Startups är svåra. Bebisar är svåra. Vad händer när du har båda under A16Z Speedrun? En härlig berättelse om Philipp på NEXXA. Grattis!!

BRAINDUMP PÅ VIRALA LOOPAR #1 Den gyllene eran av Web 2.0 (~2005-2010) var en speciell tid för virala produkter, som systematiskt konstruerades för att nå miljontals människor. På den tiden byggde människor de första versionerna av saker som vi tar för givet: Sociala nätverk, användargenererade plattformar, samarbetsprodukter på arbetsplatsen, meddelandeappar osv. Under denna tid utvecklade branschen en omfattande och systematisk förståelse för att skapa virala loopar. Det var mätningar, A/B-tester och ekvationer som behövde uppfyllas. Produkter optimerade och optimerade, teknisk viralitet. Och några av de mest framgångsrika av dessa produkter växte så småningom till miljarder användare och blev igenkännbara namn. Sen helt plötsligt tog det slut. Och lustigt nog blev de människor som var framgångsrika i att skapa virala produkter alla miljardärer, eller om de inte skapade framgångsrika företag blev många FAANG-chefer eller VC-investerare. Så småningom gick all kunskap om att bygga viralitet i princip förlorad. Detta hände när Web 2.0 slutade och den mobila eran började. Jag tänkte att det kunde vara trevligt att skriva ner en fullständig hjärndump av allt som jag lärde mig om virala loopar under den här perioden, eftersom det fortsätter att vara relevant, även om mekaniken och taktiken runt det fortsätter att skifta och förändras. Men den övergripande teorin är fortfarande densamma, och jag tror att den kan utvidgas till framtida teknikplattformar och marknadsföringskanaler. Den har också en hög grad av tillämplighet på den här erans produktledda tillväxt, alla delningsflöden av gen-AI-appar och hänvisningsprogram som fortfarande finns inom varje marknadsplats/e-handelsprodukt. Med dessa anteckningar planerar jag att täcka en massa olika idéer och ämnen: - Enkla virala loopar som fungerar, men som sedan snabbt sönderfaller. - Virusfaktor och hur man beräknar den. - Hur man faktiskt bryter ner en viral loop steg för steg och optimerar - Vad ökar den virala faktorn, och vad minskar den? - Hur man förbättrar virusfaktorn - Fallstudier som innehållsdelning, inbjudningsflöden, hänvisningsslingor, samarbetsslingor osv. - Hur retention driver viral tillväxt. - Hur införlivar du retention i din beräkning av virala faktorer? - Varför nya användare bjuder in fler personer än befintliga. - Hur man ska tänka kring mun-till-mun kontra konstruerad viralitet. - Hur man ska tänka kring betald marknadsföring, SEO, sociala medier och andra kanalers effekter på viral faktor. - Varför mobilen så småningom dödade de klassiska virala looparna. - Vilka typer av virala loopar fungerar i modern tid - ... och mycket mer Har du funderingar och frågor så ställ gärna frågan. Förhoppningsvis kommer jag så småningom att förvandla detta till en stor PDF eller något som folk kan läsa om de är intresserade. Eller kanske en kortlek om vi har någon form av lång text till PowerPoint deck gen AI-verktyg en dag som faktiskt är bra :) VIRAL TILLVÄXT SOM EN EKVATION Vanligtvis när de flesta pratar om viral tillväxt menar de något dumt (och icke-hållbart), som att twittra en riktigt cool video som sedan delas en massa gånger och driver trafik till din produkt. Det är inte det jag pratar om. Istället är den virala slingan jag pratar om utformad till en produkt, med inbjudningsfunktioner, taggning, hänvisningslänkar och så vidare. Dessa typer av virala loopar har intressanta egenskaper: - Det är mätbart och kan spåras - Den kan förbättras med produktbeslut - Matematiken gäller för alla former av produktdriven viralitet (inbjudningar, delat innehåll, hänvisningsprogram, etc.) Det första är att försöka mäta den virala faktorn. Den virala faktorn är ett enkelt förhållande -- det vanliga tankeexperimentet är att om du tar med 100 användare i din produkt, och dessa användare bjuder in och så småningom registrerar 150 användare, så kommer de att registrera 225 användare och så vidare. Detta