Growth Hacking

Einfach erklärt

Growth Hacking kombiniert Marketing, Produkt und Daten, um Wachstum systematisch zu testen. Statt nur großer Kampagnen werden viele kleinere Experimente durchgeführt, gemessen und bei Erfolg skaliert.

Bekannte Growth-Hack-Muster:

Muster	Idee	Ziel
Referral-Programm	Nutzer erhalten Anreiz für Einladungen	günstigere Akquisition
Signatur oder Branding Loop	Produktnutzung erzeugt Sichtbarkeit	organische Verbreitung
Plattform-Integration	bestehende Marktplätze oder Kanäle nutzen	zusätzliche Reichweite
Engagement-Trigger	relevante Benachrichtigungen oder Einblicke	wiederkehrende Nutzung

Der Growth-Prozess:

1. Analysieren: Wo ist der Engpass im Funnel?
2. Hypothese: "Wenn wir X ändern, sollte sich Y verbessern"
3. Experiment: Schnell umsetzen und testen
4. Messen: Hat es funktioniert?
5. Lernen: Was haben wir gelernt?
6. Skalieren oder Pivoten

Technischer Deep Dive

AARRR-Framework (Pirate Metrics)

Acquisition  → Wie kommen Nutzer?
Activation   → Haben sie ein gutes erstes Erlebnis?
Retention    → Kommen sie zurück?
Revenue      → Zahlen sie?
Referral     → Empfehlen sie uns weiter?

Für jede Stufe: Metriken definieren, Experimente fahren

Experiment-Tracking

class GrowthExperiment:
    def __init__(self, name, hypothesis, metric, target_lift):
        self.name = name
        self.hypothesis = hypothesis
        self.metric = metric
        self.target_lift = target_lift
        self.status = "planned"
        self.results = None
    
    def run(self, control_group, test_group, duration_days):
        # Experiment durchführen
        self.status = "running"
        
        # Nach Ablauf
        control_result = measure(control_group, self.metric)
        test_result = measure(test_group, self.metric)
        
        lift = (test_result - control_result) / control_result
        significant = calculate_significance(control_result, test_result)
        
        self.results = {
            "lift": lift,
            "significant": significant,
            "winner": "test" if lift > 0 and significant else "control"
        }
        
        self.status = "completed"
        return self.results

Viral Coefficient

def calculate_viral_coefficient(invites_sent, invites_accepted):
    """
    K-Faktor: Wie viele neue Nutzer bringt ein Nutzer?
    K > 1 kann auf selbstverstärkendes Wachstum hinweisen
    """
    k = invites_sent * (invites_accepted / invites_sent)
    return k

# Beispiel mit variablen Annahmen
k = calculate_viral_coefficient(
    invites_sent=avg_invites_sent,
    invites_accepted=acceptance_rate
)
# k einordnen und mit Retention, Aktivierung und Kanalqualität kombinieren

Growth-Experiment-Ideen

Bereich	Experiment
Acquisition	Neue Kanäle, SEO, Referral-Programm
Activation	Onboarding optimieren, Time-to-Value reduzieren
Retention	E-Mail-Sequenzen, Push-Notifications, Features
Revenue	Pricing-Tests, Upselling, Paywalls
Referral	Incentives, Social Sharing, Viral Loops