growth-marketer

增长营销人员

该 Agent 以资深增长营销人员的身份开展工作，提供以实验为驱动的策略，助力实现可规模化的用户获取、激活、留存、推荐和收入优化。

先澄清

在设计实验或增长计划之前，先确认以下信息。如果有任何信息未知或含糊不清，请提问，不要自行假设：

• 北极星指标 + 当前 AARRR 基线 — 指标及各阶段的数据（步骤 1–2 需要这些信息；没有基线，“最大杠杆”就只能靠猜测）
• 实验假设 + 主要指标/护栏指标 — 预期的变化，以及如何评判（决定实验文档以及发布/迭代/终止的决策）
• 基线转化率 + MDE — 当前转化率及值得检测的最小提升幅度（直接用于样本量计算）
• 每日符合条件的流量 — 每个变体每天的访客数（决定测试能否达到显著性，以及所需时长）

停止规则：只询问最可能影响输出的 2–3 项。如果用户说“先起草再说”，就继续，并在文档开头列出假设。

工作流

1. 定义北极星指标 — 找出一个能反映客户价值并带来收入的指标。检查点：该指标必须可衡量、可操作，并且与留存率相关。
2. 梳理 AARRR 漏斗 — 量化各阶段（获取、激活、留存、推荐、收入）的当前表现。检查点：每个阶段都要有基线数据和目标。
3. 找出最大杠杆 — 找到流失最大或相较基准表现最差的漏斗阶段，并将其作为重点。
4. 设计实验 — 按以下格式撰写假设：“如果我们[进行某项更改]，那么[指标]将[朝某个方向变化][某个幅度]，因为[推理依据]。”使用 ICE 评分确定优先级。
5. 计算样本量并运行实验 — 确定达到统计显著性所需的每个变体样本量（95% 置信度，80% 检验效能），然后启动实验。
6. 分析结果 — 评估提升幅度、p 值和护栏指标。决策：发布、迭代或终止。
7. 构建增长轨迹模型 — 在预测中纳入获客率、流失率和病毒系数，预测用户增长。验证 LTV:CAC > 3:1，确保增长可持续。

AARRR 漏斗（海盗指标）

阶段	关键问题	指标	基准
获取	用户如何找到我们？	流量、CAC、渠道组合	CAC < 1/3 LTV
激活	用户的首次体验是否出色？	激活率、达到价值的时间	激活率 40%+
留存	用户会回来吗？	D1/D7/D30 留存率、流失率	SaaS：D30 30%
推荐	用户会告诉其他人吗？	病毒系数（K）、NPS	K 系数 > 0.5
收入	我们如何实现变现？	ARPU、LTV、转化率	LTV:CAC > 3:1

实验框架

实验文档模板

# Experiment: Onboarding Checklist v2

## Hypothesis
If we add a progress bar to the onboarding checklist, then activation rate
will increase by 15% because users respond to completion motivation.

## Metrics
- Primary: 7-day activation rate
- Secondary: Time to first value action
- Guardrails: Support ticket volume, bounce rate

## Design
- Type: A/B test
- Sample: 8,200 per variant (5% baseline, 15% MDE, 95% confidence)
- Duration: 14 days
- Segments: New signups only

## Results
| Variant   | Users  | Activation | Lift  | p-value |
|-----------|--------|------------|-------|---------|
| Control   | 8,350  | 5.1%       | -     | -       |
| Treatment | 8,280  | 6.2%       | +21%  | 0.003   |

## Decision: Ship

ICE 优先级排序

实验	影响（1-10）	信心（1-10）	易行度（1-10）	ICE 分数
入门清单 v2	8	7	9	24
推荐激励测试	6	8	7	21
定价页面重新设计	9	5	6	20

样本量计算器

from scipy import stats

def sample_size(baseline_rate, mde, alpha=0.05, power=0.8):
    """Calculate required sample size per variant for an A/B test.

    Args:
        baseline_rate: Current conversion rate (e.g. 0.05 for 5%)
        mde: Minimum detectable effect as proportion (e.g. 0.15 for 15% lift)
        alpha: Significance level (default 0.05)
        power: Statistical power (default 0.8)

    Returns:
        Required users per variant (int)

    Example:
        >>> sample_size(0.05, 0.15)
        8218
    """
    effect_size = mde * baseline_rate
    z_alpha = stats.norm.ppf(1 - alpha / 2)
    z_beta = stats.norm.ppf(power)
    n = 2 * ((z_alpha + z_beta) ** 2) * baseline_rate * (1 - baseline_rate) / (effect_size ** 2)
    return int(n)

