矽谷增長黑客需求評估中的ICE法則

我在外國數據分析社區中看各種案例尋找靈感時，發現ICE法則對矽谷的增長黑客而言是類似共識般的存在，在國內社區中則少有提及，因此寫篇文章向大家介紹一下，他山之石可以攻玉。

增長黑客是目前互聯網公司中一個比較流行的概念。

他們盯著整個產品的AARRR（獲取-激活-留存-收入-傳播）漏斗，當他們發現某個地方存在機會時，就會針對這個靈感提出一系列的假設並進行測試。

增長團隊發掘的新渠道，或者產品優化後的轉化率放大效應，都會給整個公司的營收帶來重大改變。在國內互聯網流量變得越發昂貴的背景下，增長黑客受到行業的重視也是情理之中。

增長黑客的工作流程，就是對一系列的靈感進行假設和測試。然而來自增長團隊的靈感或需求是多樣的，我們以一個電商網站為例：

來自某流量渠道的流量佔比40%，目前投放的廣告樣式是否能換成另一個樣式，以提高轉化率？

某渠道客戶的留存率太低，是否存在渠道供應商刷量造假？

將首頁某類商品的導航換成另一類商品，是否能讓用戶的平均瀏覽商品數更高？

將商品視頻設置為打開自動播放是否能提高購買轉化率？

我們在網站上提供的資訊內容上的轉發按鈕，改變轉發頁面的標題文案後是否能提高點擊率？

每一天各個業務環節的負責人都可能基於他們的業務經驗提出以上這些針對AARRR不同環節的靈感。

需要注意的是，我以上提出的這些靈感，都是基於現有業務框架的優化。我們還會面對改變遊戲規則的靈感，比如寫作社區網站簡書在3月時做的改動：

簡書首頁呈現的文章從人工編輯選取，換成推薦演算法「千人千面」的信息流

簡書過去使用人工編輯選取來呈現首頁的文章，這實際上形成了一套遊戲規則：對於簡書用戶而言，向首頁專題投稿獲得錄取是文章被認可的表現，也因此帶來了一系列以首頁投稿為主題的運營活動和用戶群體。

在換成推薦演算法後，簡書的運營方向更傾向於流量的分發，從流量指標中發掘潛力作者並培養，社區的調性向形成個人作者品牌傾斜。像這類改變遊戲規則的靈感，增長團隊測試的工作量則更難計算。

這實際上是我們工作生活中常常會遇到的問題：可以做的事情很多，我應該怎麼安排？

人們各自有處理這種問題的辦法。

在一些團隊里，會有需求評審會議，大家一起對各種可能性進行討論，綜合整個團隊目前資源和最終目標的需求決定排期。

在一些團隊里，會有一個中心化的決策者比如部門領導，他會讓大家將手上的工作列出，再根據他獲得的比手下員工更全面的信息量為大家安排優先順序。

在一些團隊里，會根據事務本身的屬性，比如經典的「緊急-重要」四象限劃分法，即根據事情屬於緊急重要、緊急不重要、重要不緊急、不重要且不緊急中的哪一種來決定當前應該做哪些事情。

增長黑客作為最典型的以數據驅動和科學決策為立身之本的團隊，也有一套方法為團隊的工作安排優先順序：ICE（Impact、Confidence、Ease）法則。

（Sean Ellis將增長黑客概念引入了矽谷並成功讓兩家公司IPO）

ICE，即Impact（期望效果）、Confidence（成功信心）、Ease（需求資源）。

和數據分析師在進行分析時的做法一樣，ICE法則為優先順序劃分了維度，並提出了量化指標，因此將一個問題轉化成了可計算的量化框架。

ICE評級法由增長黑客之父Sean Ellis提出後，在矽谷創業公司中得到了廣泛的應用。

我在外國數據分析社區中看各種案例尋找靈感時，發現ICE法則對外國的增長黑客而言是類似共識般的存在，在國內社區中則少有提及，因此向大家介紹一下，他山之石可以攻玉。

為了方便理解，我以上面提及的其中一個靈感「來自某流量渠道的流量佔比40%，目前投放的廣告樣式是否能換成另一個樣式，以提高轉化率」作為例子講解ICE評級法。以下的每個維度都是0-10分劃分。

Impact（期望效果）

如果這個靈感成功了，會有多大的影響力？

這是一個作出假設的環節。假設這個網站每天的日活是100萬，則這個佔了40%的流量渠道會影響到40萬UV。你可以用多種結果指標來做出假設：

如果測試成功了，會帶來10%的UV增加，則你的跟蹤指標是UV。

你可以用成本去估算這個UV的價值。比如你每月在這個渠道投入50萬元，則目前每個UV的成本是1.25元。如果UV增加10%，則你的成本會降低到1.13元，大約降低了10%。

