笔者以欧冶云商的 B2B 增长实践为例，讲述了如何用增长思维重构 2B 用户运营体系。

　　大家下午好，今天我给大家分享的主题是：欧冶云商（中国宝武旗下的一个钢铁电商平台）的 B2B 增长实践。

　　既然要做增长，我们首先要回答：增长是什么？需要什么样的环境？B2B 具备这样的环境吗？然后再来审视 ：B2B 到底是一个怎样的业态，我们可以怎么做？我今天的分享，就从这两个方面展开。

　　首先，什么是「增长业态」？

　　在运营之光上有这样一个说法，任何一个概念的发展，都需要经历三个阶段。

　　在“混沌期”，我们会有直觉，认为某个东西能有用，但不知道它的方法论是什么，有什么样的体系运营作用，只是有一批先驱能够去优先做这件事。尝到一些甜头以后，会有更多的人愿意去涉足，并且发展出了各自的理论，我们称这个阶段为“百花齐放期”。最后，经历一轮起伏，有更强的逻辑的概念被沉淀下来，进入“成熟期”。

　　2000 年以前，整个互联网还处于信息革命的软件时代，是没有产品经理这个职位的。有的是业务需求、开发团队，更多强调的是项目管理，而没有产品经理。

　　但在 2004、2005 年左右，很多产品的概念出现了，但互联网产品可能还是局限于一个企业的黄页，或者 QQ、电商。这个时候运营刚刚兴起，他的职位是什么呢？

　　比如说编辑黄页内容，这样的职位，已经有把产品触达用户的感觉在了，但是没有体系化的运作，更像是一个推广的职能。

　　随着产品的形态越来越多，比如论坛、平台电商、社交，我们的运营职位就更多了：类目运营、用户运营、内容运营、社区运营、社群运营、新媒体运营等等。但其本质是一样的，即把我们的产品不仅仅停留在功能层面，更要让其触达更多的用户。

　　到了 2013 年，我们会发现，很多的运营工作需要去度量，有了运营目标，还需要通过数据来告知各种运营手段的效果如何。运营不仅限于打杂，我们需要有体系化的运作，来证明所做事情的价值，因此，数据就起来了。

　　这一整个过程，就是把“产品”做出来，产品经理有明确的目标，要去和更多的用户连接。而连接的方式是基于试验的，是要用数据做支撑的，这就是「增长业态」。

　　做产品不能局限于功能的打造，而要考虑到功能打造完后的用户体验，使用产品的用户行为路径是否顺畅。我们需要通过试验去满足产品经理的这一深度需求。而试验设计的成败，有两个决定性因素：

　　因素一：对产品的用户群体及整个市场的认知深度。

　　对于 2C 来说，我们可以从生活经验中获取对产品和用户的认知。比如销售一款儿童保险，要面对的群体是妈妈，我们对妈妈们的行为特点是有概念的：她们会去浏览一些育儿网站，或者母婴类商品。各种各样的行为数据得到采集后，妈妈这个标签就很容易被我们打上去。

　　但对于 B2B 来说，这是个难点。B2B 的认知完全依赖于对行业的专业认知。比如一个做 2C 的同学想要转到钢铁行业做 B2B，他需要了解钢贸商在什么样的场景下会去消费产品等等，而这不是我们的生活经验能够习得的。

　　因素二：整个行业的信息化水平。

　　对于 2C 来说，现在能够看到的各种各样的黑客手段、黑客的技巧到了充分且足够选择的阶段，我们选择何种触达的方式，依赖于这个人是否在线、能否触达。

　　而对于 B2B 来说，做产业互联网要连接的是产业单元中信息化水平不一样的各个业务单元。像我们这个行业，就包括钢厂、车队、仓库，以及船运单位、贸易商等等。每一个业务单元的信息化水平参差不齐。

　　即使从业人员在线、有手机载体能够触达，但他的职业标签是不明确的。我们无法通过像 2C 这种非常普世的短信、小程序推送等把这个人找到。所以，我们的试验手段就会非常受限，主要矛盾在于贫瘠的黑客手段。

　　做完试验后，我们还需要通过数据来度量试验手段，而数据分析怎么做，考验分析人员的业务专业度。增长实验有两种类型：

　　（1）随机分组（RCT）：广泛应用于医学行业。有了分析目标后，确定「对照组」和「控制组」，根据实验的时长来锚定最后指标表现的好坏。

　　（2）回顾性研究：比如我们已经观察到，某一家钢厂的活跃用户数在下降 。这就需要做回顾性研究，看到底是哪些变量对结果造成了影响：可能是因为平台没有提供及时的售后服务，导致用户体验不佳而流失；也可能是钢厂排产的问题导致延期交货，让下单用户对平台的信任度下降了。

