Ilman laskuria tai seurantapohjaa kasvuhypoteesit jäävät mielipiteiksi ja priorisointi tehdään mutulla. Siksi kasvuhakkeroinnin työkalut kuuluvat itse menetelmään: data näyttää lähtöpisteen, hypoteesit kertovat mitä testataan, ja nopeat kokeet paljastavat mikä toimii. Tälle sivulle on koottu sivuston ilmaisista selainlaskureista ja mittaripohjista ne, joita kasvutyössä käytetään suoraan.
Kasvuhakkerointi ja työkalujen tarve
Kasvuhakkerointi (growth hacking) yhdistää analyysin, hypoteesit ja nopean testauksen prosessiksi. Tarkoitus on selvittää, mikä tuottaa kasvua, ennen kuin toimenpidettä laajennetaan. Tarkempi määritelmä on sanastossa: kasvuhakkerointi.
Jokaisessa vaiheessa tarvitaan jokin konkreettinen tapa laskea luku, mitattiinpa aktivointia, priorisoitiin kasvuideoita tai tulkittiin A/B-testin tulosta. Työkalut eivät korvaa strategiaa, mutta niiden avulla strategiaa voi mitata. Kun kasvutiimillä on valmis laskuri aktivointiasteelle tai retentiolle, keskustelu siirtyy mielipiteistä lukuihin.
Viisi vaihetta: analysoi, ideoi, priorisoi, testaa, laajenna
Ensin analysoidaan nykytila: mistä suppilon kohdasta käyttäjät katoavat ja mikä mittari on juuri nyt kriittisin. Analyysiin voi kuulua myös kilpailija-analyysi, jos halutaan selvittää, millä oma tuote voisi erottua. Sen jälkeen keksitään kasvuhypoteeseja, jotka voisivat korjata löydetyn ongelman. Ideoita syntyy yleensä enemmän kuin ehditään testata, joten ne priorisoidaan pisteytysmallilla, joka pakottaa arvioimaan kaikki ideat samalla mittapuulla. Sitten hypoteesia kokeillaan pienessä mittakaavassa ja tulos luetaan tilastollisesti silmämääräisen arvion sijaan. Vasta toimivaksi todettu toimenpide laajennetaan.
AARRR-malli työkalujen valinnan pohjana
AARRR-malli, toiselta nimeltään pirate metrics, jakaa asiakaspolun viiteen vaiheeseen: Acquisition, Activation, Retention, Referral ja Revenue. Malli auttaa myös työkalujen valinnassa, koska jokainen vaihe tarvitsee oman mittarinsa ja laskurinsa.
Jos hankinta tuo käyttäjiä, mutta he eivät huomaa tuotteen arvoa, vika on aktivoinnissa. Jos aktivointi toimii, mutta käyttäjät lähtevät kuukauden sisällä, vika on retentiossa. Suositteluvaiheessa katsotaan, tuovatko nykyiset käyttäjät uusia, ja ansaintavaiheessa sitä, maksavatko he tuotteesta. AARRR-mallin avulla kasvutyö kohdistuu oikeaan vaiheeseen, eikä kaikkea tarvitse testata sattumanvaraisesti yhtä aikaa.
Ilmaiset työkalut suppilon vaiheittain
Työkalu kannattaa valita sen mukaan, missä AARRR-suppilon vaiheessa pahin pullonkaula on.
Aktivointiin sopii sivuston aktivointilaskuri. Sen avulla määritellään aha-hetki ja lasketaan, kuinka suuri osa uusista käyttäjistä pääsee siihen asti. Aktivointia ei voi mitata tunnistamatta ensin aha-hetkeä, ja siitä on lisää sanastossa: aha-hetki.
Retentiota varten on retentioanalyysi, joka näyttää kohorteittain, milloin ja miksi käyttäjät lähtevät. Retentio liittyy suoraan asiakaspoistumaan, jota käsitellään sanastossa: asiakaspoistuma. Kohorttinäkymä kertoo myös sen, onko poistuma keskittynyt ensimmäisiin päiviin vai jakautunut tasaisesti koko käyttöajalle, ja nämä kaksi tilannetta vaativat eri korjauksen.
