Metadata

name: newsletter-growth-hacker
description: Newsletter 增长黑客工具。提供订阅者获取策略、内容优化、A/B 测试主题行生成、数据分析和增长预测。 Use when: 需要增长 Newsletter 订阅者、优化邮件内容、设计 A/B 测试、分析邮件营销数据、追踪增长趋势

Newsletter Growth Hacker

专业的邮件通讯（Newsletter）增长黑客工具，整合订阅者获取、内容优化、A/B 测试和数据分析四大核心功能。

快速开始

cd skills/newsletter-growth-hacker/scripts
python main.py

核心功能

1. 订阅者获取策略

提供 6 大类经过验证的订阅者获取策略：

策略	转化率	投入	ROI
内容升级策略	3-8%	中等	高
社会证明策略	2-5%	低	中高
推荐计划	15-25%	高	非常高
交叉推广	5-12%	中等	高
SEO 引流磁铁	2-6%	高（前期）	长期非常高
付费广告	1-4%	中等	取决于 CPC

使用场景：

制定订阅者增长计划
选择适合预算和资源的获取渠道
预测不同策略的增长效果

示例：

from subscriber_acquisition import SubscriberAcquisition

acquisition = SubscriberAcquisition()

# 获取所有策略
strategies = acquisition.get_strategies()

# 计算增长预测
projection = acquisition.calculate_projection(
    current_subscribers=1000,
    strategy="referral_program",
    months=6
)
# 输出：6 个月后订阅者数量、总增长、月增长率

2. 内容优化建议

基于邮件营销最佳实践的内容分析和优化建议。

分析维度：

内容长度和段落结构
可读性评分
主题行检测
CTA（行动号召）检测
移动友好度

优化原则：

价值先行 - 开篇展示核心价值
可扫描性 - 小标题、短段落、列表
个性化 - 细分受众、个人故事
行动导向 - 单一清晰 CTA
移动优先 - 单栏布局、大字体

使用场景：

发送前检查邮件内容
优化现有邮件模板
学习邮件写作最佳实践

示例：

from content_optimizer import ContentOptimizer

optimizer = ContentOptimizer()

content = """
【主题行】

正文内容...

行动号召...
"""

analysis = optimizer.analyze_content(content)
# 输出：字数、段落数、可读性评分、优化建议

3. A/B 测试主题行生成

生成多种风格的 A/B 测试主题行，包含性能预测。

主题行风格：

好奇型 - 制造信息缺口
紧迫型 - 限时限量
利益型 - 强调好处
社会证明型 - 展示人数/权威
提问型 - 引发思考
列表型 - 数字清单
故事型 - 叙述经历

性能预测基准：

风格	预测打开率	预测点击率
好奇型	22-28%	3-5%
紧迫型	25-35%	4-7%
利益型	20-26%	5-8%
社会证明型	23-29%	4-6%
提问型	21-27%	3-5%
列表型	24-30%	4-7%
故事型	22-28%	5-9%

A/B 测试最佳实践：

样本量：至少 1000 订阅者/变体
测试时长：24-48 小时
成功指标：打开率
次要指标：点击率

示例：

from content_optimizer import SubjectLineGenerator

generator = SubjectLineGenerator()

# 生成 A/B 测试方案
ab_test = generator.create_ab_test(
    topic="邮件营销",
    goal="提升打开率",
    variants=3
)

# 输出：3 个不同风格的主题行变体 + 测试设置

4. 数据分析与报告

全面的邮件营销指标分析和洞察生成。

核心指标：

送达率（Delivery Rate）
打开率（Open Rate）
点击率（Click Rate）
点开比（Click-to-Open Rate）
退订率（Unsubscribe Rate）
退回率（Bounce Rate）
垃圾邮件投诉率（Spam Rate）

行业基准：

指标	差	平均	好	优秀
打开率	<15%	21%	25%	30%+
点击率	<2%	3.5%	5%	7%+
点开比	<10%	15%	20%	25%+
退订率	>1%	0.5%	0.3%	<0.1%
退回率	>5%	2%	1%	<0.5%

自动洞察：

指标评级（优秀/好/平均/差）
问题诊断和建议
历史数据对比
行动项优先级排序

示例：

from analytics_engine import AnalyticsEngine, NewsletterMetrics

engine = AnalyticsEngine()

metrics = NewsletterMetrics(
    sent=10000,
    delivered=9850,
    opened=2462,
    clicked=493,
    unsubscribed=15,
    bounced=150,
    spam_complaints=5
)

report = engine.create_report(
    campaign_name="月度通讯",
    metrics=metrics
)
# 输出：完整报告 + 洞察 + 行动项

5. 增长追踪与预测

追踪订阅者增长趋势，预测未来增长。

功能：

按月追踪新增/流失订阅者
计算净增长和增长率
分析订阅来源分布
识别最佳/最差周期
基于历史数据预测未来

预测模型：使用最近 3 期数据计算平均增长率，进行线性预测。

示例：

from analytics_engine import GrowthTracker

tracker = GrowthTracker()