　　上述认知完全来源于我们对业务的理解，这对在 B2B 行业中做增长的人而言，是非常大的职业深度挑战。

　　所以，基于以上问题，从我们能描述出的平台阶段、业务认知、市场环境能力等方面看，想要做好增长，必须有业态做支撑，没有这样的业态，就要花时间去找、去培育、去催化。

　　第一阶段：黑客，技巧阶段

　　2015 年，有非常多「增长黑客」的概念被提出来，各个公司都很好奇，如何能够用互联网，用非常黑客、信息化、高科技的手段来获客？

　　第二阶段：「数据度量」意识阶段

　　传统的互联网增长方式有如 Airbnb，借助一次总统大选带来一波增长；再如 Facebook，借助一轮代码优化，就能够在非洲打开市场。

　　而这个阶段，我们会更加意识到「数据度量」。我们要看到每一个手段的数据表现，要有一套「数据度量」的业务体系，要能根据目标拆解手段，衡量通过手段达到的目标效果，要用数据来监测指标的表现差异；我们还会做很多“点”上的优化，例如对于运营，要做注册转化率的优化、订单下单率的优化等等。

　　第三阶段：「道，术，器」阶段

　　假设我们终于通过减少弹框、优化文案、强化视觉等手段把下单转化率提升了，度过了前两个阶段。但由于业务价值导向，产品经理又增加了某些降低转化率的设计。

　　比如某钢厂提出，他们卖的一批货属于质量余材，需要在平台上强制提示 —— 不受理售后。这样的强制提示在售前环节，会以弹出框或者非常明显的风险提示去呈现。而这一定会降低我们已经优化的转化率，在这种情况下我们就得去思考：

　　平台到底有什么样的价值？作为中间人，我们仅仅做一道撮合就够了吗？我们还需提供平台的监管义务吗？整个平台、产品中，我们能够扮演的角色是什么？为什么需要这样一款平台来满足他们的采购需求？为何在 2013 年这样一个时间节点，整个钢铁行业出现了平台模式？增长的短期效益和产品的长期核心价值的关系是什么？到底是谁带来了产品的增长？在这种情况下，我们不仅要看成交转化率，不仅要去找 GrowingIO 这样的工具来做成交转化率的数据监测；也要理解整个增长的方法论是什么、产品的生命周期是什么，要上升到「道，术，器」阶段。

　　第四阶段：商业模式阶段

　　做产品和用户之间的连接，我们要理解运作产品的商业模式，才能设计能带来转化的手段。比如：为什么是这样一个业态？2008 年危机以后，什么人才是我们的用户，是终端吗？是贸易商吗？他们当前处于什么阶段？行业的痛点是什么？平台应该往什么方向发力才能顺势发展？这是我们对商业模式的思考。

　　第五阶段：数据中台阶段

　　当我们要想回答更深层次的业务问题时，矛盾就来了。我们要用的数据不仅仅是行为数据，因为平台上的行为非常有限。不像 2C 产品，所有的行为都能在 App 上完成。

　　用户在平台上可能会有浏览资源、下单行为，但是货运、使用材料等环节都是线下的，而且我们会有非常多的业务团队做地推，而这些数据是在 CRM 里的。

　　随着数据分析需求的深入，做增长的人必须推动企业做数据中台，让需要分析的数据、业务指标的监测等通过大数据平台的搭建，成为每一个人都能用的工具。

　　综上五个阶段，其实，增长的本质就是一种指导思想、思维方式，真正的总结来源于实践。

　　增长的内涵，是通过数据度量细节指标的变化并驱动该指标的增长，而增长的外延，是兼顾指标所处的商业模式，让精细化的工作结果更加长久，并且对业务开展方式做优化建议。

　　在整个行业已经有的业态环境下，B2B 应该怎样做增长？

　　知己知彼，我们要知道 2C 怎么干。2C 的经典获客模型是：首先去触达想要营销的用户，触达方式非常多；触达完后要让用户产生兴趣，体验好了才有转化，也就是下单。

　　来看右边这张「多巴胺」图，能够给人带来愉悦。用户体验的核心关键在于愉悦感的产生，而愉悦感的产生在于「多巴胺」的分泌。

　　我们可以充分利用人性（比如情怀、红包、焦虑、榜单、虚荣、成就等）来设计黑客手段，把这样的人转化为用户。

　　那么在这个过程中，数据起什么作用？其实我们一直想要度量的是 —— 「多巴胺」的分泌量。但数据获取能力有限，目前我们还没有一个仪器，能够隔着屏幕度量用户被触达的过程中产生了多少多巴胺，我们就需要用一些显性的变量去描述这样的隐性变量。