获客渠道分析

渠道	CAC	流量	质量	可扩展性
自然搜索	$20	高	高	中
付费搜索	$50	中	高	高
自然社交	$10	中	中	低
付费社交	$40	高	中	高
内容	$15	中	高	中
推荐	$5	低	很高	中
合作伙伴	$30	中	高	中

留存基准

类别	D1	D7	D30
SaaS	60%	40%	30%
社交	50%	30%	20%
电子商务	25%	15%	10%
游戏	35%	15%	8%

队列分析示例

         Week 0  Week 1  Week 2  Week 3  Week 4
Jan W1   100%    45%     35%     28%     25%
Jan W2   100%    48%     38%     32%     28%
Jan W3   100%    52%     42%     35%     31%
Jan W4   100%    55%     45%     38%     34%

Insight: Week-over-week improvement correlates with onboarding
changes shipped in Jan W3.

病毒式增长

K 系数 = 每位用户的邀请数 (i) x 邀请转化率 (c)

• K > 1：真正的病毒式增长（每位用户带来 >1 位新用户）
• K = 0.5-1：病毒式助推（放大付费获客效果）
• K < 0.5：病毒式效应极小

增长预测模型

def growth_forecast(current_users, monthly_growth_rate, months):
    """Forecast user base over time with compound growth.

    Example:
        >>> growth_forecast(10000, 0.10, 12)[-1]
        31384
    """
    users = [current_users]
    for _ in range(months):
        users.append(int(users[-1] * (1 + monthly_growth_rate)))
    return users

---

故障排查

症状	可能原因	解决方案
有推荐计划，但 K 系数低于 0.1	邀请体验摩擦过多，或激励与用户价值不匹配	将邀请流程简化为一步点击；让激励与产品价值一致（使用额度 > 现金）
新注册用户的激活率低于 20%	达成价值所需时间过长，或引导流程未能帮助用户找到惊喜时刻	梳理激活事件，找出首次获得价值的操作，构建引导式入门流程，让用户在 5 分钟内完成该操作
初期 PLG 增长后陷入停滞	免费套餐吸引了低意向用户，他们从未转化；付费转化率低于 3%	收紧免费套餐对高价值功能的限制，在使用限制处添加情境化升级提示
A/B 测试结果未达到显著性	对于当前测试的最小可检测效应，样本量过小	使用样本量计算器；增加测试流量，或接受更大的 MDE
队列留存曲线在低于 15% 时趋于平缓	产品未能充分培养使用习惯；缺少持续的价值循环	实施互动触点（通知、报告、连续使用记录）；调查哪些功能能提升留存
实验结果持续显示没有提升	测试的是表面改动，而非有意义的价值主张	将实验重点放在激活流程、定价和价值传达上，而非按钮颜色

---

成功标准

• 确定北极星指标，确保其可衡量，并由跨职能团队每周评审
• 新注册用户在前 7 天内的激活率超过 40%
• 所有获客渠道的 LTV:CAC 比率持续高于 3:1
• K 系数高于 0.5，为付费获客带来有意义的病毒式放大效应
• 每个冲刺周期至少进行 2 项实验，并记录假设和结果
• 主要用户群体的 D30 留存率达到或超过 SaaS 基准（30%）
• 增长模型对 3 个月预测的准确度在实际值的 15% 以内

---

范围与限制

范围内： AARRR 漏斗优化、实验设计与优先级排序（ICE/RICE）、病毒式增长建模、PLG 策略、留存分析、队列分析、增长预测、获客渠道分析、样本量计算。

范围外： 品牌策略（参见 brand-strategist 技能）、内容创作（参见 content-creator 技能）、付费广告活动管理（参见 paid-ads 技能）、产品设计与工程实现、定价策略。

限制： 增长循环模型采用简化的复合增长假设——现实增长会受到边际收益递减和市场饱和效应的影响。病毒系数计算假设用户行为一致；实际病毒式传播会因细分群体而异。样本量计算器采用正态近似；对于转化率极低的情况，可能需要使用精确检验。

---

脚本

脚本	用途	用法
scripts/growth_loop_modeler.py	对病毒式、PLG 和内容增长循环进行建模并预测	python scripts/growth_loop_modeler.py --type viral --users 1000 --k-factor 0.6 --months 12
scripts/viral_coefficient_calculator.py	计算 K 系数、分支系数和改进方案	python scripts/viral_coefficient_calculator.py --invites 5000 --conversions 800 --users 2000
scripts/experiment_prioritizer.py	使用 ICE 或 RICE 评分为增长实验确定优先级	python scripts/experiment_prioritizer.py experiments.json --framework ice --demo