测量你的关键指标（上）

本章将分为上下两部分介绍如何使用分析方法来为产品建模并测量产品与业务。

用户研究方法

在深入研讨分析技巧之前，先分享由用户体验设计师Christian Rohrer提出的一个实用的调研框架。

如下图示，纵轴代表可以收集到的信息类型：有关态度的信息「用户的意见和观点」和有关行为的信息「用户实际采取的行动」。横轴代表收集信息的方式：定性方式「基于对用户的直接观察」和定量方式「基于群体统计结果」。定量研究可以告诉你有多少客户选择做或不做某事「但无从知晓为什么」，定性研究帮助你了解客户这样做的根本原因「但不会告诉你多少客户如此行动」。

惯常的做法是以定性研究开始，先搞清你向客户提出的问题以及客户给出的答案「即为什么」，根据这信息再开始定量研究，统计有多少客户会给出这种答案。

图：调研方式框架「部分」

以调研为例，调研位于定量与态度构成的右下象限，这是一种定量分析，目标是从广大的用户那里得到总结式的结论，了解客户的总体态度。「不会收集他们如何使用产品的相关数据」

其中净推荐值「Net Promoter Score，NPS」是一种得到广泛使用、基于调查的指标。该指标基于一个非常简单问题的回答结果「你向朋友或同事推荐某产品的可能性有多大？(0～10分)」，9～10分的客户称为推荐者；7～8分称为被动者；0～6分称为批评者。NPS就是推荐者的百分比减去批评者的百分比，取值范围[-100,100]。NPS主要的价值来自于周期性的持续调查NPS的变化——NPS的值应随着产品-市场适配的提高而变大。

完整版的框架中还包括第三维度“使用情境”，对多种不同的用户体验调查研究方法进行了分类，如图示。

图：用户研究方法概观

分析框架

对于任何业务，都可以跟踪一系列指标来描述其运作状况，运用一个完整分析框架来囊括整体工作会很有帮助。

其中非常著名的一个框架就是戴夫·麦克卢尔分享到初创企业的海盗指标「AARRR！」，框架的五项关键指标获取「Acquisition」、激活「Activation」、留存「Retention」、变现「Revenue」和推荐「Referral」。

图：AARRR框架

在业务生命周期的各个阶段，构成AARRR模型的五项宏观监测指标都比其他指标更为重要，可以称为核心度量指标「Metric that Matters Most，MTMM」，即在当下时刻能带来最佳投资回报率的业绩提升指标。需要注意的是MTMM强调“当下时刻”的重要性，有些指标在取得重大进展后，可能就不再是MTMM了。

🌰：产品推出后，只有10%的客户完成最终注册。此时你将注册转化率作为当前业务的MTMM，但在和团队经过一系列努力改善后，注册转化率提升到90%，此时它就不再是MTMM。

对于一款新产品而言，通常存在有意义的宏观指标优化排列顺序，MTMM从留存开始，然后是转化率，继而是获取。

首先优化留存率：当你致力于推广一款全新产品时，首先要实现产品-市场适配，确信客户意识到产品的价值所在。留存是宏观指标中与产品-市场适配关系最为密切的指标，所以它通常会成为新产品的首个MTMM。

在获取之前优化转化率：验证了产品-市场高度适配之后，下一步就要集中精力把来到产品门前的潜在客户，以尽可能高的比例转化为正式客户。此时转化率作为用于记录和跟踪潜在客户转化情况的宏观指标便成为了MTMM，在把更多潜在客户带到产品面前之前优化好转化率，获得更高的投资回报率。

优化客户获取：前两步完成之后，下一个重点便要专注在客户获取上，找到新办法或更好途径来吸引潜在客户。

就测量产品-市场适配的总的单一指标来说，留存率是最好的指标，接下来深入探讨客户留存率，以及如何测量它。

留存率

留存率测量的是一段时间内有多少比率的客户是使用产品的活跃客户。计算方法是活跃客户数量除以总客户数，在计算时使用的是相对时间，即每位客户注册后的使用天数。

留存率曲线以一种直观的可视化方式，将客户留存率展现出来。如下图示，曲线第0天的100%开始，随着时间推移，客户流失数量越来越多。

图：留存率曲线

留存率曲线中的三个特有参数——初始下降率「首次使用后的第二天客户流失率」、下降速度和最终值，可以最直接测量出产品-市场适配性。适配性越强，初始下降率越低、下降速度越慢、最终值越高，适配性越弱则恰恰相反。

最终值是三个参数中最重要的，他回答了这样一个问题：有多大比例的客户在初使产品后会长期使用？

留存率的优势在于它完全独立于其他任何宏观指标，如获取。它回答了“在获取的客户中，有多少比例仍然是活跃的”这样的问题，而不是单纯的跟踪活跃用户数量「新用户or老用户」的情况。

留存率曲线测量了产品-市场适配性，反映出在一段时期内产品的不断改善状况。可以通过不同的留存率曲线组合来观察保持率的变化，如每月一根反映月份客户情况的留存率曲线。「一张图中曲线数量不要超过5条」

组群分析

一群有着共同特征点的用户「如同一个月注册」被称为组群「Cohort」，组群分析是分析一段时间内不同组群的的强大工具。如下图示，描绘了三个组群构成的留存率曲线，横轴代表用户注册后持续的周数。从图中分析可以看出，组群C初始下降率最高、衰减率最低，最终值最高。

如下两张表格，第一份表格展示了存储用于生成多个组群留存率曲线的标准数据每行代表一个组群，表格是6月之前用户情况的一个快照记录「snapshot」。「组群的存续时间越长，该曲线上的数据点就越多」第二份表格则是按数据计算出的每个组群在不同时间段内的留存率。

表1 表2

如果能够做到持续改善产品-市场适配性，那么组群的留存率曲线便会上升，从而能得到更高的最终值。

以上内容主要介绍了AARRR分析框架内的关键指标，任何业务都可以通过跟踪这些宏观指标来描述其运作状况。有些时候，需要根据具体的商业模式「如电子商务、订阅与广告等」来进一步优化业务，有一种非常强大的适合于每一种场景的工具，也是下篇内容的主题——业务等式。