　　举个例子，我们认为一个人分泌「多巴胺」后，一定会发生点击行为。点击数就是我们能够获得的显性变量，相同的还有转化率、活跃度、新用户跳出率、停留时长等等。这是统计学中经典的结构方程模型。

　　这一整套增长体系想要证明的是：增长的上半场关注于用户数，而下半场重于用户体验。用户体验需要通过变量去刻画指标，去多维度衡量，简单来说就是 —— 人有没有被触达手段打动，产生愉悦感。

　　要跟大家解释一下，我们的业态是一家钢铁电商，一个产业互联网的平台。

　　一个钢卷从高炉钢厂生产出来，有了订单后，它会从场内库运送至指定的社会仓库里，转化成现货资源，再通过流通环节到达贸易商手中，这就是我们的业态。

　　欧冶云商在整个过程中充当的是服务商、中间人角色。我们连接的是两端，一端对贸易商提供发票、合同、金钱、售后服务等；另一端，我们的市场团队要去吸引高炉钢厂入驻商城。与此同时，我们也提供以下两种服务：

　　服务一：一套 SaaS 服务体系。我们给平台上的高炉钢厂提供结算、数据报表服务等，吸引它们留下来。服务二：一个技术营销平台。作为一个专业的做技术营销的平台，我们能提供融资、提货、小票、牌号通服务等服务，吸引贸易商上平台采购。以下是我们平台商业模式的简化图。

　　接下来讲一讲我们运作的对象，不是单个的人，而是一个组织架构，比如：

　　总经理：是这一组织架构的关键决策人。但这个角色不容易被触达，因为没有任何一个渠道获得的手机号能够将职业角色告诉你。营销部：我们需要与营销部确定整个资源的销售体系。定价部：对于钢铁行业来说，传统的定价模式是一天一定价，或者一周一定价，非常不市场化。我们要做互联网的销售方式，一定有新零售的转型过程。定价部在这个过程中起到了非常重要的作用，我们要去利用平台上营销的热度、用户的行为、销售速度、销售率等数据，来帮助我们去做定价决策。技术部：单纯做资源上架，会导致钢厂资源管理困难。所以我们需要去营销钢厂的技术部，让他们也认可这样一种模式，促进钢厂做销售体系的转型。分子公司：除了总经理及三个部门外，分公司掌握着资源、渠道。以上就是我们要营销的组织架构，跟 2C 营销对象有着本质的差别。

　　抓住两个触达上的衔接

　　对于 B 端来说，我们通过各种各样的方式触达到某个人，那打动他的方式应该是什么呢？我们需要衔接两点：作为个人被打动的关键因素，和这个人在企业中要去营销整个组织架构的因素。

　　如果通过一个美女，他可能会发生点击行为，而且点击率的表现是非常好的。但他会因为一个美女去营销整个组织架构，去做销售体系的变革吗？会把这样一个销售渠道引入到公司吗？基本不可能。

　　他在组织架构中，是有职业标签的。如果我们的销售体系对他来说是一个降本增效的好方案，因为和我们合作，他的职业路径更加宽阔了，公司组织的绩效变得更好了，那么这个人的职业属性就发生作用了。他就可以有理有据地帮助我们牵线搭桥，去营销他的整个组织架构。

　　所以，这个活动的重中之重就是两个触达上的衔接。如果被忽视，即使数据表现非常好，但对最后的供方入驻来说是没有用的。

　　理解 2C 和 B2B 从度量到增长上的差异

　　做 2C 的时候，为了去提升某个指标，我们会依赖对社会学、人性、心理学的理解能力去设计增长手段。但是在做 B2B 的时候，光有这些是没用的。我们要去了解宏观经济、整个贸易生态、整个企业组织，甚至是中国的革命史；要去理解这个生态圈中的参与者、当前所处的社会阶段，才能提出降本增效的有利手段。这就是 2B 和 2C 理论基础要求的差异。

