Growth experiments to uporządkowane testy zmian w produkcie, komunikacji albo kanale pozyskania. Liczy się mierzalny wynik, nie sama „kreatywność”. Żeby sensownie czytać takie testy, trzeba znać kilka bazowych pojęć: hipotezę, metrykę sukcesu, wariant kontrolny, próbę, istotność wyniku i priorytetyzację. Od nich zależy, czy eksperyment naprawdę pokazuje wzrost, czy tylko chwilowy szum w danych.
Na koniec dnia nie wygrywa zespół z najdłuższą listą pomysłów. Wygrywa ten, który umie odróżnić sygnał od przypadku i zamienić wniosek w kolejny ruch. Właśnie wtedy growth hacking staje się procesem, który da się powtarzać.
Growth hacking jako metodologia eksperymentów wzrostu
Sean Ellis opisał growth hacking jako sposób szukania wzrostu przez szybkie iteracje między produktem, marketingiem i danymi. Cel jest konkretny: znaleźć dźwignie, które da się skalować bez dokładania kosztów w tym samym tempie.[1]
Na co dzień to połączenie pomysłu z instrumentacją. Z jednej strony masz mechanikę poleceń albo zmianę w onboardingu, z drugiej sposób mierzenia zachowań użytkowników. Gdy któregoś z tych elementów brakuje, zespół jest zajęty, ale po sprincie wie niewiele więcej o tym, co naprawdę pcha biznes do przodu.
Tu sama gotowość do testów nie wystarcza. Bez dyscypliny w analizie łatwo pomylić ruch z postępem, a prawdziwe dźwignie wzrostu zostają niewidoczne.
Eksperymentowanie i analiza danych w growth hackingu — dlaczego są rdzeniem metody?
W growth hackingu decyzje przechodzą przez dwa sita: eksperyment i dane. Pomaga w tym model AARRR (acquisition, activation, retention, referral i revenue), bo rozkłada wzrost na pięć etapów i nie pozwala patrzeć wyłącznie na wejścia.[2]
Co z tego, że ruch rośnie? Kampania viralowa może obniżyć koszt wejścia, a jednocześnie pogorszyć aktywację, gdy obietnica reklamy rozmija się z doświadczeniem po kliknięciu. Zdarza się też, że rejestracje skaczą, a retencja D7 (powrót po 7 dniach) stoi w miejscu.
Program poleceń zwykle działa lepiej po chwili pierwszej wartości, nie zaraz po zapisie. Bez poprawnego przypisania źródeł konwersji łatwo nagrodzić zły kanał, dlatego zasady opisane w Jak skonfigurować atrybucję kampanii reklamowych krok po kroku? mają tu bardzo praktyczne znaczenie.
Strukturalne testy hipotez z jasną metryką sukcesu — jak działają?
Od chaotycznego testowania growth hacking odróżnia prosty rygor: eksperyment startuje z hipotezą zapisaną przed wdrożeniem i jednym głównym wskaźnikiem. Dobra hipoteza wskazuje zmianę, segment i oczekiwany efekt, na przykład wzrost kliknięć CTA na mobile z 2,4% do 3,0% w 14 dni.[2]
Taki zapis od razu zawęża pole manewru. Wiadomo, co mierzyć i kiedy skończyć próbę. Obok metryki głównej dobrze ustawić też limit bezpieczeństwa (np. wzrost kosztu pozyskania maksymalnie o 10%). Przy testach reklam rozsądnie zmieniać jedną zmienną na rundę, co pokazuje poradnik o testach A/B kreacji reklamowych.
Analiza robi się wtedy prostsza. I po teście zostaje mniej miejsca na zgadywanie.
CAC i CLV jako kluczowe metryki efektywności wzrostu
Dwie liczby szybko studzą entuzjazm po udanym teście: CAC i CLV. Pierwsza pokazuje, ile kosztuje zdobycie klienta, druga ile ten klient wnosi do firmy przez cały okres relacji. O zdrowym wzroście mówisz dopiero wtedy, gdy obie wartości układają się sensownie, a nie tylko wtedy, gdy rośnie ruch albo liczba rejestracji.[3]
Patrzenie na CAC i CLV obok konwersji oraz retencji porządkuje ocenę eksperymentu. Bez tego test może dowieźć tani pierwszy zakup, a kilka tygodni później zostawić słabszy wynik niż przed startem.
