简介：本文将讨论一种尚未被实践过的方法论，即能否将“增长黑客”理论作用到研发过程的改进上，从而实现更可靠的定向效能优化？

埋点作为记录用户行为的常规手段，伴随着前端技术的发展早已历经春秋，不过直到“ 增长黑客 ”系列理论出现，才真正让埋点分析变得内涵丰富且有章可循。
​
与产品领域的“增长”类似，“提效”一直是研发领域里长盛不衰的主旋律。在软件研发过程中，伴随着项目开展，同样会以事件的形式记录下许多与代码库、流水线、任务相关的行为数据。这些数据的来源虽与页面埋点不尽相同，其实质用途却有许多可类比之处。然而当产品经理们纷纷开始通过埋点的实时数据争分夺秒调整市场营销策略时，研发团队的 TL 和 PM 们依然只能使用统计方法+汇总指标为主导的事后分析手段，在每个版本和迭代完成后对团队效能进行回顾和评估，并乐此不疲地谈论如何将迭代周期从一个月缩短到两周，从而获得“更快的反馈”。
​
本文将讨论一种尚未被实践过的方法论，即能否将“增长黑客”理论作用到研发过程的改进上，从而实现更可靠的定向效能优化？
​

一、研发团队的北极星指标

​
在进行增长目标制定之前，团队往往需要先确定一项能够反映团队成功情况且易观测的“北极星指标”，譬如销售额、签单率、活跃用户数等等。对于研发团队来说，关键的指标主要是需求完成时长、功能缺陷率、用户满意度，诸如此类。以“需求完成时长”为例，这是一个相对客观且直接反映开发团队响应用户需求速度的指标，即一个需求从提出到最终交付可用，所需要经历的平均时间长度。
​
接下来我们定义一个相对理想的需求交付过程，并参考产品流量分析的“转化漏斗”结构表示出来：
​

相应的，将项目中的所有需求都添加进来，可以绘制出类似这样的“需求交付路径图”（示例，实际阶段划分应该更丰富）：
​

虽然略显粗糙，但通过这种展现方式我们确实能够追回不少在往常只统计结果数据的图表里丢失了的信息。譬如同样是两个花 10 天完成的需求，一个开发用了 7 天，另一个开发只用了 1 天，其余时间花在了等待测试上，它们的差异在交付路径图上就能被清晰的区分出来。
​
这样做的另几项好处包括：
​

  • 即使一个需要还未最终交付，而是被阻滞在了某个环节、或者出现了返工，也能够在第一时间以异常流量的形式显著的展现在路径图上，从而及时引起 TL 和 PM 的关注。

  • 不但能直观的看出总体的各阶段交付进展情况，也能从单个需求角度查看流经的每个节点，并找到其他情况类似的需求，便于分析它们的共性特征。
  • 用于事后分析时，可做交付结果的反向追溯，譬如查阅未按时交付的需求流经此前各节点的比例。

基于以上参照，我们可以得出以研发需求价值转化的“效能黑客”模型（对应增长黑客的 AARRR 模型）：
​

有了北极星指标和可视化的路径，接下来的关键在于用数据指导效能改进。
​

二、时间轴上的 AB 测试

​
并非所有客户都值得投入大量力气来维系，增长团队总是优先专注于高价值客户的留存。在进行效能改进时也应当首先识别差异，然后因材施教。
​
正如增长团队常用的“ RFM 模型”客户分类方法，针对研发需求，同样可以通过与效能相关的正交维度来分类出可采用不同应对措施的需求集合，譬如“ RIW 模型”：
​

  • A（Activity）需求的近期活跃度（相关事件频率）
  • I（Importance）需求的重要程度（优先级、距离计划完成的剩余时间）
  • W（Workload）需求关联的已投入开发工作量（譬如代码修改行数）

三个维度能将所有样本分为 8 组，这个粒度非常适合圈定重点，同时又避免信息太多过度发散。而选择以上三组属性，不仅是因为它们具备较高区分度，还因为这几项指标的观测值都较容易获得且能够高频更新，从而在研发过程中及时发现异常样本并进行纠偏。
​
软件研发是一项脑力劳动为主的活动，影响研发效能的因素包括且不限于开发者的个人能力、团队氛围、公司文化、项目进度压力、成员间的默契度、外部沟通成本、相关流程工具等等，其中绝大部分都是无法简单用数值化衡量的主观成分。虽然以往提及研发提效时，我们会出于技术可控的角度，着重谈论平台能力、研发流程、工具支持等“疗程短，见效快”的方法，但真实世界的研发提效手段要丰富得多。既可以采用技术工程手段，如提升构建速度、简化上线流程、改进发布工具；也可以采用组织文化手段，譬如优化奖惩策略、树立先进标杆、调整人力结构、提升员工福利、加强技能培训等等。那么究竟哪种提效方法才最适合研发团队呢？
​
对此，增长理论早就给出了答案，不论黑白猫，只要抓住老鼠就是好猫：做个 AB 测试。

