百年巨头 IBM 如何用「增长黑客」重塑自我,超 10 倍增长!

一次实时数据链路丢数排查:从 MQTT 队列积压到 SQL 统计开销 本文通过一次实时数据链路压测,排查了从MQTT到ClickHouse的端到端数据丢失问题。核心方法是为每条消息添加序号,建立独立观察点(MQTT订阅端、Kafka消费者),结合转发服务阶段统计与线程栈分析,定位到下游处理速度不足源于Druid SQL合并统计的高开销。优化措施包括关闭SQL合并、扩容代理队列、增强生产侧失败处理,并验证15分钟内实现全链路对账一致,显著缓解积压与丢包。关键收获:数据可对账、明确各阶段“成功”定义、关注客户端队列状态。 阅读详情

来源:《How IBM accelerated their digital transformation》、《IBM - How a 100-year-old company can still reinvent itself through growth hacking》;由 GrowingIO 编译整理。

IBM,全球最大的信息技术和业务解决方案公司,1911 年成立,距今已经有 109 年历史。

随着科技的发展以及黑天鹅事件的催化,用户的购买方式、产品推向市场的策略等都在发生巨大的变化,传统企业的增长模型可能即将被完全颠覆。

想要生存就必须快速适应,IBM 也不例外。

1,传统企业落地增长黑客的三重挑战

为什么我们会开启增长黑客?因为这种依靠技术和数据的力量所带来的增长,是传统方式无法比拟的。

与初创企业不同的是,对于 IBM 而言,原本就有优秀的产品以及庞大的用户基础,采用增长黑客的目的并不是要完全改变与市场打交道的方式,而是要在原本的基础上探索一条数字化路线,以获得更多用户的青睐。

但要想在一家百年传统企业内部,建立独立的增长团队、并将增长黑客应用于实践,对我们来说,无异于二次创业,挑战如下:

传统的组织结构

对于 IBM 这样的大型企业而言,市场、产品、销售等各个部门都有其独立性。比如市场部门侧重于漏斗顶部的体验,产品部门侧重于产品内部体验。

部门之间缺乏一根纽带,以确保用户生命旅程中各个阶段的无缝衔接。

匮乏的增长思维

增长实践之初,企业内部的守旧派会有不少异议甚至是反对,公司整体比较缺乏数据驱动型思维、实验文化,以及对产品和用户生命旅程更为深刻的理解。

有限的试验范围

如何增长已有的产品,以及如何在避免重大失误的前提下开展实验,是我们所需要面对的。

相比于初创企业一直在变化的产品,可以比较游刃有余的进行实验;IBM 的产品比较成熟、客户基数也比较大,不太方便做一些夸张的实验,影响客户体验。

2,用 50 年前问世的产品,开启增长实验

增长实践之初,我们选择了一款 50 年前问世的产品:SPSS(Statistical Packaging for the Social Sciences,社会科学统计软件包),开启初步的增长实验。

SPSS Statistics 是一款统计软件,旨在通过即时分析,假设检验,地理空间分析和预测分析来解决业务和研究问题,主要面向学生和学者(大多数年龄在 25 岁以下)。

通过用户反馈及数据分析发现,SPSS Statistics 当时主要存在以下问题:

找到难:在实验之初大概 60 个不同的站点,这就意味着在谷歌搜索“SPSS Statistics”,将会被引向 100 万个不同的方向,很多用户就流失在了这一过程中;

试用难:即使找到产品、找到试用版也无异于攀珠峰。即使有足够的耐心去寻试用版,也很有可能面临下载失败;

**付费难:**并不是每个人都想通过与 IBM 销售人员的对话来购买产品或了解版本更新。很多企业都已经转向了订阅模式,对 SPSS Statistics 感兴趣的人也一定需要这种新模式。

因此,我们在实验初期采取了以下措施:

提升搜索能力;
改进试用产品,使其更易于访问和使用;
制定产品订阅模式。

我们唯一没有做的就是改变产品本身。而在短短几个月内,变化的效果十分明显:

通过传统购买流程购买 SPSS Statistics 的人数大幅下降;
订阅用户数增长了 2 倍;
93% 的净新用户都来自订阅。

举个具体的案例:

在 SPSS Statistics 的用户旅程中,用户访问价格页面之后会有购买意向。但是大家一致认为,原有的页面设计不能直接地引导用户进行购买,因为实际的“配置并购买”按钮位于表格外部并且被折叠起来了。

因此,我们进行了测试,在表格上方增加了“试用”和“购买”按钮。

https://uploader.shimo.im/f/9go6JBcUwZxgv6uq.png

通过数据分析工具发现,两个测试点的 CTR(页面点击率)提高了 6% 左右,其中包括“试用”按钮点击次数的净增长。

最终,美国 138 个地区的 SPSS Statistics 产品都采用了“试用”和“购买”按钮,仅用了 30 天,线上自助服务的收入就增长了 8%。

通过减少产品外用户旅程中关键触点的摩擦,我们能够将用户购买产品所需的时间成本减少 70%,这对我们来说是非常大的成就。

3,组建横跨部门的增长团队

在产品外的增长实验初有成效后,我们就能够调用资源,去分析、优化 SPSS Statistics 的整个用户生命旅程:从用户如何找到这款产品、如何注册试用版、到试用/购买体验如何、以及获得技术支持的难易程度等等。

由于涉及到众多领域,就需要一个组织有序的跨职能团队,达成为同一个目标而努力的团队共识。于是,我们开始从以下部门征选合适的人才:

市场部:提供营销策略的相关专业知识;
产品部:制定产品价格和包装策略;
设计部:是用户研究和体验的关键一环;
客户成功部:洞悉用户的需求和建议;
技术部:创造数字化体验的环境及其功能。

我们通过这种跨职能的方法,就可以建立横跨设计、开发、产品、营销和其他各个领域的增长团队,并且复制到 IBM 的各个产品线。

举个具体的案例:

IBM Cloud 的用户通常会在平台上注册、下载、试用,并最终升级为付费用户。

增长团队内的数据科学家发现,在四个月的时间里,数以千计的用户试图在平台上从试用升级为付费,但他们的信用卡交易被拒绝了。

图片: https://uploader.shimo.im/f/eQVPdHxSQcf6L9l6.png

于是,他们对一系列的干扰进行了测试,在交易产品页面出现问题时转给增长团队内的产品;在交易失败时将其转至增长团队内的技术支持,逐步排除故障。

最终,在 24 小时内,解决了这个问题。增长团队的建立大大提升了处理问题的效率。

4,增长团队成功的 5 大关键要素

增长团队的搭建在企业内部是一个漫长且具有挑战的事情,不仅需要从上至下,还需要从下至上。在长时间的实践中,我们总结了增长团队成功的 5 大关键要素:

专注于用户体验:用户至上,这句话其实意味着用户体验就是一切。专注于获得好的用户体验,将在不经意间创造积极的结果。良好的用户体验=满意的客户=更好的业务成果。

始终从数据出发:真正关注数据,当数据显示了事物的变化趋势时,我们会对手头的工作更加明确、更有目的性,因为数据不会说谎。

具备共识性目标:无论是目标是更高的 NPS(净推荐值) 还是更高的转化率,我们都需要团结整个团队来完成任务。一旦确定了目标是什么,就可以将工作细分给各增长团队成员,让他们主动协调资源实现目标。

统一奖励机制:由于每个人都朝着相同的目标努力,因此要对他们使用相同的 KPI 度量标准。对于我们的团队而言,NPS 就是北极星指标。

确保人人出力:由于团队是不同职能部门之间的协作,一些“正向”的分歧不可避免,应该合理考虑每个人的宝贵意见和专业知识。这些深入的讨论有助于我们以不同的方式看待事物、发现机会。但如果出现了僵局,数据将是最有力的裁判。

