增长黑客那本书中非常核心的一个概念，叫AARRR模型。其实就是一个漏斗模型。
漏斗的每一层，都有一定的容量。漏斗越往下，容量越小。而层与层之间的比例，就是传说中的转化率。到了最底层，就是收入。
所以，要提高最终的收入，原理很简单，就是把每一层的容量都扩大，或者，把下钻的转化率给提高。作为增长黑客的你，首先要学会去用数据去判断，哪个地方的容量太小，或转化率太低，然后再去制定方案进行针对性提高。
第四种 相关思维
几年前，“大数据”一下子火了。这要归功于一本无比畅销的通俗读物《大数据时代》
书中提出了几个（当时）挺新颖的观点。其中有一个说大数据关注的不是因果关系，而是相关关系
这个表述虽然不准确，但至少反映了相关性是很重要的，尤其在数据种类与数理都非常丰富的情况下。
我们在媒体里常常看到这样的报道，“百分之多少的人会更倾向于做某件事”。举个例子，有专家发现，在经济低迷的时候，89%的女性更倾向于买口红。
结合数据的相关思维，够帮助我们找出事物之间隐性关系。
虽然事物有千千万万，但事物之间的相关关系常见的也不外乎这四种：
图片来源：猫爷
（a）正相关：X数量越多，Y数量越多
（b）负相关：X数量越多，Y数量越少
（c）不相关：X数量与Y数量无关
（d）非线性相关：某一范围内，X数量越多，Y数量越多；超过某一个拐点后，X数量越多，Y数量越少。
相关思维简单易懂，在商业中的用处很广泛。
打比方，现在你是你们公司的市场部经理，为了提高明年的销售业绩，你最近进行一次分析，哪个媒体广告需要减少投资，哪个媒体广告需要增加投资？
关于预算分配的问题，永远都让市场部头的人头疼。这种决策在过去是（现在很多时候也是）老板们拍脑袋想出来的。那有没有更加科学一点的办法呢？
试试用相关思维来翻译这个问题，那就是：销售额与哪个媒体广告的投放量存在正相关呢？
这个问题一下子就具体很多了，因为X与Y都是可以被很好量化的指标。只需要把过去几个月甚至几年的数据拉出来，Excel一算就可以知道了。
图片来源：网络
假设将横坐标的看作是产品销量（口红、粉底液、气垫、防晒霜等等），纵坐标看成是媒体投放渠道金额（微信、微博、爱奇艺、杂志等等）。那么，它们的两两之间的相关系数就会形成一张系数表。
蓝色表示两者相关关系比较强，红色表示比较弱。那么，哪个产品更应该加大哪个投放渠道的投放量就一目了然了。
当然，这只是一个打比方。一个严谨的投资决策肯定不能仅靠看一个维度或一张表就能解决的。但它给出了一个很不错的视角。
当你手头上拥有很多数据时，不妨来一次这样的数据探索（Data exploresure），说不定会有什么新奇发现哦。
第五种 决策树思维
决策树（Decision tree），相信这个概念对于所有学过机器学习的人都并不陌生，因为这是一种入门级的算法。几乎每个初学者第一个接触的机器学习算法都是决策树。
它很实用，也特别好理解，因为它跟人的思维过程很像。
它既可以当做一个体系化的分类思维，也可以当做一个流程图甚至是一个检查清单来使用。但不管你怎么用，决策树的框架都是不变的。
从顶端一点开始，它一层一层往下展开。每一层都有若干个支点，而每个支点会分解成多条支线。就像下图一样。
图片来源：网络
那它究竟怎么用呢？让我来举个简单的例子
假如有一天，你去参加非诚勿扰的相亲大会，由于你读过猫爷这篇文章，所以你打算在相亲节目中使用决策树。
你的决策树长这样：