　　我想要表达的核心观点是 —— B2B 想要刺激的是企业生产关系的改变。

　　一个渠道、工具，被一家企业引入以后，他们的整个生产关系是要发生变革的。在原来的生产关系下，一张 Excel 表格就能做销售体系管理，通过打电话、线下纸质单据的方式，就能完成一个合同的销售。

　　但是要做互联网，更多的人要转技术营销，更多的重复劳动会被平台替代，生产关系已经发生了彻底的改变，核心就是商业价值。

　　在实际的增长工作中，从业者容易有几个误区：

　　误区 1：度量的指标和增长手段没有强因果关系。

　　比如说，我们设计了一些新手任务，因为新手能带来非常好的「留存」，但有些人会觉得新手对「交易量」没有影响。

　　当新手注册完后，需要做第一步交易前的动作——营业执照的上传及公司资料的认证。这一步动作是新手的主要工作，我们需要针对这个功能刻画更加细节的指标。比如说「认证转化率」是否提升了，「转化周期」是否缩短了，都需要更加合理的去度量。

　　误区 2：没有尊重增长过程的试验性。

　　我们需要持之以恒的去做一些手段。比如说，为了提高用户发票给我们的及时度，要做「到票率展示」，把好与不好的行为都公示出来，让平台起到检查督导的作用。

　　在这个过程当中，我们需要不断地做试验，没有定论说「到票率展示」就是非常完美的解决方案，「到票率」可能没有提高，成交量可能也没有提升，这时候，你需要去寻找 2C 中的案例去帮助你理解手段的本质，比如张贴高分榜，能够带来考试分数的提高吗？

　　误区 3：分析没有梯度，浅尝辄止。

　　数据团队本身跟业务之间有非常强的绑定关系，而这个绑定关系依赖于人的运作，取决于人的主动性。业务最初始的需求就是帮忙统计用户、报表层面的数据，监测平台的活跃用户数是否有升降，如果到这就结束了，对于工作的开展并没有好处。

　　数据团队承接业务，做到卓越是不够的，更要探索深度，这需要我们自己通过“点”的累计去找到业务敏感点，做验证假设。比如说，业务模式发生变更：平台的竞价场次增多，是好还是不好？用户数会不会下降？会不会有一些终端用户因不愿在采购上花太多时间而流失？这都是数据团队要培养的业务敏感度，才能给出完整的分析框架，多角度认知一个业务事件。

　　主动思考完后，可以把成果反哺给业务单元，做以增长为目的的数据分析。这就是数据分析的几个层次（统计——验证假设——以增长为目的的数据分析）。

　　回到 B2B 的业态，我们来看欧冶云商的增长实践。

　　欧冶云商作为中间人角色，要对接钢厂。钢厂是平台上非常重要的价值单元产出者，是平台的主力租户，能够直接带来平台流量。

　　面对他们，我们要营销的是组织架构，怎么做呢？

　　（1）地推。虽然这在 2C 非常 Low ，但对于 B2B 来说必不可少。因为我们无法通过短信、App 触达要营销的关键决策者，而且营销周期可能长达 6 个月甚至 1 年。

　　（2）产品。我们要产出的不仅仅是一个平台，而是一个理念。我们希望钢厂愿意打破当前已经建立的销售系统，给平台一个机会。平台还必须要开发出非常多交易类的工具：竞价、优惠、用户管理工具等等。这些都是平台的价值，甚至是管理办法。

　　（3）价值观。B2B 的营销时机依赖于钢厂和平台理念的吻合度，以及做体系化变革的动力。

　　其实我们很少去衡量钢厂端的数据，因为难之又难。假设我们想要度量一个变量——「钢厂合作深度」，它的影响因子可能是：

　　平台用户数。比如钢厂是做螺纹钢的，平台上是做汽车板的，用户数完全没有吻合，那能够营销成功吗？这个平台用户数在我们的业务库里面。平台价值契合度。我们平台是走新零售路线的，但如果钢厂不愿意走新零售，就是想做直销，就是希望不依赖平台把螺纹钢直接卖到工地去，在这种情况下要怎样去打动他？钢厂销售体系变革动力。不同钢厂，有着不同的市场竞争环境和历史，其变革动力也完全不同。比如宝钢，自建立起就是一家现代化钢企，它投入了非常多的资源去做信息化建设。所以在整个行业中，它能够引领企业信息化变革。理念营销效果。很多钢厂成立得早，他们本身就是一个地理范围之内的霸主，会认为自己的分销体系已经非常成熟稳定，不需要变革，也不愿意变革。关键人物拜访。关键人物有没有拜访，拜访的次数、每次拜访的时间、每次聊的内容等，都可以成为我们做钢厂合作深度这样一套模型的输入变量。外部环境刺激。外部的数据变化，在我们的度量体系中，有可能就是一个随机误差项。钢厂资源数。钢厂的产销控制得非常好，没有很多现货资源能够挂到平台上做新零售。这些都是我们的影响变量。随着数据分析需求的深入，我们对于数据中台的需求就起来了。主要矛盾已经变成了「认可数据分析价值」和「落后的数据生产力」之间的矛盾，这是一个转折点。

