增长

母框架是 Lenny 的赛车模型（增长引擎 / 涡轮加速 / 润滑剂 / 燃料）——注意它把病毒传播归为"一次性涡轮加速"而非可持续引擎，这个归类本身就是判断。

更底层的是 Naomi Gleit 的增长会计：净增长 = 新增 − 流失 + 复活。Facebook 早期正是靠这个公式发现"流失和复活的量级远超新增"，才把重心从获客扭向留存。Sean Ellis 的北极星指标选择法给了五条标准和一套团队限时共创流程。

增长视角的 PMF 判断是双轨的：Sean Ellis 测试（"如果不能再用会有多失望"，40% 阈值——但要警惕 switching cost 制造假阳性，webs.com/Eventbrite 就是例子）+ 留存曲线是否走平（Brian Balfour 原话"如果它趋平了……你大概找到了 PMF"）。

两者互为主客观互证。Noah Weiss 补充：PMF 是接力的 S 曲线而非一次性状态，每一段都要重新找。

起点心智是 Andrew Chen 的原子网络：能自我维持的最小网络是"原子"，然后复制粘贴建第二个、第三个——极简启动、锁定微小目标、不择手段获取初始动力。

然后是以创始人为圆心的同心圆策略，越靠内圈越容易执行。这一簇大量是"不可规模化"的手工打法——分批邀请避免同时暴露 bug、亲手服务前几十个用户。别急着自动化。

冷启动侧选择：Benjamin Lauzier 的"先攻更难的一侧"——80-90% 情况是供给侧，另一侧用"拐杖"手段临时满足。但有例外：Roo 兽医市场这类专业型/质量敏感的劳动力市场，必须先备好高质量需求，供给才会被激活。

核心健康指标是 Fill rate（成交率），"市场健康度的终极指标"。而 Dan Hockenmaier 的比喻很妙：SaaS 像建筑工人做线性因果，Marketplace 像园丁摆弄不完全理解的生态系统，一个改动会有两个月后才显现的长尾效应。

选型：PLG 适用 prosumer/SMB，SLG 适用高客单价长实施周期的企业客户，多数 B2B SaaS 会先主后辅、动态叠加。而且这个演化是单向的——产品驱动的公司迟早叠销售，反过来几乎不发生。

漏斗上，Lauryn Isford 的四阶段（Join→Evaluate→Upgrade→Expand）故意不用"onboard/activate"，因为要从用户视角出发。Zapier 用四个 PQL 信号（多人使用/使用增长/用例/角色）决定哪些免费账号值得销售协助。

好的激活指标必须同时满足两条硬标准：高预测性（≥2 倍留存差）+ 高可操作性，且要用实验验证因果而非只看相关。Ben Williams（Snyk）的洞察是瞄准"习惯时刻"而非"顿悟时刻"——用"团队 30 天内修复一个漏洞"而非"首次发现漏洞"。

行为科学这里有个反直觉案例：Laura Schaffer 在 Twilio 注册流程加了 4 个问题，转化率反而 +5%——如果摩擦安抚了用户"寻找坏人"的焦虑心理，它就是好摩擦。"坏摩擦是坏的，好摩擦是好的。"

Andrew Chen 的留存七杠杆按预期影响力排序，最关键的一句话是：真正的杠杆在新用户的前期体验，而不是给已留存客户堆功能。早期公司该聚焦前两条（改进产品、改进 onboarding）。

Jason Cohen 揭了一个数学陷阱：NRR 盲区——NRR>100% 看着安全，但 20% 的 logo 流失需要 25% 的增长才能打平，NRR 掩盖了"流失过快导致剩下的人不够去升级"的根本限制。

本簇的核心是一次"祛魅"：k>1 的真病毒极其罕见且短暂。Dropbox/Facebook/Snapchat/Slack/Instagram 拉长看都相对线性，所谓病毒爆发多是"dark broadcaster"式的一对多广播——Derek Thompson 原话"营销人员极大地高估了口碑的可靠力量"。

