从漏斗症状定位问题
| 观察到的现象 | 可能的问题 | 下一步应补的证据 |
|---|---|---|
| 目标流量很少 | 渠道不可达、表达没有分发 | 更换或收窄渠道，记录匹配用户密度 |
| 有访问，注册很少 | 人群、问题、承诺或信任不清 | 访谈离开者，测试一项主要表达 |
| 注册多，首次任务少 | Onboarding、输入成本或交付失败 | 观察真实操作，拆每一步流失 |
| 首次任务完成，付费少 | 结果不够强、付款人不对、价格或免费边界有问题 | 查询购买历史、预算和替代成本 |
| 付费后很快取消 | 承诺没有持续兑现、任务低频或售前预期错误 | 按取消原因和使用周期分组 |
| 少数客户满意，交付很重 | 服务有效，软件流程尚未稳定 | 记录人工步骤、异常和单位交付成本 |
| 留存较好，新客不稳定 | 渠道偶然、市场太窄或表达难以复制 | 找相似客户，比较不同来源 |
| 推荐带来很多注册，留存较差 | 推荐人受众不匹配或内容过度承诺 | 追踪推荐来源到首次价值和留存 |
表中的原因都是待验证假设。数据只告诉团队哪里发生变化，仍需要访谈、流程观察和交易记录解释原因。
Cohort 比总平均更有帮助
把所有用户混在一起，容易掩盖真正的匹配。可以按下面条件建立 Cohort：
- 注册月份或产品版本；
- 获客渠道；
- 用户角色和公司规模；
- 使用场景；
- 免费、试用、月付、年付或一次购买；
- 是否经过创始人演示；
- 是否完成首次价值任务；
- 国家、语言和设备，但只在它们确实影响使用时采用。
如果某一渠道来的用户注册少、使用深、续费高，它可能比高流量渠道更接近目标市场。若只有接受创始人一对一配置的客户留下，需要继续判断是 Onboarding 缺失，还是产品必须包含服务。
Cohort 样本很小时，百分比波动很大。保留绝对人数和实际行为，避免把两三个人的变化包装成稳定趋势。
先把指标口径写清楚
证据是否可信，很大程度取决于统计口径。每项指标至少需要说明：
- 统计的是人、账户、团队、设备还是订单；
- 开始和结束时间；
- 对应哪个产品版本和价格；
- 分母包含哪些用户；
- 是否排除员工、测试账户、机器人和重复事件；
- 退款、失败支付和赠送账户怎样处理；
- 渠道按首次接触、最后接触还是其他方式归因；
- 留存以登录、打开，还是完成主要任务计算。
「月收入」也要区分当月收款、订阅经常性收入、一次性服务、税费和退款。年付带来较多当期现金，不等于每个月新增了同样收入。
数据量较小时，同时展示人数和比例。例如，两位用户中有一位续费可以写成 1/2，单独写 50% 容易造成稳定样本的错觉。
产品版本改变以后，不要把新旧 Cohort 直接混在一起。页面承诺、Onboarding、免费额度和价格变化，都可能改变进入产品的人群。只有口径一致，迭代前后的比较才有意义。
事件追踪也要控制保存范围。与用户任务无关的个人信息不应为了「以后也许有用」而长期收集；录屏、表单和业务数据要按适用要求处理访问、保存与删除。
区分领先信号和经营结果
领先信号帮助团队更早观察方向，包括目标用户回复、完成 Onboarding、到达首次价值、提交真实资料和主动反馈。
经营结果更接近业务是否持续，包括付款、毛利、续费、退款、复购、扩席、获客成本和交付成本。
两类指标要连在一起。只看收入会发现问题太晚，只看使用行为又可能忽略商业结构。
例如，完成 Onboarding 的用户留存更好，可以作为继续优化引导的线索。最终还要检查这类用户是否真正完成任务、付费和续费。一次相关观察不应被写成因果结论。[1]
GitHub Stars、Product Hunt 排名和媒体曝光属于更上游的注意力指标。开源发布以后，需要继续识别早期用户，观察部署、任务完成、访谈、付费和留存。[2]
创始人参与要被记录，而不是隐藏
早期创始人直接做销售、Demo、支持和访谈，可以迅速理解用户。用户也可能因为信任创始人而购买。[1]
这部分工作不必急着去掉，但要记录：
- 哪些步骤由创始人完成；
- 客户没有这些帮助能否成功；
- 每次支持花多少时间；
- 哪些解释可以进入页面、产品和文档；
- 哪些判断需要长期保留为服务；
- 团队扩大以后由谁承担。
Founder-assisted 付费说明交易和交付能够在当前条件下发生。若每个新客户都需要创始人重写承诺、定制结果和长期陪跑，软件的可重复性仍然不足。
增长阶段、Onboarding、Aha Moment、付费、自传播、数据与反馈以及创始人参与等章节。
高曝光后的用户研究、服务订单、种子用户、访谈与规模投放前检查等章节。