Tuote-markkinasopivuutta voi mitata PMF-kyselyllä. Se kertoo, kuinka suuri osa käyttäjistä pitää tuotetta korvaamattomana. Kysely kannattaa tehdä ennen kuin hankintaan tai ansaintamalliin panostetaan lisää, koska heikko sopivuus näkyy myöhemmin kaikissa suppilon vaiheissa kalliina hankintana ja nopeana poistumana.
ICE ja RICE kasvuideoiden priorisointiin
Kun kasvuideoita on kertynyt kymmeniä, niiden vertailuun tarvitaan yhteinen tapa. ICE-malli pisteyttää idean vaikutuksen (Impact), sen, kuinka varmoja sen toimivuudesta ollaan (Confidence), ja toteutuksen helppouden (Ease). RICE lisää neljänneksi tavoittavuuden (Reach), eli idea saa pisteitä myös sen mukaan, kuinka moneen käyttäjään se vaikuttaa. ICE riittää nopeaan karsintaan, RICE on parempi silloin, kun ideat koskettavat hyvin eri kokoisia käyttäjäjoukkoja.
RICE-priorisointilaskuri laskee yhteispisteet automaattisesti, joten kasvutiimin ei tarvitse rakentaa taulukkoa joka kerta uudelleen. Pisteytys ei poista arvioiden subjektiivisuutta, mutta se tekee arviot näkyviksi ja vertailukelpoisiksi. Kun pisteet on kirjattu, seuraavan kokeilun valinta ei riipu siitä, kuka palaverissa pitää kovinta ääntä.
Kokeiluseuranta ja A/B-testaus
Priorisoitu idea pitää vielä testata oikein, ja tässä kohdassa huolimattomuus maksaa eniten. Kokeiluseurantaan kirjataan, mitä on testattu, milloin ja millä hypoteesilla, jotta samaa epäonnistunutta ideaa ei testata vahingossa uudestaan puolen vuoden päästä.
A/B-testilaskurilla arvioidaan otoskoko ja tuloksen tilastollinen merkitsevyys. Pelkkä viikon seuranta ei kerro, kumpi versio toimi paremmin. Konversioprosentin muutosta ei voi tulkita ilman otoskoon ja merkitsevyyden laskentaa, koska pienessä otoksessa voi näkyä ero, joka katoaa, kun dataa kertyy enemmän.
Työkaluerot perinteiseen markkinointiin
Perinteinen markkinointi nojaa kampanjasuunnitelmaan, jonka tuloksia arvioidaan neljänneksen lopussa. Kasvuhakkeroinnissa järjestys on toinen: ensin pieni koe ja nopea mittaus, vasta sitten isompi panostus. Perinteisessä markkinoinnissa mitataan näkyvyyttä ja bränditunnettuutta, kasvutiimin työkalut taas seuraavat käyttäytymistä: kuka aktivoitui, kuka jäi ja kuka toi lisää käyttäjiä. Raja ei ole jyrkkä, ja yritys voi tarvita molempia rinnakkain. Tarkempi vertailu on artikkelissa kasvuhakkerointi vs. perinteinen markkinointi.
Työkalut omaan kasvuvaiheeseen
Valinta lähtee siitä, missä kohtaa AARRR-suppiloa data näyttää suurimman vuodon. Jos et vielä tiedä, missä ongelma on, aloita retentioanalyysistä ja aktivointilaskurista, sillä ne paljastavat karkeimmat pullonkaulat nopeasti. Jos ongelma on jo tiedossa ja ratkaisuideoita on useita, RICE-priorisointilaskuri laittaa ne järjestykseen ennen kuin mitään testataan. Kun testi on käynnissä, kokeiluseuranta ja A/B-testilaskuri pitävät huolen siitä, että tulos luetaan oikein ja opittu jää talteen seuraavaa kokeilua varten.