Jak mierzyć CAC w eksperymentach growth
CAC w eksperymentach growth liczysz jako pełny koszt testu podzielony przez liczbę nowych klientów pozyskanych w tym samym oknie pomiaru (np. 7, 30 albo 90 dni). Jeśli test kosztował 15 600 zł i dał 52 pierwsze zakupy, CAC wynosi 300 zł na klienta.
Najwięcej błędów wpada do licznika i mianownika. Do kosztu zwykle doliczasz media, produkcję landing page’a, prowizje afiliacyjne, rabaty powitalne i część pracy zespołu (ujętą w koszcie testu); po stronie wyniku liczą się wyłącznie nowi klienci, bez leadów i darmowych rejestracji. W arkuszu wszystko wygląda dobrze, ale przy 15 600 zł kosztu i 52 zakupach te 6 zwrotów albo anulacji po miesiącu podnosi realny CAC do 339,13 zł.
Kiedy koszt pozyskania rośnie mimo podobnego wolumenu wejść, źródło problemu zwykle jest w jakości ruchu albo w rozjechaniu oferty z komunikatem. Ten mechanizm rozpisujemy szerzej w poradniku o reklamach bez zwrotu.
| Wariant CAC | Co obejmuje | Najczęstszy błąd |
|---|---|---|
| Kanałowy | Koszty jednego źródła, np. paid social lub afiliacji | Pomijanie kosztów wdrożenia i rabatów |
| Blended | Całość kosztów wzrostu w firmie | Mieszanie klientów nowych z powracającymi |
CLV jako wskaźnik długoterminowego wzrostu
W odróżnieniu od CAC, CLV patrzy na przychód i marżę w czasie, więc lepiej pokazuje jakość wzrostu niż sam pierwszy zakup. Dla sklepu z koszykiem 150 zł, częstotliwością 3 zamówień rocznie, średnią relacją 2 lata i marżą 60% CLV wynosi 540 zł.
Najmocniej wpływają tu retencja, powtarzalność zakupu i polityka cenowa. Gdy ta sama baza klientów kupuje nie 2, lecz 3 razy w roku, wartość rośnie o 50% bez dokładania budżetu mediowego. Przy ocenie testów dobrze policzyć też relację CLV:CAC (przy 540 zł do 180 zł daje 3:1).
Zmiana ceny albo pakietu potrafi poprawić ten wynik szybciej niż kolejne cięcie kosztów kampanii (→ Przykłady strategii cenowych i ich znaczenie w ustalaniu cen produktów).
Legimi i Vogue pokazują dwie różne drogi do wzrostu, choć obie mogą dać nagły skok zasięgu. Pierwsza opiera się na poleceniu 1→1, druga na szybkim rozlaniu treści 1→wielu. To zmienia metrykę sukcesu, próg powodzenia i sposób kontroli jakości ruchu.
Ten wybór nie jest kosmetyczny. Referral częściej broni się na płatnych kontach, viral częściej kończy się falą zasięgu, którą dopiero trzeba dowieźć do konwersji.
Jak Legimi wykorzystało program poleceń do wzrostu
Legimi, polska platforma subskrypcyjna e-booków, korzysta z logiki programu poleceń typowej dla usług cyfrowych. Obecny użytkownik przekazuje kod lub link nowej osobie, a system śledzi co najmniej 3 etapy: wysłanie zaproszenia, aktywację konta i przejście na płatną relację.
Przewaga tego modelu bierze się z kosztu dystrybucji bliskiego 0 zł na kolejne polecenie oraz z wyższego zaufania, bo rekomendacja przychodzi od znajomego. O wyniku nie decyduje sama nagroda. Liczy się gotowy komunikat i jedno kliknięcie do udostępnienia, a potem prosty onboarding po stronie odbiorcy (to właśnie usuwa 2–3 tarcia).
