以下是执行该模型的具体步骤：
确立“北极星指标”
“北极星指标”是增长的唯一目的，是可量化的。
它像一颗北极星一样，指引着产品迭代更新的方向，帮助你集中有限的资源进行“爆破”，提升产品价值。尤其是在中后期产品规模扩大，沟通效率降低的情况下，一个有效的“北极星指标”有利于大型团队的目标管理，提升整体行动力。
不同的产品类型，在不同的产品阶段，其“北极星指标”都不一样，需要根据产品实际情况进行确定。
“北极星指标”必须是紧扣业务实际与产品定位的。
接下来看两个实际例子：
-
对于问答平台“知乎”来说，其“北极星指标”一般是“有多少问题被回答了”。因为这个指标能直接反应出平台的用户活跃程度，即是否有越来越多的人喜欢在该平台上不仅提问，而且回答。同时，该指标也紧扣了问答平台对“问”和“答”两大核心数据要求。
-
对于打车平台“滴滴”来说，其“北极星指标”一般是“乘车人的平均候车时长”。或许在产品创建初期，其指标会是“打车订单数”之类，但在打车市场已经无限繁荣且接近饱和的今天，“乘车人的平均候车时长”这一指标更加能反映出地区内乘客与司机密度，以及派单算法的智能程度。
但也请注意，“北极星指标”不一定是一成不变的，它可能在业务的不同发展阶段而产生变化。
警惕“虚荣指标”
并非所有指标都适合用来当做“北极星指标”。有些指标会给人一种看起来非常NB的感觉，但实际上没什么L用。
沉浸在“虚荣指标”的“繁荣”中是非常危险的，因为一个错误的指标，也将指引团队前往错误的方向，最终导致崩盘。
常见的“虚荣指标”包括点击量、页面浏览量（PV）、独立访客数（UV）、粉丝/好友/点赞数、网站停留时长/浏览页面数、注册量等。这些指标极其容易给人造成“繁荣”景象，从而对产品现状产生误判，更有甚者，还会造成企业资源消耗，团队混乱等结果。
同时，“虚荣指标”还有一个特征：就是容易被炮制。即通过一些手段，很容易达到。
举个栗子：某房产中介APP，以“提升注册用户数”为目标，将该目标分摊给了销售团队，让房产销售每人每月必须至少完成一定数量的注册用户拉新任务。这是一个非常典型的“虚荣指标”，原因在于：
-
该指标与“北极星指标”没有紧密的相关性。更多的注册用户数并不代表着能带来更多的房产交易。
-
它非常容易被炮制。例如，房产销售人员为了按时按量完成该任务，完全可以通过注册机或淘宝购买假号码注册等方式达成目标。平台方为了解决该问题，甚至需要额外付出大量资源去打假。
-
它消耗了大量资源，且分散了团队的精力。
寻找相关性因素
接下来需要寻找与“北极星指标”紧密相关的因素：即这些因素的涨跌将直接影响“北极星指标”的涨跌。
可以尝试通过以下方法寻找这些因素：
1. 业务理解
基于自身对业务的理解，可以寻找到这些因素。
例如，一家小吃店的销售额，一般与店铺位置、小吃的定价、小吃的味道等因素有直接关系，这是凭借着对线下饮食行业的基本理解就能得出来的相关性因素。
用户访谈
可以通过对用户进行针对性访谈，挖掘相关性因素。
在选择访谈对象时可以重点考虑这两类人群：
-
LTV高的客户。因为他们在你的业务上支付了最多的钱，他们是享受你们业务服务最多的人，他们提供的意见当中，一般会包含高相关性因素。
-
LTV低的客户。因为他们是抛弃你们的人，可能是一开始抛弃，也可能是使用一段时间后抛弃。你需要去了解他们弃用产品的原因，这里面也会包含重要的相关性因素信息。
选择较为“极端”的人群进行调研，更加容易得到清晰的结果。
数据分析
运用数据分析的方法挖掘相关性因素，需要先对数据的三个分类有清晰的认知：
1）用户数据
表示了用户属性的数据指标，如人口统计学属性（性别、地区、教育程度、口味……）、访问来源等，这类指标能够反映出用户本身的特征。
例如，你从事的是奶茶业务，业务范围覆盖全国，那么在进行用户群体相关的口味调研业务分析时，需要基于用户所属地区分开考量。因为不同地区的用户，其嗜甜度不同（江浙沪地区的人可能更加喜欢甜）。
2）行为数据
表示了用户在产品中的各类行为的数据指标，如页面访问、元素点击、停留时长等。用户行为本身代表了用户对信息的期望，我们可以非常轻易地利用用户行为数据，推断出用户的实际需求。
用户行为数据一般在优化业务流程或产品体验时格外有用。
例如，当你观察到APP某页面上某个信息区块，用户的点击量特别大、且停留时间较长，这证明了用户对这部分信息的感兴趣程度较高。在后续的产品迭代中，则可以考虑有限优化这部分，方法可以有很多。例如在交互层面加重这块的设计，或在业务层面着重优化这块的信息数量或质量等。
3）业务数据
表示了产品业务结果的数据指标，如订单量、GMV等。
我们可以基于业务理解和用户访谈的结果，选择可能与“北极星指标”为高相关性的数据指标。例如，若“北极星指标”为“订单转化率”，则行为数据“7天内商品详情页访问量”可能与其具有高相关性。