　　有了这个转折点以后，做数据的人就可以不遗余力的，去推动公司的数据化变革了。

　　另外一边的贸易商，我们要触达的是采购部的某一位职员，往往，采购部的人对于在什么渠道采购，是有充分的话语权的，除非大终端，要做采购招标。

　　而我们平台 99% 的用户，可能都是小终端或者小贸易商，没有跟钢厂达成长协，没有好的采购渠道，他们有非常强的自主权，采购渠道完全依赖于自己的选择。

　　对于他们，我们可以用这样一个获客模型去触达他、转化他。在设计这样一个产生兴趣、分泌多巴胺的过程中，你需要去看他作为一个采购人员的心理是怎样的：

　　（1）能买到便宜的好货。只要能买到便宜的好货，让采购能够降低成本，就能够触动他。

　　（2）使用起来方便。采购人员会在平台上做采购，那这个平台一定要操作方便。

　　这就是我们能够触达的一些手段，能够产生转化手段的设计差异。所以，针对这样的贸易商端，我们提炼出一个用户运营的大框架：

　　1. 主动吆喝 – 获客

　　市场部把主力租户（钢厂）引入商城，货上架了。此外，还得想办法留住这些主力租户，以证明货在我们的商城里能卖出去。但是很多贸易商可能并不知道这个平台，这就需要我们主动去吆喝，比如：

　　（1）线下推介会。通过某一个贸易商感兴趣的主题，将目标对象在物理位置上集中起来，然后设计一些利益动机，比如行业贡献奖、和 KOL 的拍照墙、好运抽奖等，激发参与用户的分享意愿，做一波基于熟人的宣传。

　　（2）基于贸易商地理位置分布的地推。像一些贸易商集中的钢市或楼盘，我们可以在当地做一些小型推荐会，让贸易商知道有欧冶这样一个平台。

　　（3）通过社群搭建私域流量，聚集贸易商。通过社群调动贸易商之间的强大社交链，让他们在群内活跃，从而能够在群内触发对资源的兴趣，这就是我们现在做的。

　　所以，利益动机和传播体验，就是社交营销的两个关键环节。

　　2. 优化路径 – 转化

　　吆喝完后，用户知道有欧冶这个平台了，但是怎么被我们激活、怎样成为我们的活跃用户呢？我们用 GrowingIO 做了一些用户行为数据分析：

　　第一：注册转化

　　什么样的用户能成为长留存用户？我们发现，有过首单交易的用户，留存会非常好。但是由于平台交易规则很繁杂，用户进行首单交易的转化时长非常长。如果不去引导，首单交易的转化就会非常低。

　　基于这样一个分析，我们把对用户运营的工作重点放到激活上，通过新手任务、帮助中心、新手引导等，设置一个顾问式的营销人员帮助用户做一个平台新手的转化。

　　第二：用户活跃

　　用户采购完后，怎样能让他养成看平台资源的习惯呢？怎样能让他一采购钢卷，就能想到平台呢？我们可以去做一些个性化的信息推送，多次触达好货，引导用户关注我们的一些店铺，然后以店铺资源上新的方式去触达，2C 的套路都可以直接拿来用。

　　3. 精准营销 – 数据驱动

　　怎样能够知道用户想要的是什么？怎样能够把用户想要的优先作为用户的货架陈列出现？这就需要我们给用户做标签、给商品做标签，从而通过数据驱动去实现精准营销。

　　第一：用户标签

　　以下将用两个案例给大家分享 B 端用户标签对于数据驱动精准营销的重要性：

　　案例 1：新手引导功能上线，对新用户有作用吗？

　　对于我们来说，不同渠道获取的新用户被转化的效果也是不一样的。

　　比如，一部分新用户是通过钢厂上线后，协议维护平台直接看护的用户，由于线下有钢厂业务员做引导，他们在一周之内一定会成为平台的交易用户。还有一部分地推注册的新用户，没有好的资源触达，也没有养成平台上看货的习惯，转化可能会偏低。这两部分新用户的激活手段一定不一样。