与面向产品用户的 AB 测试不同，进行项目研发时，不能直接以单个需求为粒度进行 AB 测试（不便于项目管理），相比之下，团队或者迭代都是比较合适的 AB 粒度。具体的 AB 方法大家一点也会不陌生，譬如让两个项目团队采取不同的提效策略，对比效果，类似于“试点”和“样板间”。或者让同一个团队在不同的迭代里分别尝试一些新的提效方法，然后根据效果来决定保留或放弃，这就是在“时间轴上做的 AB 测试”。
​
喏，一个新概念就这么被创造出来了，不过现在还保持清醒着的读者很快就会发现，这也不是什么新鲜的主意，迭代回顾和改进会议不就是做这事情的嘛！其实不尽然。以往迭代回顾时的可分析数据主要是迭代燃尽图和需求/缺陷累积图，反映的是整体的趋势情况，“整体均值”往往会掩盖局部问题，这是达不到“ AB 测试”严谨性要求的。而前述的“需求转化路径”和“ RIW 分布”情况恰好能够弥补上迭代过程细节，为效能改进的方法提供指导依据。
​

三、舶来主义的局限

​
在许多方面，通过埋点分析增长策略与通过研发事件分析提效策略之间确有共通之处，譬如埋点的四大要素：
​

此四项要素研发事件皆有，因而但凡埋点可用之方案，研发事件皆可套。这是舶来主义。
​
然而增长关注的是固定的一群用户，追求拉新留存；提效面对的是日新月异的需求，追求按时交付。由于两者的分析对象和目标不同，本质上依然存在差别：
​

  • 用户离开了又会回来，可以持续追踪；需求完成就结束了，下次进来的是新需求。这也是需求不适合做为 AB 测试粒度的原因。
  • 拉新和留存可以越高越好，不设上限；交付效率不能单方面过度苛求，否则以牺牲质量和疲劳战术换取“提效”终将得不偿失。
  • 页面路径相对固定，譬如必须先经过下单页才能进入付款页；需求路径则不一定，譬如一个“开发超期”的任务最终依然可能“按时交付”。

此外，埋点记录的页面点击总是实时准确的，而需求的状态依赖人工更新，实际操作未必及时，采集的事件数据因此经常存在时间偏差，这是研发数据分析的一项老大难问题。更充分的自动化是一种解决思路，譬如在阿里云·云效的新版协作产品中，支持通过规则让研发行为与任务更新关联（比如代码提交触发任务开始、流水线发布触发任务完成等），此举将十分有助于增加效能分析的准确度。
​
最终，即便是模式化的借鉴，是否有效还需要实践来证明。
​

四、畅想与小结

​
增长和提效，两个看似风马牛不相及的主题，由于一个脑洞，被联系到了一起。
​
用产品思路运营技术团队，用埋点数据还原研发过程，用转化路径洞察关键瓶颈。效能黑客，让项目进度更客观，让研发过程更透明。

原文链接：https://developer.aliyun.com/article/784807?

版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

如何用增长的思维做提效？相关推荐

  1. 流量难、获客难、增长难？增长黑客思维“解救”B端业务

    随着市场竞争的不断加剧,流量越来越贵.留存与转化越来越难,实现用户和业务的增长并不容易.无论是B2C 还是B2B的企业,都可能遇到增长的挑战.对于营销团队而言,传统的漏斗式营销思维已有些力不从心,需要 ...

  2. 用户运营：如何用B端运营思维做用户增长？

    前几天跟朋友聚会,聊到我做过用户运营,他们第一反应是问用户运营是做什么的,要让我用一句话描述用户运营,那就是"以用户为中心"做产品与用户之间的交互连接. 用户运营常用的手段有用户数 ...

  3. 不加样本就能做数据增强？还能提效？

    数据增强早已被广泛应用在提升模型泛化能力上,通过"创造"额外的样本输入给模型使得模型更加鲁棒.近期又有隐式数据增强,不是通过直接创造样本来提高模型效果,那隐式数据增强究竟是怎么做的 ...