构建增长模型
增长模型其实就是一道由相关性因素组成的公式：
北极星指标=A×B×C
其中的A、B、C就是上述步骤中寻找到的相关性因素。
以上文中“订单转化率”为例，他在用户行为层面的增长模型可能是：
订单转化率=首页访问量×搜索执行量×详情页访问量×订单按钮点击量×……
请注意。上述公式仅仅只是在用户行为层面的公式。如果考虑用户属性或业务数据层面，可能会有不一样的结果，例如若你的业务是销售潮牌球鞋的，那么用户属性上可能需要考虑：
订单转化率=男性用户占比×15至35岁用户占比×……
在业务数据层面可能需要考虑：
订单转化率=受欢迎的球鞋品牌数×最新款库存量×……
我们也可以在顶层设计阶段，为公司整体业务框架设定增长模型，以电商巨头“亚马逊”为例：
亚马逊增长=垂类拓展×单个垂类商品库存×单个商品页面PV×购买转化率×客单价×复购行为
1. 向下拆分
每一个相关性因素，都可以继续向下拆分：
A=A1×A2
例如，以上文的“订单转化率”为例，其中的“搜索执行量”可以进一步被拆分为：
搜索执行量=关键字输入行为×(实时推荐结果点击量+模糊搜索执行量)×……
方法上，依然可以使用上文提到的三个寻找相关性因素的方法。
请遵循“MECE”原则，尽可能地将指标拆分到足够细致的程度，有利于团队任务的分配以及目标的整体实现。
2. 数据分析
模型构建完毕后，遵循“数据驱动”原则，基于数据分析的结果，来指导后续产品策略的制定。
一般有以下常用的数据方法：
1）走势分析
某指标基于某维度的变化情况。比较典型的场景是，观察某些指标因素随着时间维度的变化趋势。
需要额外注意异常（骤增、骤降、波动）情况，并挖掘发生异常那段时间发生的事情（产品更新、技术优化、市场变动……）与该异常之间的相关性。
例如，若你观察到“每周五晚上订单量出现高峰”这一规律，则可以考虑针对该时间段进行唤醒和促销活动。
2）分布分析
某指标在其不同属性上的分布情况。
例如，你可以通过分析已售商品的购买者在“年龄”属性上的分布，了解到平台的多数客户的年龄分布。接着，可以继续观察年龄分布量最大的这部分客户，在“商品分类”属性上的分布情况，了解到他们最喜欢购买哪些类型的商品。
这部分数据能够同时对备货订货策略及营销推广策略产生直接的指导价值。
3）漏斗分析
主要用于分析流程的转化效果，从而可以很轻易地推断出该流程最大的损失（卡点）在什么环节，并进行针对性优化。
以海盗模型（AARRR）为例：如果从获客（Acquisition）转化到激活（Activation）阶段的转化率有了明显下降，则可以考虑是否获客质量出现了问题，从而调整获客策略。
4）寻找关键数字
寻找某指标与核心指标有最高相关性的关键属性。寻找关键数字时，以上文中提到的“订单转化率”和“7天内商品详情页访问量”为例：
-
获取数据分布。将“7天内商品详情页访问量”的分布情况做倒序排列，得出分布面较广的行为，例如，访问量为10次和20次的排名前两位。
-
下挖其属性，并进行对比分析。继续上例，我们可以将“7天内商品详情页访问量为10次”和“7天内商品详情页访问量为20次”的这部分用户捞出，并计算出这两部分用户分别的“订单转化率”数据，谁是最高的。
-
可以重复进行2和3步骤，以找出“北极星指标”表现最好的行为数据，例如，结果是“7天内商品详情页访问量20次”的用户，“订单转化率”最高。
策略制定
基于数据分析结果，我们可以很清晰地制定出产品策略方案。
继续以上文为例，当我们得知了“7天内商品详情页访问量20次”的用户，“订单转化率”最高，那么接下来的问题就是：如何尽可能多地让更多地用户在7天内访问商品详情页20次？
说白了，就是找到了核心行为，并寻找无核心行为的用户执行核心行为的方法，并达到关键数字。
一般的流程为：
首先，进行头脑风暴。
团队成员各抒己见，提出各类认为可能可行的想法（Ideas），并最终组织为一个清单（Backlog）。
然后，快速实验，并扬弃。
由产品经理或增长负责人，基于清单内容，制定优先级，并按优先级，将这些想法落地到产品内。
在进行实验时，需要严格控制实验范围（如：限定参与实验的用户群），以获得最佳的实验结果。比较好用的实验方式有AB测试。
例如，你的实验内容为“调整订单按钮的文案”并观察该方法是否能提升按钮点击率。在控制试验范围时，尽可能只让一小部分用户群参与（确保不会影响产品整体），并且尽可能选择在该按钮点击上表现不佳的人群参与，以确保能够得到清晰的实验结果。
实验结果，则是需要对该想法进行证明或证伪。
如果该想法确实对关键数字有帮助，则将其保留，否则弃用，立马进行下一个实验。
为了加快速率，可以考虑基于团队资源分配效率，进行多实验并行。