är ett viralt inbjudningsflöde, och din virala faktor i det här fallet skulle vara 1,5 (sällan sett i den verkliga världen). Å andra sidan, om dina 100 användare registrerar 50 av sina vänner, som sedan registrerar 25, är din virala faktor 0,5. När det är <1 slutar din virala loop så småningom att fungera. Mycket exakt är den virala faktorn ett RATIO. Nämnaren är # användare inom en tidsbunden kohort (som alla som registrerade sig från X datum till Y datum), och täljaren är hur många användare de så småningom registrerade via virala loopar från den kohorten. Låt oss använda ett exempel för att göra det konkret. FALLSTUDIE: INNEHÅLLSDELNING En mycket vanlig form av viral loop har en app som låter en användare skapa något riktigt coolt (kanske är det med AI eller fotofilter eller annat). När användaren har skapat något vill de dela det, så naturligtvis finns det en länk. Vissa nya användare får den här länken, ser innehållet, och några mindre % av dessa personer registrerar sig för att skapa sitt eget innehåll. I grund och botten är detta vad de nya generativa video- och fotoapparna gör (som Sora). Men det här är också samma virala loop som gjorde Instagram framgångsrikt med fotofilter eller det som också har gjort bloggandet populärt. När du skapar någon typ av innehåll vill du naturligtvis dela det med andra, men dessa personer kanske också vill delta. Så konceptuellt kanske du förstår smile-loopen, men frågan är vad du kan göra med den för att optimera? För att göra det systematiskt vill du spåra det. När någon gör en generativ video vill du spåra saker via URL-strukturen: productdotcom/vid/[video-ID]?sharer_id=[delare] (naturligtvis är ditt användar-ID kodat som delnings-ID när du delar) Nu när du delar ut det via e-post, eller meddelanden eller vad som helst, om en inbjuden får länken, tittar på videon och sedan registrerar sig, bör du sedan lagra delarens ID tillsammans med användarens registreringsrad. Så föreställ dig att du skulle lagra de vanliga sakerna: -Id -E-post -lösenord -Namn - sharer_id <-- det här är vem som orsakade denna inbjudan Nu när du tittar på dina rader och rader med användare i den här tabellen kommer resurs-ID:t ibland att vara tomt om användaren precis dök upp och registrerade sig på egen hand. Men om de är en del av en viral loop kommer deras resurs-ID att peka på någon annan användare som redan finns i tabellen. För att beräkna viral faktor tar du sedan en kohort av användare, till exempel de som gick med för 3 månader sedan. Låt oss säga att det finns 100 av dessa killar. Vad du sedan gör är att du tar tag i listan över ID:n och frågar databasen hur många gånger dessa ID:n visas som delnings-ID:n i nya registreringar som sker efteråt? Låt oss säga att det är 50. Då är din virala faktor vid den tidpunkten 50/100=0,5. Hur är det med alla de användare som har tomma delnings-ID:n? Jag tänker ibland på de användare som bara dyker upp som "Gen 1-användare" eller "onramp-användare" och du borde bara kassera dessa killar som en del av din virala faktorberäkning. Det som är intressant är istället att jämföra förhållandet mellan Gen 3- och Gen 2-användare. Eller egentligen, Gen N+1 och N, så länge N inte är 1. Det visar sig att detta förhållande faktiskt tenderar att stabiliseras ganska bra över tiden. DE STORA FRÅGORNA Om du gör detta med din produkt kommer du garanterat att fråga: "Wow, det här är coolt, men hur får jag det här numret att gå upp?" och i synnerhet, "Hur får jag det här numret att gå över 1?" Detta är rätt fråga att ställa. I samma ögonblick som du inser denna dynamik kommer du att inse att du kan göra produktändringar för att öka den virala faktorn så att din produkt blir mer viral. Till exempel kanske du borde be nya användare att bjuda in när de först kommer in, eller så borde du göra det lättare att bjuda in folk eftersom det finns en länk som du kan kopiera och klistra in eller någon annan mekanisk förändring som ökar viralfaktorn. Detta är en av de viktigaste insikterna att du kan mäta viral faktor och att du faktiskt kan göra