוצר (יש 8 טריגרים אפשריים סה״כ, נדבר עליהם בפוסטים עתידיים).
- ערוץ תקשורת - באיזה ערוץ תשתמשו לתקשר עם היוזר על הטריגר הזה (אימייל, נוטיפיקציות וכו׳).
- פעולה - מהי הפעולה שאתם רוצים שהמשתמש יעשה.
- ״התגמול״ - מה הערך שהמשתמש מקבל על ביצוע העולה, וכיצד התגמול מניע את הלופ הבא.
בכל מוצר זה קורה אחרת, אבל בכל המוצרים המודל זה נכון ופועל.
כמו המודל הזה - יש עשרות מודלים ידועים אחרים בהם תוכלו להשתמש כדי לוודא שאתם מחברים ביחד את האלמנטים הנכונים. אנחנו נדבר עליהם עוד הרבה בהמשך.
יש מודלים לויראליות, לאקטיביישן, acuiqistion, מונטיזציה - הכל. צריך להכיר, ללמוד אותם, לשים בהם את הפרמטרים שלכם ולעשות להם אופטימיזציה. אבל תחפשו את המודל הרלוונטי אליכם ותשתמשו בו.
- תחשבו בלופים לא בפאנלים
המעבר מחשיבה בפאנלים לחשיבה בלופים היא כנראה בין השיעורים החשובים ביותר שלמדתי תודות לבריאן בלפור ו-reforge).
אני עוד אדבר על הקונספט הזה הרבה בעתיד, אז אני אשמור אותו כאן קצר.
כשאנחנו חושבים בפאנלים - אנחנו מעשה חושבים על כמות גדולה של משתמשים שעושה משהו ולאט לאט מצטמצמת למעט אנשים, שאם יש לכם קצת מזל נשאר סטטי, עם קצת פחות מזל גם הולך ויורד עם הזמן.
כשאתם חושבים בלופים כל פעולה יוצרת את הפעולה הבאה ולמעשה בונה את הגדילה שלכם. כלומר - איך סוף של פעולה, למעשה זורע את הזרע לתחילת הפעולה הבאה הרצויה.
כשאנחנו מדברים על לולאת retention (בהמשך לסעיף הקודם), אני צריך לשאול איך סוף הפעולה למעשה יוצר את ההכנה לפעולה הבאה שתחזור, או מזין את המוצר שלי בערך נוסף למשתמש.
לדוגמה:
אני נכנס לאינסטגרם -> מעלה תמונה -> התמונה גוררת לייקים->אני מקבל נוטיפיקציה -> אני חוזר למוצר לראות על מה עשו לי לייק (סגירת מעגל אחד של ריטנשן). אם אני באינסטגרם כבר, אז כנראה שגם אני עושה לייק לעוד אדם או שניים, מה שאומר שהחזרה שלי גם גרמה לי להתחיל עוד שתי לולאות של משתמשים אחרים שיחזרו כו׳.
פעולה אחת כבר שווה שני משתמשים.
אם מדברים על לולאת ״צמיחה״ - אני צריך לשאול איך שימוש חוזר בונה את ההכנה להבאת משתמשים חדשים או החזרה של משתמשים קיימים.
אני משקיע מאמץ x איך הוא נגמר בהחזר y שמניע חזרה את x.
- פיצ׳ר טוב בביצוע לא מושלם יעשה יותר אימפקט מפיצ׳ר חלש בביצוע מושלם
אני חושב שאת התובנה הזו למדתי מערן זינמן בעצמו ואני חושב שהיא מדוייקת מאוד.
אופטמיזציה של פיצ׳רים היא דבר חשוב, אבל בסופו של דבר, פיצר שנוגע בכאב של המשתמש - גם בגרסה הגרועה ביותר שלו, ההשפעה שלו תהיה בולטת יותר מפיצ׳ר שמיושם מעולה, על בעיה חלשה יותר או לא קיימת.
כשאתם מריצים ניסויים או מתכננים פיצ׳רים שמיועדים לשיפור הגדילה של המוצר, תבלו יותר זמן לדייק את המענה לבעיה, מאשר לבצע בצורה שמרגישה לכם מושלמת. לעיתים זה גם המניע להימורים גדולים יותר.
בכללי, לקח חשוב הוא - ככל שאתם מבינים את הבעיה טוב יותר, ומזקקים אותה - האימפקט יהיה גבוה יותר.
מתי כן כדאי לשים יותר דגש גם על פיצ׳רים שמתחילים חלשים?
אם הפיצ׳ר הוא חלק מצעד אסטרטגי גדול יותר, או אם המספרים קטנים מדי או שאתם רואים שהוא כנראה מסובך מדי, או שבדקתם אותו בפלואו הלא נכון.
האזנה לפרק 
צפייה בוידאו 
קריאת הבלוג 
שאלות / פידבק