现在,IBM 拥有一个增长栈,包括数据分析工具、消息传输工具、项目管理工具、A/B 测试工具等。

在 IBM 的增长项目中,每个 Sprint 以两个星期为周期,新的阶段增长目标制定取决于项目的进展和反馈,这也给增长团队成员提供了足够的时间来筹划、执行和反思。

增长团队会在周会上解决问题、报告项目进度、分享经验、排除故障等。此外,IBM 还有一个称为“周一指标”的东西,团队负责人会在各个职能团队之间分享见解。

5,未来的增长

落地增长的路虽艰辛,但也惊喜不断,在践行增长的这一年中,IBM 的采用率正以 10-15 倍的速度增长。

未来,IBM 也将继续结合数字化工具,以方便任何产品、营销、服务人员等都可以轻松、自信、协作地进行数据分析、提出想法。

也将通过搭建增长团队,建立良好的组织间协作关系,促进企业外部和内部的整体增长。

关于GrowingIO

GrowingIO 是基于用户行为数据的增长平台,国内领先的数据运营解决方案供应商。为产品、运营、市场、数据团队及管理者提供客户数据平台、获客分析、产品分析、智能运营等产品和咨询服务,帮助企业在数据化升级的路上,提升数据驱动能力,实现更好的增长。

–如果想要了解更多增长案例,欢迎关注微信公众号 GrowingIO

–如果对我们的产品有兴趣,可以点击此处领取15天免费试用,快速开启增长!

mall 电商项目完整部署---实战 mall 后端 SpringBoot,mall‑admin‑web 后台管理 Vue 前端,mall‑app‑sc 移动端 uni‑app 前端;修改数据库、redis、minio、logstash 地址,容器之间 link 别名:mysql 容器别名。🔔排坑:登录报跨域 / 接口报错,检查 prod.env.js 地址,确认 8080 后端服务正常运行。能打开页面,接口列表展示出来,后端部署完成。,所以打包的时候会自动构建镜像,很慢而且你暂时不需要。,容器数据持久化,删除容器数据不会丢失。 阅读详情

相关推荐

从勒索软件攻击到数据重生:SQL Server MDF文件修复的实战生存指南

本文详细介绍了SQL Server MDF文件在遭遇勒索软件攻击后的修复策略,重点解析了Recovery Toolbox工具链的应用流程。从灾难评估到数据验证,提供分阶段修复操作、高级修复技术及防御加固方案,帮助企业快速恢复数据库并提升安全防护能力。

weixin_28327051的博客 715

亚马逊徐霄鹏: 5000 字深度解析美团八步增长战略

增长战略两大基础:竞争战略、蓝海战略

GrowingIO 基于 BitMap 的海量数据分析 686

ElasticSearch集群搭建

docker安装es集群

weixin_46562226的博客 2026

如何基于 BitMap 来作为底层的数据模型

GrowingIO 基于 BitMap 的海量数据分析

GrowingIO 基于 BitMap 的海量数据分析 943

SAP MM自动化进阶:STO交货单自动创建的配置与优化

本文深入解析了SAP MM模块中实现公司间库存调拨订单(STO)交货单自动创建的完整配置流程与优化策略。通过激活自动交货与绑定发货点两大核心配置,打通自动化链路。重点探讨了如何集成ATP可用性检查以智能处理库存不足等异常场景,确保自动化流程的可靠性与业务贴合度,并提供了进阶监控与问题排查方法,助力企业显著提升供应链效率。

weixin_29206669的博客 124

RRAM/ Near Memory Computing (NMC) Survey - Reading Notes 0707

Reading Notes of Resistive Random Access Memory – Day 2 Chapter 3 RRAM Characterization and Modeling Overview of RRAM Physical Mechanism A general picture for the filamentary switching mechanism. Forming: 对本征RRAM样本,加电压VformingV_{forming}Vforming​,中间氧化层的O

