这是我几个月前想写的一篇文章，但一方面去年事情太多，抽不出时间。另一方面，我心里总有一种“完美文章”执念，所以没写。
这是一个常见的思维陷阱。为了得到10或100，我们往往不敢迈出第一步，但实际上0和1是有本质区别的。
因此，这仍然是一篇粗略的文章，但与其零分，不如有一部分成品缺失。
01 保险也需要增加黑客
AARRR(客户获取-激活-留存-付费-病毒传播)是互联网产品中众所周知的用户增长模式。
互联网保险也探索了这种模式的应用。最大的势头是15年的和平“医、食、住、行、玩”需求的“四市两云一门”战略。
如今，平安方浩、平安车浩、平安车浩等战略的重要应用已经停止。
通过实证研究证明，建电影院卖爆米花的做法是行不通的。
但在第一个月，1元的保险模式将保险产品变成了类似互联网产品的模式。第一个月，1元的低门槛“获客-激活”大量低门槛用户加入了这个角色。如何处理后续用户的保留和回购已成为主要互联网保险玩家必须关注的问题。
此时，黑客递增理论在保险领域找到了最佳用途。
02 假设
我在文章《如何做好用户增长的假设》中分享了这一点。
去年，在解决一个重要渠道的客户保留问题时，我首先明确了第一个月1元的产品1.0版本边界：即改进M2(购买后当月)续保率(扣款成功率)。
用户流失有两种类型：
在没有任何实质性分析的情况下，我提出了第一个假设：损失节点的分布应符合二八原理。
因此，数据学生进行了分析，发现平仓扣除和退保占购买当天用户流失的80%以上。
同时，我提出了第二个假设：要么是单一的，要么是销售前后的认知严重不一致。
和渠道BD沟通，首先排除计费的可能。
然后在整个过程中体验了渠道的产品销售流程，发现下个月的销售页面应付保费相对较弱，支付成功页面明确告知用户下个月应付保费。
然后我提出了第三个假设:在购买之前，流失的用户以为保险是每个月1元，但是购买之后，他们看到下个月实际应付的保费比第一个月高很多，于是马上流失。
假设我们在支付成功页面上与渠道协商删除下个月的保费，并制定了一系列合作策略。
实验结果表明，M2用户的流失减少了50%。
03 复利效应
“增长黑客”理论上有一个基本的说法，任何策略都必须同时具有积极和消极的效果。
好的策略应该是积极的效果>负面效果。
1.01的365次方=37.78
0.99的365次方=0.02
它揭示了正确策略和错误策略之间的巨大差距。
在传统的保险销售中，有一个有效的策略，即保险销售后第二天的电话回访，可以让用户在热铁时感到温暖，帮助后续的保留和回购。
因此，该策略应用于第一个月保留1元保险。
起初，该策略没有设计实验组和控制组。在抽样了一些电话回访的录音后，我惊讶地发现许多用户没有意识到他们购买了什么产品，因为交付模式下的冲动消费已经成为“质疑——情绪崩溃”的导火索。
重新设计实验组(回呼)和对照组(不回呼)的实验后，可以清楚地发现，对照组运行两周后下个月的保留率远高于实验组。
与此同时，另一个部门的学生仍然不知疲倦地使用这种策略…
双方之间的差距可想而知。
04 实验设计
流失用户的召回已被人工使用AI实验结果表明，召回实验是积极的。
于是提出了给予额外利益的强化回忆策略，但操作者只是漫不经心地设计了给予A利益和给予B利益实验组没有设计对照组，没有任何利益。
当我发现这个问题时，策略即将上线；当时我质疑，如果不设立对照组，在极端情况下给予权益的实验组可能比以前不给予任何权益的策略效果更差。
墨菲效应，果然，最终数据显示，两个实验组的数据表现都比过去不送人差。
A/B测试，记住要验证的变量是什么，控制变量，做好实验设计，这是最基本要的内容。
05 大于相关结果。
第三，关于上述用户召回流失工和AI召回实验表明，AI召回效率高于人工。看到这个意想不到的结果后，我建议操作相应的学生听电话录音，找出因果关系。
学生目前还没有立即采取行动，赠与权益实验的数据也显示AI性能优于人工。
这一次，他听了建议，听了录音，案子突然破了。
由于召回效率低，代理商获得的利益有限，人工代理商拨号时热情不高，无法与标准级相比AI的效果。
用优座拨流失召回的策略呢？
如果你不知道相关背后的因果关系，你可能会得出错误的结论。
其实这是很多迷信AB只注重相关性，不深究因果关系的批评点。
我听过一个故事。某国今日头条通过实验发现，用户使用紫色视觉色系会更好，但这其中有什么因果关系呢?没人知道，没人深究。