Rahul Vohra 补充：病毒机制终将触顶，真正驱动持续增长的是留存复利。所以推荐计划要先有前提（产品本身值得分享），而不是硬造一个转发按钮。

最关键的分类是 Elena Verna 的赚取型 vs 租赁型渠道：SEO/SEM/付费社交是"租赁"——平台给的也能随时收回，AI 重塑搜索后可控性下降；病毒/推荐/UGC/社区是"赚取"——Dropbox 超 50% 获客来自文件分享，是"持续给礼物"的资产。

这背后是 Peter Thiel 的分销框架"分销不行才是失败头号原因"。归因上，Jonathan Becker 提醒：iOS14.5+ 和第三方 cookie 弃用后，归因是一场持续调查，不是一次性项目。

SEO 核心方法反了几个常见迷思：反链非必需、见效约 3 个月、流量是虚荣指标（能转化的流量才是目标）、劣质页面要 noindex。程序化 SEO 靠"长尾关键词 + 独有数据"规模化生成页面。

但要带时间戳读：这些偏 2020 年的乐观判断，和 Elena Verna 2022 年后"AI 重塑搜索、SEO 可控性下降"的判断构成张力——同一渠道在 AI 冲击前后的认知差。内容营销则见效慢，急不得（"内容是一艘超级油轮"）。

Seth Godin 的紫牛：Remarkable = "值得被谈论"，要设计出"用户因谈论你而提升自身地位"的机制（Google 极简首页、Tesla 隐藏门把手）。David Spinks 区分社区和受众："建受众是你帮人，建社区是你帮人去帮人"——Salesforce 83% 的客户问题由其他客户解答。

公关上 Jason Feifer 的三步法很实在：先问"我需要 press 做什么"，研究目标媒体真正的 mission，找真正写你品类的自由撰稿人而非主编——"编辑不在乎你，他们在乎他们的读者"。

Freemium/Trial 是本簇分歧：一派按情境权变选择（自服务转化率 + 客单价），Lauryn Isford 则主张反向试用——默认让所有新用户先进入限时全功能 trial，到期后降级为 freemium 而非流失，"用户增长优先于短期变现"。

定价方法上，Madhavan Ramanujam 的五种 WTP 测试法核心是"直接问用户愿付多少，只会得到垃圾答案"；Patrick Campbell 的价值指标教你找到该按什么维度收费——"按坐席收费是永久授权时代的遗物"。

统计正统派 Ronny Kohavi 立了规矩：Twyman 定律——"好到难以置信的数字通常是错的"，10 次里 9 次异常结果是 bug；OEC（综合评估标准）必须能因果预测 LTV（Amazon 推荐邮件案例：超一半活动实际是负收益）。

但增长实用派不完全买账：Luc Levesque 主张部分改动直接跳过 A/B、用 pre-post + holdout 监控（"有时候你就是知道它会有效"），Laura Schaffer 认为 95% 置信区间是制药/学术标准，对增长团队过于保守。

Elena Verna 有个反直觉结论：增长团队建得越晚越好，部分公司到 100M-200M ARR 才建；前提三条——已有 PMF、有真实数据量、业务含 PLG 组件。而且"业务下滑时招增长负责人必败，充其量只能 lift 10-15%"。

架构上，Adam Fishman 说集中式=速度优先但易把产品变功能工厂，去中心式=文化优先但协调慢，不确定时先去中心式——"结构并非静态，半年后可能就不适用了"。

本域有 200 张 benchmark 基准卡，是全库最多的——留存分级（消费社交、SaaS、企业级各不同）、回收期基准（B2C / B2B SMB / 企业级）、marketplace 密度阈值、各公司规模化数字。

它们已全部经过防幻觉抽验（数字零编造）。用的时候记住一条：基准必须连同"样本 + 公司 + 时间"一起引用，脱水成"行业标准"就危险了。去卡片库按"基准数据"类型筛选即可。