Blog of Lucky H6 992

海量数据解决思路之BitMap

一、概述   本文将讲述Bit-Map算法的相关原理,Bit-Map算法的一些利用场景,例如BitMap解决海量数据寻找重复、判断个别元素是否在海量数据当中等问题.最后说说BitMap的特点已经在各个场景的使用性。二、Bit-Map算法先看看这样的一个场景:给一台普通PC,2G内存,要求处理一个包含40亿个不重复并且没有排过序的无符号的int整数,给出一个整数,问如果快速地判断这个整数是否在文件4...

weixin_34413802的博客 809

HFSS与AI融合:智能算法如何重塑天线设计流程

本文探讨了HFSS与AI融合如何通过智能算法革新天线设计流程。在5G/6G通信时代,AI技术如机器学习和遗传算法显著提升了高频电磁场仿真效率,将传统设计周期从数周缩短至数小时,并优化了天线性能。文章详细介绍了AI与HFSS的集成策略、关键技术突破及典型应用案例,展示了智能算法在天线设计中的巨大潜力。

weixin_29035147的博客 779

企业如何同时管理用电安全、电能质量和节能降碳?从异常溯源看施耐德电气EEO的协同管理价值

通过整合电力运行信息,并结合EEO资产健康模块、EEO电能质量模块与EEO能碳管理模块,企业可以围绕设备、回路和负荷建立更连续的分析流程,使不同专业人员能够基于相互关联的数据开展判断。企业需要进一步核对异常出现的时间、涉及的配电回路、生产负荷变化以及设备运行状态,才能判断问题来自正常的生产调整、设备运行异常,还是需要采取措施的电能质量问题。从关键回路的异常排查入手,逐步完善设备数据、专业分析和治理验证流程,企业可以让用电安全、电能质量与节能降碳从分散的管理任务,转变为相互关联的日常运营工作。

科技,技术,行业类博主 21

恒玄BES调试笔记-BES2500如何打开COMPEXP

打开Compressor and expander会占用资源,这个根据个人项目需求而定吧!打开方法,以及参数修改如下: config\best2300a_ibrt_anc\target.mk SPEECH_RX_COMPEXP ?= 1 apps\audioplayers\bt_sco_chain_cfg_default.c #if defined(SPEECH_RX_COMPEXP) /*****************************************************

leezs的博客 706

手把手教你ensp仿真搭建校园网(含防火墙及无线网络)系列(一)校园网核心交换机配置

本系列博客将带你从零开始,使用 华为 eNSP(Enterprise Network Simulation Platform) 仿真搭建一个完整的校园网络,涵盖 核心层、汇聚层、接入层、防火墙安全策略、无线AC+AP组网 等实战场景。无论你是网络初学者还是希望深化实战经验的工程师,都能通过本教程掌握企业级网络的规划、配置与排错技巧。

echo的博客 3800

Flink 学习日志 03:自定义一个SourceFunction,完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程:通过Jedis客户端连接WSL2中的Redis服务,编写RedisSource实现循环读取所有Key-value并逐条输出,结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖,并注意生产环境中应避免使用阻塞的keys *,改用scan命令。最终实现动态读取、实时打印,验证了Flink与Redis的数据集成能力。

木木的学习笔记 427

Pytorch实现之SRGAN+CBAM的结构设计

在SRGAN的残差连接中加入了CBAM注意力机制,同时设计了四类损失来训练。

LJ1147517021的博客 572

京东 Apache Doris 湖仓查询优化实践:从多引擎统一到百万级查询

京东基于 Apache Doris 构建统一湖仓查询引擎,支撑日均百万级查询与 PB 级数据扫描。深入解析 Presto、StarRocks 迁移、分区裁剪、Split 调度、向量化执行及 AI Agent 混合负载优化实践。