  4. 云栖大会:友盟+举办“移动互联网开发提效与实践论坛”，产品矩阵助力开发者业务增长...

    随着信息技术高速发展,移动互联已成为了新生活方式的代名词,在全民上网的数字热潮中,互联网企业如何降本提效,保证良好用户体验? 10月21日,友盟+在云栖大会上举办<移动互联网开发提效与实践论坛& ...

  5. 阿里巴巴如何进行测试提效 | 阿里巴巴DevOps实践指南

    编者按:本文源自阿里云云效团队出品的<阿里巴巴DevOps实践指南>,扫描上方二维码或前往:https://developer.aliyun.com/topic/devops,下载完整版电 ...

  6. 【NLP】NLP提效，除了选择合适的模型，就是数据增强了

    如何用有限的数据做出最佳的效果?除了一个优秀的模型以外,最有效的方法就是做数据增强了.自然语言处理(NLP)不同于图像,可以做裁剪,反转,缩放等操作来增强,而是有文本特别的处理方式.这篇论文<C ...

  7. 模型提效的另一条路：数据增强

    NLP提效,除了选择合适的模型,就是数据增强了 作者:十方,公众号:炼丹笔记 如何用有限的数据做出最佳的效果?除了一个优秀的模型以外,最有效的方法就是做数据增强了.自然语言处理(NLP)不同于图像,可 ...

  8. Mobile DevOps 之 Proxmox 实现节流提效

    导读:2020年,移动互联网 DevOps 领域显现出了规模化运营的趋势,多数 App 研发大厂均配备了上百人的研发团队规模,编译计算的诉求也是与日俱增,用自动化测试节约人力的行为也是不断涌现. 文| ...

  9. 软件开发提效哪有那么容易，都是坑啊~

    提效就是减少浪费吗? 基于现状的各环节浪费进行分析,避免浪费,就能达到提效的目的了么?这么说未必正确,要看目的是什么.有三种可能的目的: 减少总花费:可能人变少了,但是要开发的时间变长了. 提高总吞吐 ...

最新文章

  1. python常用魔法函数
  2. mysql 分库分表 ~ 方案选择浅谈
  3. Word 2010 制作文档结构之图标自动编号设置
  4. junit mockito_使用JUnit 5在Mockito中方便地进行模拟–官方方式
  5. 【springboot 踩坑记录】拦截器中无法注入bean
  6. 【含内推码】字节跳动智能创作2022秋招提前批全面开启！
  7. html中不支持什么元素,HTML中不支持静态Expando的元素的问题
  8. 「无捆绑不锁页」极度纯净win10 32位专业版下载地址
  9. 2008年(第五版)北大中文核心期刊目录
  10. ftp常用命令（windows cmd中使用示例）
  11. 如何做html链接,怎么做超链接，制作超链接的详细操作步骤
  12. OTU的定义与解读----了解笔记
  13. 西电上机题——P378-正整数的最优分解
  14. 96微信编辑器如何将样式中的二维码替换成自己的？
  15. 牧师与魔鬼——动作分离版
  16. 极部落TrueChain公链训练营_长沙站[湘链技术社区]
  17. 在小树林飞也能又快又稳，这是港科大沈劭劼组的「猛禽」无人机重规划框架（这也符合我理想中的无人机，而且他们这说明这种室内避障无人机是可以做得很小的。）
  18. windows event log 错误2 的解决办法（电脑网络连接图标消失的罪魁祸首）
  19. python程序填空_python练习题-基础巩固-第一周
  20. Windows 2008R2 +MDT2013+WDS(1)

热门文章

  1. 985高校6年招聘8000多青年人才引热议！高校割起年轻博士的韭菜有多疯狂？
  2. 太赞了！用200道题彻底搞定Python数据处理！
  3. 2020最值得学习的12款python-web开发框架大盘点
  4. 数据恢复错误卡住 linux,如何处理ORA-00376错误的恢复问题
  5. phpword中设置间距_管道支、吊架的安装间距规范上如何规定？
  6. 2021开封高考个人成绩查询,开封召开2021届高三二模成绩分析会
  7. 机器学习基础-逻辑回归-09
  8. php 一天只能点赞上一次,ThinkPHP3.2 实现浏览量和点赞量，每次访问页面浏览量+1以及每个登录用户只能对同一篇文章点赞一次-Go语言中文社区...
  9. php robots.txt,robots.txt的写法
  10. 100个人搬100块砖C语言,姓氏名人故事：一百块砖搬出搬进