姚从磊作者

巧用 AARRR 模型,吸引优秀技术人才(一)

你好,我是百炼智能联合创始人兼CTO姚从磊,我于2008年从北京大学网络实验室博士毕业,先后经历过大型外企、大型互联网公司和不同规模不同阶段的创业公司,并于2018年5月创办百炼智能。

这十年间,作为技术线和业务线负责人,先后面试过的技术人员超过两千人,读过的简历更是数以万计。在这个过程中,经常会为吸引到顶尖的技术人才而感到欣喜,更为错过优秀的技术人才而感到惋惜。

欣喜和惋惜之余,逐渐发现吸引优秀技术人才这件事儿,跟研发运营一款成功的产品有着相通之处;并且,产品研发运营过程中的成熟方法论,可以直接拿来提升吸引优秀技术人才的成功率,AARRR 模型就是其中之一。

何为 AARRR 模型?

AARRR 模型(图1)是一个经典的用户生命周期分析模型,在互联网产品研发运营中被频繁使用。在这个模型中,一个产品的用户生命周期分为五个阶段:

1. Acquisition - 获取用户阶段,通过各种免费和付费的方式获取大量用户;

2. Activation - 产品互动阶段,在用户初次体验产品的时候,最大程度让用户感受产品的核心价值,并尽可能将其吸引回来重复使用;

3. Retention - 用户留存阶段,用户被产品功能吸引,频繁使用产品;

4. Revenue - 获取收入阶段,利用广告、收费等模式,将用户流量转化为商业收入;

5. Referral - 口碑传播阶段,用户认为产品足够好,主动向周围的人介绍。

图1 产品研发运营的 AARRR 模型

AARRR 模型也是一个漏斗转化模型,可以用来验证产品的价值,并指导产品的研发和运营行为。


从产品的角度来看,如果每个阶段的表现都很好,就可以形成理想的产品闭环:

  • 因为有很好的用户获取能力,就会有源源不断的新用户来尝试产品;

  • 因为有很好的产品体验,新用户在尝试过程中更容易被产品核心功能吸引;

  • 因为有很高的留存率,新用户会频繁使用产品核心功能,快速转化为忠实用户;

  • 因为有很强的获取收入能力,就可以在不影响用户体验的前提下获取足够多的收入,进一步投入产品研发、采购更多新用户;

  • 因为有很好的口碑传播,用户一传十十传百,就能免费获得更多的高质量新用户;

  • 因为有能力采购更多新用户、获取更多免费的高质量新用户,用户获取能力就变得更强,最终形成闭环。

AARRR 模型只是一个普适性的分析模型,它可以帮助优化产品体验和运营策略,但无法决定产品成败;一个产品的成败,还取决于一个关键问题:产品解决了哪群人的哪个痛点?这个关键问题不能解决好,AARRR 就全无用武之地。

AARRR 模型 VS. 吸引优秀技术人才

一提到吸引优秀技术人才,大都会第一时间想到「招聘」。但真正的吸引,远不止于把人才招聘进来。在吸引优秀技术人才加盟后,更重要的是让每位人才在公司充分实现价值,高度认同公司,并源源不断地介绍自己的亲朋好友加盟,这样才会形成吸引优秀人才的「闭环」。

这个闭环,同前面提到的产品闭环、用户体验闭环完全相同。借鉴产品研发和运营的 AARRR 模型,我们可以得到吸引优秀技术人才的 AARRR 模型,如图2所示。

图2 吸引优秀技术人才的 AARRR 模型

这个模型同样分为五个阶段:


1. Acquisition - 触达人才阶段,通过各种渠道触达尽可能多的优秀技术人才;

2. Activation - 面试入职阶段,打造一流的面试入职体验,促成优秀人才顺利面试入职;

3. Retention - 人才留存阶段,为人才提供足够良好的工作和学习环境,提高人才对公司的认同感;

4. Revenue - 实现价值阶段,人才在公司充分实现自我价值,并为公司发展贡献力量;

5. Referral - 内部推荐阶段,人才对公司高度认同,主动推荐亲朋好友加入,一起奋斗。

同样,这个模型可以奏效的前提是,必须弄清楚两个关键问题:

1. 公司需要什么样的优秀技术人才(目标用户画像);

2. 这些优秀技术人才需要什么(目标用户痛点)。

接下来,我们会首先解决「目标用户画像」和「目标用户痛点」两个问题,之后集中讨论 AARRR 五阶段中的关键策略,最后是简短的总结和建议。

目标用户画像 - 何为优秀的技术人才?