SelectDB 414

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Day3 - Flink 窗口与时间语义:从滚动窗口到迟到数据处理

水位线是一个特殊的时间戳,代表"小于这个时间戳的数据都已经到齐了比如水位线推进到 10:00:05,就告诉 Flink:10:00:05 之前的数据应该都到了,如果还有晚于这个时间到达但时间戳小于 10:00:05 的数据,就是"迟到数据"。窗口大小固定,窗口之间不重叠,数据只属于一个窗口。时间线: 0 10 20 30 40 50 60窗口1: [--------)窗口2: [--------)窗口3: [--------)窗口4: [--------)

YEEMOLY的博客 260

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

智能问诊的流程

本文介绍基于FastAPI构建的医疗多Agent系统MediAgent,通过症状分析、诊断推理与治疗建议等模块协同,实现从问诊到报告生成的完整工作流。系统采用前后端分离架构,结合MySQL、RabbitMQ与Docker实现工程化部署,支持异步化验结果接入。虽当前状态暂存于内存,但已具备可扩展性,未来可通过Redis持久化、消息队列联动及医疗安全机制完善,应用于慢病管理、辅助决策等场景,推动AI在医疗流程中的落地应用。

Joey 的工作空间~ 781

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

行业研究报告采购避坑指南:从需求拆解到机构选型的实操逻辑

先说结论:买行业研究报告这件事,坑不在“哪家便宜”,而在“你拿到的数据能不能回答你的问题”。作为一个经常帮企业做采购决策的顾问,我见过太多花了几万块买回一堆PDF却用不上的案例。这篇文章把采购流程拆成五步,每一步告诉你该看什么、该避什么,尽量帮你少交学费。

2601_96585642的博客 227

大数据与审计专业哪些证书企业比较认可?

大数据与审计专业选证书,首先要明确就业方向:是进入会计师事务所做财务审计,还是进入企业从事内部审计、风险控制,或向数据审计、信息系统审计发展。不同岗位看重的专业能力不同,证书的价值也应放在具体招聘要求中判断。面向2027年的求职与备考规划,值得重点考虑的有六类:初级会计专业技术资格、注册会计师、审计专业技术资格、CDA数据分析师、国际注册内部审计师和国际注册信息系统审计师。选择时,宜采用“财审基础+数据能力+岗位专长”的组合,而不是单纯追求持证数量。

YangYang9YangYan的博客 300

深入浅出聊聊 Linux 的 PageCache 与系统极致性能

本文深入浅出解析了 Linux PageCache 的核心机制,揭示其如何通过“延迟写、预读读”提升系统性能。以监控告警为切入点,阐明 free -h 中 buff/cache 并非真正占用,真正可用内存由 available 决定。结合 Kafka、Elasticsearch、MySQL 等实战场景,说明中间件如何依赖 PageCache 实现极致性能。强调不可手动清理缓存,并建议合理调优脏页参数,避免卡顿。最终指出:内存满≠危机,而是系统高效运行的体现。

小小默:进无止境 487

数据科学与大数据技术大一到大三考证顺序怎么排?

数据科学与大数据技术专业的考证安排,适合跟着课程和求职方向走,而不是跟着证书数量走。大一还在学高等数学、程序设计,大二逐步接触概率统计、数据库,大三开始进入机器学习、大数据平台和专业实习。证书与这些课程衔接起来,备考才容易转化为实际能力。下文推荐6项证书,其中既有基础性考试,也有职业方向认证,不需要全部考完。安排考证顺序的关键,是让每次备考都留下两项成果:一张能够说明学习经历的证书,以及一份能够展示实际能力的作品。