Sama liczba wysłanych zaproszeń niewiele mówi. Dopiero zestawienie udziału zaproszeń, aktywacji i płatnych kont pokazuje, czy referral naprawdę dowozi wzrost. Nazwy tych mechanik i etapów zbiera Słownik pojęć frameworków i metodyk growth dla growth hackerów.
Vogue pracuje inną logiką. Kampanie viralowe skalują dystrybucję 1→wielu przez social media i publikacje wtórne, a potem przez cytowania w mediach. Najpierw ruszają kanały własne marki. Później wchodzą udostępnienia odbiorców, a w ciągu 24–48 godzin kolejne wzmianki z kont o większym zasięgu.
W growth hackingu liczy się tu mechanizm, nie sama estetyka. Treść ma być zrozumiała w pierwszych sekundach i na tyle wyrazista, by użytkownik chciał podać ją dalej bez dodatkowych wyjaśnień. Gdy materiał budzi reakcję, Vogue zyskuje efekt earned media, czyli zasięg zdobyty bez kupowania każdego kolejnego kontaktu.
Ryzyko jest większe. Viral potrafi rozpędzić dyskusję szybciej niż konwersję, więc jakość ruchu trzeba pilnować od początku.
Optymalizacja lejka sprzedażowego i testy A/B w eksperymentach growth
Przy optymalizacji lejka najpierw trzeba wskazać miejsce spadku, bo bez tego testy A/B zamieniają się w losowe poprawki. Dopiero gdy etap ma sensowny wolumen, porównanie dwóch wersji jednego elementu daje odpowiedź, która coś znaczy.
Testy A/B jako narzędzie optymalizacji wzrostu
Testy A/B mają sens wtedy, gdy chcesz poprawić konkretny punkt tarcia, a nie przebudować cały proces naraz. Jeśli strona produktu zbiera około 800 wejść dziennie i konwertuje na poziomie 4,8%, porównanie dwóch wersji nagłówka, formularza albo układu ceny zwykle daje sygnał w ciągu 10–21 dni.
Przy 70 wejściach dziennie kilka dodatkowych konwersji potrafi przez chwilę wyglądać jak wygrana. Wynik będzie po prostu mniej stabilny. Ten rodzaj eksperymentu najlepiej działa w e-commerce, SaaS i lead gen, gdzie ruch wraca regularnie, a warunki da się utrzymać bez dużych zmian w ofercie czy sezonowości.
Lejek sprzedażowy jako pole do eksperymentów
Lejek sprzedażowy pokazuje cały łańcuch przejść, więc łatwiej zobaczyć, gdzie wzrost blokuje proces, a nie sama kreacja. Gdzie naprawdę ucieka wynik? Gdy sklep ma 5 ekranów checkoutu i między koszykiem a płatnością traci 38% użytkowników mobile, eksperyment warto planować właśnie tam.
Optymalizacja lejka sprzedażowego przydaje się szczególnie wtedy, gdy firma widzi dużo intencji zakupu, a słabe domknięcie: wysoką liczbę dodań do koszyka, niski odsetek finalizacji albo częste porzucanie formularza na 2. lub 3. kroku. Testować możesz kolejność pól, liczbę ekranów czy moment pokazania ceny, ale też komunikat o dostawie i widoczność metod płatności.
W produktach subskrypcyjnych ważne bywają też eksperymenty po zakupie. Gdy użytkownik nie aktywuje kluczowej funkcji w ciągu pierwszych 48 godzin, problem często siedzi w onboardingu, nie w samym pozyskaniu ruchu.
Cykl growth hackingu: analiza, ideacja, priorytetyzacja, testowanie, wdrożenie
6 działań porządkuje cykl growth hackingu: analiza, ideacja, priorytetyzacja, testowanie, ponowna analiza i wdrożenie. Każdy etap odpowiada za inną decyzję, od diagnozy problemu po utrwalenie wyniku w produkcie lub procesie.[2]
Bez tej sekwencji backlog rośnie szybciej niż wiedza o użytkowniku.
Analiza i generowanie hipotez w growth hackingu
Proces zaczyna się od analizy i ideacji, bo bez nich hipoteza wzrostowa zostaje intuicją. Dobra hipoteza łączy co najmniej cztery elementy: segment, barierę, proponowaną zmianę i przewidywany efekt.[2] Dzięki temu da się ją przekazać do priorytetyzacji i testu bez zgadywania, co autor miał na myśli.
