数据多、迭代快、用户行为可追踪——方法的主场
增长黑客方法发挥最大威力的条件很具体：产品是数字化的，用户行为数据可实时获取，改动可以快速上线，A/B 测试可以在小时或天的级别出结果。
互联网 C 端产品是天然主场。一个 App 的注册流程可以在一天内改三版，每版导入一千个用户看转化率。SaaS 工具、电商平台、社交产品、内容平台——只要数据管道通畅，AARRR 漏斗就能精确定位瓶颈，实验就能快速验证假设。
产品需要有一定用户基数。每天十个新用户的产品，跑 A/B 测试要几个月才能积累够样本量。方法默认你已经有了基础流量，现在要优化它。
数据稀疏、周期长、决策不可逆——方法会打折的地方
线下业务的数据获取成本高得多。一家餐厅想测试两种菜单哪个更好，无法像 App 一样同时给两组客人不同版本。
B2B 企业级产品的决策周期长，单个客户价值大但数量少。AARRR 漏斗的统计逻辑建立在大样本之上；样本量不够，数据分析的结论就不可靠。
硬件产品的迭代周期以月甚至年为单位。改一个硬件设计的成本比改一个按钮颜色高几个数量级。"快速实验"的前提在这里不成立。
这些场景不是完全不能用增长思维，但需要大幅调整——比如用用户访谈替代 A/B 测试，用案例研究替代统计分析。调整之后，方法的精度和速度都会下降。
留存地基没打好就拉人——最常见的误用
增长黑客方法最容易被误用的方式：跳过产品-市场匹配的验证，直接用增长手段拉用户。
产品没有解决真实需求，或者解决了需求但体验太差，留存率只有个位数。投入增长资源等于往漏桶里灌水。用户来了就走，获客成本越来越高，团队却一直在优化获取环节——因为那是最容易"看到数据变化"的地方。
范冰在书中明确说：好的产品是增长的最大前提。增长黑客不是产品救生员。
另一种误用是把增长黑客等同于"打擦边球"。Airbnb 利用 Craigslist 的接口、Zynga 通过 Facebook 通知刷存在感——这些早期案例容易让人觉得增长黑客就是钻平台规则的空子。但这类策略的有效期极短，平台规则一变就失效。可持续增长依赖系统性方法，不是信息差。
数据在说"够了"的时候——停下来的信号
连续三轮实验没有正向结果。每轮改了一个变量，数据要么没变，要么变差。不是"再试一轮"的问题，是需要退回来重新审视产品和市场。
增长曲线到顶。市场容量有上限；获客成本接近甚至超过用户生命周期价值（LTV），继续拉新就是赔钱。该考虑的是新市场或新产品线，不是在同一个漏斗里继续优化。
团队变成了"实验机器"。每天跑三个测试，但没有人退后一步看全局。每个实验都在提升某个小指标，整体增长曲线没有变化。这时候需要战略判断，不是更多实验。
用户体验开始被牺牲。为了提升转化率，注册流程被简化到没有价值过滤；为了提升留存，推送频率高到让用户反感。增长手段开始伤害产品——这条线一旦越过，数据改善是短期的，品牌损伤是长期的。