2501_93367079的博客 56

CentOS7-Elasticsearch8.15.3-Kibana8.15.3-安装部署笔记

Token 有效期只有 30 分钟,请保存好输出的 base64 字符串并尽快完成 Kibana 对接;本文整理自单机离线部署实践,适用于 CentOS 7 + Elasticsearch/Kibana 8.15.3 场景。只对新登录的会话生效,修改后需重新连接 SSH。结尾,其中包含 elastic 用户初始密码、HTTP 层证书等信息。等字段的集群 JSON 信息,即说明账号、HTTPS、证书均正常。安装成功后,终端会打印安全自动配置结果,以。按交互提示输入两次自定义密码。,保存后重启服务器生效。

遇见bug的博客 169

ubuntu安装hadoop系统

本文详细介绍了基于VMware克隆虚拟机搭建三节点Hadoop分布式集群的全过程:使用同一Ubuntu镜像克隆出master、worker1、worker2三台虚拟机,依次配置主机名、固定IP(如192.168.82.10/11/12)、SSH服务及免密登录,确保节点间网络互通。随后安装Java,下载配置Hadoop并分发至各节点,最终初始化启动集群,验证其存储与计算功能,实现高效的大数据环境部署。

qq_43592674的博客 348

Day2 - Flink DataStream API 与转换算子:从 Source 到 Sink

实现或@Override// 发射数据@Override// 使用用自定义逻辑聚合,比 sum/min/max 更灵活。// 求每个用户的总消费金额reduce 的输入和输出类型必须相同。Flink 会把满足条件的相邻算子合并成一个 Task,在同一个线程里执行,减少线程切换和网络开销。合并条件上下游并行度相同;分区策略是 Forward;没有被用户手动断开。

YEEMOLY的博客 167

数据科学与大数据技术专业有哪些比较好考的证书?

如果目前还没有明确方向,建议先完成Python与SQL基础学习,再选择一张与目标岗位最接近的证书。不要为了增加简历条目,在同一阶段同时准备多个不同技术方向。以数据分析方向为例,可以参考2025版CDA证书大纲安排基础学习:先掌握业务数据结构、数据库应用和统计分析,再进入指标体系、看板和用户分析。具备一定项目经验后,再学习二级涉及的统计检验、模型评估及数据治理。2025版教材介绍强调了思维、技术和实践的结合,适合用于组织学习;2027年的具体考试范围、报名条件和安排,则应依据届时发布的信息制定计划。

YangYang9YangYan的博客 334

如何在用户认证系统中使用 ElasticSearch 提升

本文介绍了如何在一个典型的企业级应用——用户认证与权限管理系统内引入并运用 ElasticSearch 技术来提高查找效率并降低数据库负载压力。读者可以通过了解其基础架构原理、正确配置方式以及典型应用场景从而掌握该工具的基本用法。如果你正在寻找一种更灵活高效的检索方案用于自己的项目当中,请考虑从以下几个方面入手实践: 1. 确认是否有必要引入新的全文搜索引擎;2. 设计好适用于该项目的数据模型以及索引规则;3. 持续优化你的 DSL 查询语句并监控运行状态;

wuchangjian的专栏 183

Flink SQL 窗口表值函数实战:滚动、滑动、累计与会话窗口

在 Flink SQL 中,流数据是无限的,要统计“最近一段时间”的数据,就必须把无界流切分成一个个有界窗口。Flink 1.13 之后引入了窗口表值函数(Window TVF),把窗口本身当作一张表来使用,通过TABLE(...)语法把原表转换成带窗口信息的表,再配合GROUP BY完成聚合。相比早期的语义统一:窗口是一张表,可以像普通表一样查询、过滤、关联。结果可读:窗口表会自动带上window_end三个字段,方便直接输出。性能更好:底层基于窗口聚合算子优化,支持切片共享等机制。

2401_83857914的博客 369
上一篇: 如何基于 BitMap 来作为底层的数据模型
下一篇: 如何构建标签和画像体系,助力零售企业数据化转型
GrowingIO_
博客等级 码龄8年 56粉丝 61原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值