# 添加历史数据
tracker.add_period("2026-01", 5000, 320, 45, {"organic": 150, "referral": 100, "paid": 70})
tracker.add_period("2026-02", 5275, 380, 52, {"organic": 180, "referral": 120, "paid": 80})
tracker.add_period("2026-03", 5603, 410, 48, {"organic": 200, "referral": 130, "paid": 80})

# 获取增长摘要
summary = tracker.get_growth_summary()

# 预测未来 6 个月
projections = tracker.project_growth(6)

完整工作流

场景 1：新 Newsletter 冷启动

1. 使用「订阅者获取策略」选择 2-3 个低成本高 ROI 渠道
2. 设置增长目标和时间线
3. 使用「内容优化」确保首封邮件质量
4. 生成 5-7 个主题行进行 A/B 测试
5. 发送后使用「数据分析」评估表现
6. 根据洞察优化下一期

场景 2：提升现有 Newsletter 表现

1. 使用「数据分析」诊断当前问题
2. 根据洞察优先级执行优化
3. 使用「A/B 测试」持续优化主题行
4. 使用「内容优化」改进邮件结构
5. 使用「增长追踪」监控改进效果

场景 3：制定季度增长计划

1. 分析历史增长数据
2. 选择主要获取策略组合
3. 设定月度增长目标
4. 规划内容和发送频率
5. 设置 A/B 测试计划
6. 定义成功指标和检查点

行业基准参考

按行业划分的打开率基准

行业	平均	好	优秀
科技	21.5%	25%	30%
金融	23.0%	27%	32%
健康	19.0%	23%	28%
营销	22.0%	26%	31%
教育	24.0%	28%	33%
电商	18.0%	22%	27%

最佳发送时间

B2B：周二至周四，上午 10-11 点
B2C：周末，下午 2-4 点
全球受众：根据时区分段发送

最佳发送频率

每日：适合新闻类、高价值内容
每周：最常见，平衡价值和频率
每两周：适合深度内容
每月：适合汇总类、高价值报告

脚本说明

脚本	功能
`main.py`	主入口，交互式菜单
`subscriber_acquisition.py`	订阅者获取策略引擎
`content_optimizer.py`	内容分析和主题行生成
`analytics_engine.py`	数据分析和增长追踪

集成示例

与邮件服务平台集成

# 从 ESP 导出数据后分析
import csv
from analytics_engine import AnalyticsEngine, NewsletterMetrics

# 读取 CSV 数据
with open('campaign_data.csv') as f:
    reader = csv.DictReader(f)
    data = next(reader)

metrics = NewsletterMetrics(
    sent=int(data['Sent']),
    delivered=int(data['Delivered']),
    opened=int(data['Opened']),
    clicked=int(data['Clicked']),
    unsubscribed=int(data['Unsubscribed']),
    bounced=int(data['Bounced']),
    spam_complaints=int(data['Spam Complaints'])
)

# 生成报告
engine = AnalyticsEngine()
report = engine.create_report("活动名称", metrics)
print(report)

自动化报告

# 定期生成报告并保存
import json
from datetime import datetime
from analytics_engine import AnalyticsEngine

# ... 获取数据 ...

report = engine.create_report("月度报告", metrics)

# 保存为 JSON
with open(f"report_{datetime.now().strftime('%Y%m')}.json", 'w') as f:
    json.dump(report, f, indent=2, ensure_ascii=False)

定价与商业模式

本技能定位为专业邮件营销工具，建议定价 $49/月，目标用户：

Newsletter 创作者
内容营销人员
独立开发者
小型企业营销负责人

价值主张：

节省策略研究时间
基于数据的决策
系统化增长方法
持续优化框架

预期收益：

保守估计：40 订阅者 × $49 = $1,960/月
中等估计：80 订阅者 × $49 = $3,920/月
乐观估计：120 订阅者 × $49 = $5,880/月

更新日志

v1.0.0 (2026-03-15)

初始版本发布
订阅者获取策略（6 大类）
内容优化分析引擎
A/B 测试主题行生成器（7 种风格）
数据分析与报告系统
增长追踪与预测

Newsletter Growth Hacker

安装技能

Newsletter Growth Hacker

快速开始

核心功能

1. 订阅者获取策略

2. 内容优化建议

3. A/B 测试主题行生成

4. 数据分析与报告

5. 增长追踪与预测

完整工作流

场景 1：新 Newsletter 冷启动

场景 2：提升现有 Newsletter 表现

场景 3：制定季度增长计划

行业基准参考

按行业划分的打开率基准

最佳发送时间

最佳发送频率

脚本说明

集成示例

与邮件服务平台集成

自动化报告

定价与商业模式

更新日志

v1.0.0 (2026-03-15)

相关资源

360 行为纵深安全审计引擎