produktändringar för att öka den. Eftersom du kan spåra och beräkna detta förhållande betyder det att du också kan fästa det på en instrumentpanel. Som jag beskrev är det lätt att spåra, så länge du kodar användar-ID:t i webbadressen som delas. Naturligtvis, så snart du kan beräkna det, är nästa sak att kunna optimera det för då kan du köra A/B-tester för att se om fler delar, och gör de fler av dem? Delar de med sig till fler? Och för de personer som får en tillväxtlänk, hur stor andel av dem konverterar och hur du gör den konverteringen högre. Detta finns liksom i kokboken över alla de olika sätt som du kanske kan optimera din virala faktor. Den sista aspekten av idén om den virala loopen som är kraftfull är att den faktiskt är mycket generaliserbar. Det är därför allt detta är så kraftfullt för den moderna eran av produktledd tillväxt. Så länge du pratar om att en grupp användare på något sätt kan generera en annan grupp användare, så kan naturligtvis den tillväxtprocessen bero på att de bjuder in andra människor. Det kan bero på att de delar en innehållslänk som sedan får någon annan att registrera sig. Eller så kan det vara ett hänvisningsprogram eller många andra taktiker som får en användare att bjuda in en annan. Detta innebär att det i grunden blir mycket tillämpligt i olika marknadsföringskanaler och strategier. ALTERNATIVA SÄTT ATT BERÄKNA VIRAL FACTOR När du frågar Internet hur man beräknar viral faktor, ger det dig något lite annorlunda, som ser mer ut så här: VIRAL FACTOR = # INBJUDNINGAR x % KONVERTERINGSGRAD Denna definition har flutit omkring där ute under lång tid. Det är dock bristfälligt eftersom inte alla virala slingor finns som en typ av inbjudan. Istället ser vi delningsflöden, samarbetsflöden, hänvisningar och många andra varianter. Jag tror också att även om det är mekaniskt korrekt, eftersom att öka antalet inbjudningar och öka konverteringsfrekvensen naturligtvis hjälper din virala faktor. Det fångar inte det faktum att det du verkligen vill veta är detta förhållande mellan två kohorter av användare. VIRALA LOOPAR OCH SPAM-LOOPAR Det finns också en mörk sida av att helt enkelt försöka öka dessa variabler också: Den mer förenklade versionen av denna ekvation driver dig mot att tänka på hur du ska vara så spamming som möjligt. Hur får vi användare att bjuda in så många av sina vänner som möjligt? Detta ger incitament att pressa användare att bjuda in, pressa dem att bjuda in många människor, och sedan att inbjudningarna spammar på ett sådant sätt att det blir en hög konverteringsfrekvens. Om vi går tillbaka till Web 2.0-eran var detta faktiskt det sätt som människor tenderade att tänka på viralitet. Om du har byggt upp de nakna benen i ett socialt nätverk som folk på Bebo, Tagged, Bebo, Hi5, MySpace gjorde, växte du i allmänhet ditt nätverk baserat på att få folk att bjuda in sina vänner via e-post. I början bad du faktiskt folk att skriva in sina vänners e-postadresser, och vanligtvis skrev de in 5-10 e-postmeddelanden eftersom det var tråkigt. Det visar sig att om du kunde få dem att importera sin adressbok från Hotmail eller Yahoo Mail, genom att be dem om en kombination av e-post och lösenord och sedan genomsöka deras inkorg, skulle du kunna öka antalet inbjudningar till 200+. Oavsett vilken viral faktor du hade, skulle en 20x ökning ofta sätta dig över toppen. Nackdelen är att du i allmänhet skulle sänka din konverteringsfrekvens eftersom du skickade döda e-postmeddelanden via e-post. Så småningom skulle alla e-postleverantörer börja märka dig som skräppost. Men i ~10 år fungerade den härliga e-postinbjudningsloopen, och många stora produkter byggdes – inklusive i slutändan de stora vinnarna, Facebook och Linkedin. KEDJEBREV OCH VARFÖR SPAM-LOOPAR MISSLYCKAS Du kanske vet att det för över hundra år sedan fanns ett koncept med kedjebrev där människor skulle skriva riktiga snigelpostbrev till varandra. Varje kedjebrev skulle ha en lista med andra adresser, och det skulle berätta för dig att om du skickade en nickel till dem, och sedan också lade till dig