　　获客渠道的重要性、本身的行业属性是否终端，对钢厂的依赖度等都会影响到激活手段，造成数据的表现差异。所以做数据分析要充分考虑业务，去建立相应的变量做分析。

　　案例 2：到票率展示功能上线，能影响供应商到票及时度吗？

　　同样，到票率展示功能的效果衡量，也要考虑供应商的分类。

　　有一类钢厂供应商和平台是有协议的，发票到还是不到，对于成交数的转化没有任何影响。还有一类流动的供应商，其销售金额、销售频次非常高，对于到票率的要求是 80%。

　　综上所述，不同的用户群体会有不同的运营手段。而这些总的来说，就是整个企业做的用户标签管理。大一点是「用户画像精准营销」，小一点就是「沉淀每一个用户标签」。做数据的人要主动去沉淀，想办法在中台建立用户标签体系。

　　第二：商品标签

　　对于我们行业来说，用户的采购需求停留在第一个层次，对价格非常敏感，而对服务的需求不敏感。我们理所应当要告诉用户，什么样的资源是热销资源、降价促销资源、新资源等。

　　第三：场

　　有了用户标签、商品标签以后，人、货都有了，剩下的就是「场」。要在用户标签和商品标签已经非常成熟的前提下做产品设计，把用户和已经积累的资源标签，通过合理的路径串联起来。

　　4. 会员体系 – 评级及权益设置

　　会员体系的建立依赖于业务价值。会员的价值主张是什么，什么样的会员对于平台来说有价值，不能完全靠模型。

　　对于我们平台的供应商来说，「钢厂」属性是一个非常重要的标签，能够给平台带来流量；而对于贸易商采购来说，依赖平台，交易频次活跃，更加下沉终端的，具有更多的价值，这是我们的价值主张。根据这个价值主张，我们会拎出来 20 – 30 个变量，再根据变量的表现去做会员模型，之后把价值度量出来，接下来最重要的就是会员权益的设置，最终就构成了一个完整的会员体系。

　　会员体系建立起来以后，能影响供应商的搜索排序、授信额度、应该入驻哪一个专区等等。这些权益的设置会影响供应商对于你所主张的会员价值、依赖的会员体系载体的重视程度。

　　有了会员体系以后，我们会去理解用户价值内涵是什么，这不仅在于当前的表现价值，还在于期望售物，非常的有趣。

　　我们在做数据时，会把“贸易商采购供应商数”的指标作为输入变量纳入模型。这个指标肯定跟业务理解是不一致的，业务会说买一个还是两个供应商对 GMV 没有影响。虽然买一个供应商的用户往往是长协用户，是跟着资源走的，对平台没有价值，但只要供应商的资源发生了平台变迁，这个用户的流失风险就非常大。

　　相当于一个人患了癌症，他的期望寿命是短的，那么总体来说，他的会员价值偏低。所以我们的会员价值，应当要考虑每天的现金流，也要考虑能够在多长的时间范围内能产生现金流，这就是我们用户价值的内涵。

　　在这里想和大家分享一下，我对数据的几点理解：

　　数据能做的，只是度量；度量结果的洞见和手段，依赖于业务的理解；数据只能解决“我知道我不知道”层面的问题，创业阶段的黄金都在创业者的脑子里，是悟性，灵感，过度依赖数据会陷入局部最优；不尊重商业价值的增长，很容易走火入魔；Growth 非常轻，看中短期转化；产品核心价值非常重，需要长期眼光；两者相辅相成；数据要和业务共同制定增长目标，参与业务周会，强时间管控，由点及面沉淀能力。最后给大家分享一下，我理解的增长应该怎么样去爆发？增长的第一个阶段依赖于平台，人可以去推动，同时它也有自己的发展周期；第二个阶段依赖于产品商业价值的认知；第三个阶段依赖于整个公司的机制；到了第四个阶段，就是依赖于我们团队的能力了，我们每个人做好自己价值能力的提升，就一定能够让增长爆发！

　　今天的此结束，谢谢大家。

　　作者：程夏莹，欧冶云商平台运营负责人

　　来源：GrowingIO 2019 增长大会（北京）演讲

　　本文由 @GrowingIO 授权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。