Analiza ilościowa pokazuje miejsce problemu, na przykład gdy mediana czasu do ukończenia onboardingu rośnie z 9 do 14 minut po zmianie interfejsu. Analiza jakościowa tłumaczy mechanizm i zwykle opiera się na kilku źródłach naraz (8 rozmowach z użytkownikami, 25 nagraniach sesji i przeglądzie zgłoszeń supportu).
Hipoteza wzrostowa zamienia obserwację w plan działania. Przykład jest prosty: „jeśli skrócimy formularz z 6 pól do 3 dla nowych użytkowników mobile, liczba ukończonych aktywacji wzrośnie o 12% w segmencie paid social”.
Priorytetyzacja eksperymentów metodą ICE, RICE i PIE
ICE, RICE i PIE inaczej wyceniają zasięg zmiany, pewność założeń i koszt wykonania, więc nie nadają się do tych samych backlogów. Wybór frameworku zależy od tego, czy masz 30 luźnych pomysłów na wzrost, czy 5 kandydatów z policzonym wpływem na konkretny etap ścieżki.
ICE opiera się na trzech ocenach (Impact, Confidence i Ease), zwykle w skali 1–10. Ten model sprawdza się wcześnie, bo pozwala szybko odsiać pomysły z niską pewnością bez budowania rozbudowanego modelu danych.[4]
RICE dodaje Reach i Effort, dlatego lepiej pasuje tam, gdzie znasz wolumen użytkowników i koszt pracy, np. 12 osobodni albo 4 tygodnie developmentu. Bywa dokładniejszy, bo dwa eksperymenty o podobnym wpływie mogą dotyczyć 400 osób miesięcznie albo 40 000.[5]
PIE składa się z Potential, Importance i Ease. Ten model często przydaje się w optymalizacji stron i ekranów, bo pozwala zestawić potencjał poprawy z wagą miejsca w ścieżce, nawet gdy dane o zasięgu są mniej precyzyjne niż w RICE.
Niezależnie od modelu chodzi o jedną rzecz: ułożyć kolejność testów tak, żeby sprintu nie zjadały efektowne pomysły z małą szansą dowiezienia wyniku. Framework porządkuje rozmowę między marketingiem, produktem i analityką, ale nie podejmuje decyzji za zespół.
Testowanie i wdrażanie wyników eksperymentów
95% poziom ufności nie załatwia sprawy, gdy eksperyment kończy się na slajdzie zamiast w produkcie. Etap testowania i wdrożenia spina projekt eksperymentu, analizę wyniku i rollout, a każdy z tych elementów zależy od poprzedniego.[6]
Projekt eksperymentu ustala warunki brzegowe: wielkość próby, czas trwania i zasady zatrzymania testu. Bez tego zespół łatwo ucina próbę po pierwszym „ładnym” wyniku.
Analiza wyniku patrzy nie tylko na efekt główny, ale też na segmenty i koszty uboczne. Dodatni wynik w desktopie może być przecież ujemny w aplikacji.[7]
Po 2–4 tygodniach rollout dopiero pokazuje, czy wynik z testu wytrzymał normalny ruch. Wdrożenie przenosi zwycięski wariant do stałego procesu i uruchamia taką ponowną analizę właśnie po to.[8]
Źródła
- https://gopractice.io/skills/growth_hacking/
- https://support.optimizely.com/hc/en-us/articles/4410282998541-Design-an-effective-hypothesis
- https://productplan.com/glossary/customer-acquisition-cost-cac
- https://productboard.com/wp-content/uploads/2022/09/Product-Survival-Kit-Roadmap-Prioritization.pdf
- https://intercom.com/blog/rice-simple-prioritization-for-product-managers/
- https://optimizely.com/contentassets/a67c86dd70fe40ddb27e48511848483f/experimentation_program_toolkit_030220.pdf
- https://support.optimizely.com/hc/en-us/articles/4410289526541-Interpret-your-Optimizely-Experimentation-Results
- https://firebase.google.com/docs/remote-config/rollouts/about