själv på listan, så skulle alla så småningom bli rika eftersom du skulle få en exponentiellt högre mängd nickel från människor över tid. Detta var faktiskt en så stor sak att posten till slut var tvungen att göra det olagligt eftersom det översvämmade all deras leverans. Men naturligtvis, matematiskt sett, kommer kedjebrev att misslyckas. Anledningen är enkel, vilket är mättnad. Om du har en viral loop och bjuder in 200 personer på varje gång, så småningom efter en massa generationer, kommer du att helt mätta din målmarknad. Om du räknar på det, när du väl har klarat 5 omgångar med 200+ inbjudningar, då har du redan träffat alla människor på planeten och mer. Så till slut träffar du naturligtvis bara samma personer om och om igen. Naturligtvis kommer svarsfrekvensen att gå ner. Varför? 1) Du har redan registrerat dem, i så fall kan den inbjudan inte konvertera. 2) Eller, alternativt, de har blivit inbjudna tidigare, men de är inte intresserade och de interagerar inte. Hur som helst tenderar svarsfrekvensen att minska med tiden. Om svarsfrekvensen går ner och din produkt inte är retentiv, är det matematiskt sett allt du har gjort att skapa en enorm ökning av nya användare som ser bra ut ett tag, men sedan innebär bristen på retention att ditt totala antal aktiva användare blir en liten bråkdel av nya användare. Det är därför som vissa mycket livskraftiga produkter slutar med att hoppa över hajen. Tidigare har jag listat några av dessa mätvärden för att indikera att en produkt kommer att vara klibbig: 1) Kohortretentionskurvor som plattas ut (klibbighet) 2) aktiva/reg > 25 % (validerar TAM) 3) Power User-kurvan som visar ett leende - med en stor koncentration av engagerade användare (du växer ur denna starka kärna) 3) Virusfaktor >0,5 (tillräckligt för att förstärka andra kanaler) 4) DAU/MAU > 50% (det är en del av en daglig vana) 5) Jämförelse marknad för marknad (eller logotyp för logotyp, om SaaS) där tätare/äldre nätverk har högre engagemang över tid (nätverkseffekter) 6) D1/D7/D30 som överstiger 60/30/15 (daglig frekvens) 7) Intäkts- eller aktivitetsexpansion per användare över tid - indikerar djupare engagemang/vanebildning 8) >60% organisk förvärv med verklig skala (bättre att ha noll CAC) 9) För prenumeration, >65 % årlig kvarhållning (betalande användare håller sig) 10) >4x årlig tillväxttakt för alla topline-mätvärden Dessa är inte avsedda att vara uttömmande, men de är alla starka indikatorer på att om en produkt kan generera många virala användare, finns det tillräckligt mycket där för att den ska fastna. Om inte, kommer spiken så småningom att försvinna. Det faktum att du behöver produkt-marknadsanpassning är en av anledningarna till att du ibland hör talas om mycket virala appar som sedan försvinner från det allmänna medvetandet. Du kan faktiskt ha en mycket hög virusfaktor eller hög mun till mun och ibland kan du till och med konstruera det. Men det är nästan som att ha en big bang-lansering eller att ha en Super Bowl-reklam eller något liknande. Du får en enorm topp och det är bra ett tag, men oundvikligen, om inte ditt förhållande mellan aktiva användare och registreringar är mycket högt, betyder det att du så småningom kommer att förlora dem. Detta var i slutändan resultatet av många av de appar som skapades under Web 2.0 eller under Facebook-plattformens era. Du hörde talas om mycket viralitet och potentiellt miljontals användare eller till och med hundratals miljoner användare, och ibland gick detta snabbt. Men mycket av detta var människor som skapade virala loopar. Och eftersom dessa användare lämnade appen på grund av brist på klibbighet, kunde dessa virala loopar konstrueras för att försöka återfå dem om och om igen. De allra flesta av dessa virala appar blev faktiskt inte framgångsrika företag, vilket är anledningen till att jag fortfarande är mycket intresserad av möjligheten för team att skapa tillväxthacks. Naturligtvis bryr jag mig också mycket om deras förmåga att faktiskt behålla användare. -- Okej! Det var allt för nu. Mer hjärndumpning senare :)