宁要一位优秀的技术人才,也不要100位平庸的工程师。一位优秀技术人才的贡献,要超过至少100位平庸的工程师。

虽然不同阶段的公司对优秀技术人才的定义有所差别,但还是有着诸多共性。

首先,「聪明和好奇心」会是一个基本特征。聪明意味着学习能力强,成长速度快,可以同公司一起成长,将不可能变为可能。好奇心意味着探索精神强,对未知事物有强烈的求知欲,对新技术有浓厚兴趣。聪明和好奇心往往是联系在一起的,只有聪明但没有好奇心,则只是在自己熟悉的领域里原地打转,虽然看起来更专注,但由于好奇心的缺失,事实上很难越钻越深;只是有好奇心但不够聪明,则只是对大多数技术领域略懂皮毛,夸夸其谈可以,深入解决问题就不灵了。

第二,「实战能力」会是重中之重。过去的面试中,我经常遇到聪明且好奇心强的人,开始聊的时候会非常开心。一旦抛出一个实际的问题,不少人会很快提出一个大体方案,但当尝试细化到可执行层面时,往往就不太顺利了。尤其是在自然语言处理领域,如果不是标准化的问题(给定输入输出,给定训练集、测试集和评价标准),而是一个开放性的来源于实际研发中的问题,十有八九会不太顺利。这些情况,大都是缺乏实战能力造成的,虽然思路不错,但还是浮于表面,离具体落地尚有一段距离。当然,一部分这样的候选人,可以作为较初级的技术人才培养。但是,如果在聊及过往主要参加的项目时,候选人对具体细节和例外情况的处理也是含糊不清的话,那就建议敬而远之了。

第三,「一技之长」会是非常关键的因素。当然,这一点主要针对有一定工作经验(工作两年以上)的人,但如果经验尚浅也具备一技之长的话,那就更好了。所谓一技之长,指的是在一个技术领域有一定的技术深度和积累。技术领域无所谓大(比如图数据库)小(比如中文分词),关键是要对领域内的主流技术方案有全面的理解,有独特的分析视角,更有第一线解决实际问题的实战经验和积淀。具备「一技之长」的人,是对自己职业生涯有着详细规划和强执行力的人,是非常优秀的技术人才。

共性的最后一点,我认为是「无边界」的特质。没有一个人是可以脱离团队而独自达成高难度目标的,攀登珠峰如此,研发运营产品更是如此。在团队合作中,如果成员可以做到「无边界」,乐于承担更多,乐于帮助团队内外的同事,为了共同的目标而不计小节,这样的团队往往无往不利,团队中人才的成长速度也往往超出预期。「无边界」的技术人才,是大多数公司都异常需要的,但往往可遇不可求,一旦遇见,就一定要拼尽全力去打动、去吸引,因为他们的辐射作用会使得周边的技术人才变得更加优秀。

谈完共性,再聊聊差异。公司在发展的不同阶段,对优秀技术人才的定义也会有所不同。对于类似百炼智能这样的初创公司来讲,除了以上提到的这些共性的点,还对人才的「野心」和「乐观」非常关注,有了足够强的「野心」,会相信自己和团队可以一起创造不可能;有了足够强的「乐观」精神,则会更容易克服从0到1过程中的各种困难,在坎坷时不但不气馁,反倒会觉得坎坷之后就是胜利。对于从1到10的快速发展期的公司来讲,就会对人才的「快速学习能力」更为看重,因为公司业务的快速发展会产生大量的空缺,需要每个人及时的补位,需要人才在极短时间内快速大量地学习。而对于稳定期的公司来讲,则会对人才是否「耐得住寂寞」较为看中,毕竟稳定期的业务,在大量重复性工作的同时,需要能够深入发掘钻研,发现更大的机会,而这个过程会需要极大的耐心和稳定性,所以「耐得住寂寞」会是一个需要的特质。

下篇预告

在讲清楚 AARRR 模型同吸引优秀技术人才的关系,并讨论完「目标用户画像」这个关键问题后,我们会在下一篇详细分析目标用户的痛点,尝试讨论清楚优秀的技术人才需要什么这一关键问题。

最后给你留一个思考题:为什么宁要一位优秀的技术人才,也不要100位平庸的工程师?

作者简介

姚从磊,百炼智能联合创始人兼CTO,致力于利用深度自然语言处理技术,将无结构的公开互联网信息结构化,构建以商业机构和商业人物为核心的知识图谱,服务于各种商业场景。2008年博士毕业于北京大学计算机系“天网”实验室,师从李晓明教授。毕业后,先后在惠普中国研究院、腾讯负责文本挖掘和搜索引擎相关技术和产品研发。2012年加入豌豆荚先后负责技术团队和搜索、营收等业务,主导建设的技术团队成为当时国内最有吸引力和竞争力的团队。2016年加入Kika任CTO,负责AI技术团队打造、输入法AI引擎、语音识别等业务,大幅提升 Kika 的技术实力。

百炼智能
百炼智能

百炼智能是一家提供知识引擎服务的人工智能公司,旨在应用AI技术,把互联网上非结构化的信息,再组织成结构化的知识,提高人们获取知识的效率,并从中受益。

http://bailian.ai/
专栏二维码
产业工程师招聘
4
相关数据
规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

文本挖掘技术

文本挖掘有时也被称为文字探勘、文本数据挖掘等,大致相当于文字分析,一般指文本处理过程中产生高质量的信息。高质量的信息通常通过分类和预测来产生,如模式识别。文本挖掘通常涉及输入文本的处理过程,产生结构化数据,并最终评价和解释输出。'高品质'的文本挖掘通常是指某种组合的相关性,新颖性和趣味性。

暂无评论
暂无评论~