你也可以用當月收入除以當月UV去估算每個UV的價值，比如每個UV能帶來10元收入。如果UV增加了10%，則這個靈感價值40萬元。

通常來說，我建議團隊有一個公認的結果指標作為參考，比如收入，比如UV。因為靈感不一定都只集中在某個業務環節，而在評判不同環節的需求優先順序時，共同的結果指標就更有可比性。

如果其他靈感影響到的收入範圍大約在20萬到60萬間浮動，我們可以評定這個靈感的「期望效果」分數為8分。

Confidence（成功信心）

對這個靈感的假設是否能實現，有多少信心？

這個維度的判斷依賴提出靈感的業務人員和數據分析師的行業經驗。

單純廣告樣式的替換能帶來10%的數據增長嗎？打個比方，如果過去類似的靈感只能打來2%~5%的增長，那麼我們之前提出的10%的假設就不是很現實，對這個靈感的「成功信心」分數只能打2到3分。

如果你們過去沒有執行過類似的實驗，但是在社區中看到過類似的案例，或者其他行業有類似的成功案例，這些案例和你們靈感的重複度又非常高，那這些案例又可以作為佐證讓這個靈感的「成功信心」分數打8到9分。

在這個環節，無論是業務人員還是增長黑客都應該儘可能都收集類比數據，在需求文檔或者任務卡片這類記錄上附上你的參考數據和案例鏈接。

Ease（需求資源）

對這個靈感進行測試需要什麼資源，這些資源都到位了嗎？

比如說：

廣告樣式的改變需要技術開發新的頁面，什麼時候能夠完成開發；

實驗需要ABtest，需要對應渠道支持隨機展示不同的樣式；

如果不支持，可以手動選擇類似的細分用戶群體分為兩組，對這兩組用戶投放不同的樣式；

實驗需要持續15天，涉及到25萬的廣告費，需要廣告投放團隊的支持；

對這個實驗進行跟蹤計算需要一位數據分析師，一位廣告優化師，一位產品經理，一位開發工程師，人選和檔期是否到位

以當資源就位以後實驗可以馬上啟動作為目標，確保你列出了所有需要的資源。

作為例子舉出的這4項資源，如果只有2項到位，那「需求資源」分數可以打5分。如果4項全到位了，可以打10分。

（將靈感列表按照ICE法則打分排序）

拆分維度，量化指標，這是科學決策的常見手段。總覽你手上的事務、需求和靈感，將他們按照ICE評級法打分。排序以後，你便能清晰地管理手上的事情。

根據ICE法則管理優先順序的好處是，增長團隊不僅能從相對客觀的角度評價各個靈感，而且能知道如果想進行一個測試，還需要做什麼工作。

期望效果和成功信心分數往往是關聯的，誇大假設固然能使期望效果分數提高，但會讓成功信心降低。準確的假設可能數字上不是太好看，但確鑿的成功信心會讓增長團隊樂於測試這個靈感。

靈感的提出者如果想讓他的想法得到重視，就需要想辦法獲得各種佐證：去尋找相關的行業成功案例，計算一些可以用來關聯類比的數據。靈感的支持者和反對者都知道如何尋找證據去支持或反駁靈感，需求的確定從意氣之爭變成了客觀證據的列舉。

需求資源分數則清晰給出了實驗的準備狀況，讓項目負責人知道現在應該去做哪方面的籌備。

ICE分數除了能讓你在規劃事情的時候可以參考，更重要的是它可以用來進行復盤：當測試完成後，回顧你們前期評估的ICE分數，現在你給這個實驗打多少分？在測試之前你們是否準確預測了它的期望效果，或者你們錯誤估計了它的實現難度？

事後評估的ICE分數和事前評估的ICE分數之差又可以作為一個新的指標，衡量增長團隊的評估能力。機器學習的強大之處就在於事前預測和事後評估的反覆迭代，在使用了ICE評分法後，你的團隊現在也可以進行增長學習。

在一套可用作管理抓手的指標框架之下，增長團隊專註於評估和實驗，提高對產品和業務的認知。

這就是矽谷增長團隊現在廣泛運用的ICE法則。

我是大本，一介數據分析師社畜。

最近我翻譯了一些外國增長黑客社區的文章以幫助團隊改進工作。ICE法則在量化需求方面很棒，因此特地寫這麼一篇文章介紹給大家。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！