产品分析

product-analytics
分类数据
作者Alireza Rezvani
许可MIT
评分4.20/5
使用13.3K

产品分析 (Product Analytics)

在探索期、增长期和成熟期定义、追踪并解读产品指标。

使用场景

适用于以下场景：

  • 指标框架选择 (AARRR, North Star, HEART)

  • 根据产品阶段定义 KPI (pre-PMF, 增长期, 成熟期)

  • 仪表盘设计与指标层级构建

  • 同期群 (Cohort) 与留存分析

  • 功能采用率与漏斗解读

工作流

1. 选择指标框架

  • AARRR：用于增长环路和漏斗可见性

  • North Star (北极星指标)：用于跨职能的战略对齐

  • HEART：用于 UX 质量和用户体验衡量

2. 定义适配阶段的 KPI

  • Pre-PMF：激活率、早期留存、定性成功指标

  • 增长期：获客效率、扩张率、转化速度

  • 成熟期：留存深度、营收质量、运营效率

3. 设计仪表盘层级

  • 执行层：5-7 个方向性指标

  • 产品健康层：获客、激活、留存、参与度

  • 功能层：采用率、使用深度、重复使用率、结果相关性

4. 执行同期群 + 留存分析

  • 按注册同期群或功能接触同期群进行分群

  • 比较留存曲线，而非单一时间点的快照

  • 识别入职引导 (Onboarding) 和首次价值实现时刻 (First Value Moment) 附近的拐点

5. 解读并采取行动

  • 将指标波动与产品变更及发布时间线相结合

  • 利用环比/同比上下文区分信号与噪音

  • 针对每个重大指标风险/机会提出一项明确的产品行动

分阶段 KPI 指南

Pre-PMF (产品市场匹配前)

  • 激活率
  • 第 1 周留存率
  • 首次价值实现时间 (Time-to-first-value)
  • “问题-解决方案”匹配访谈得分

增长期

  • 各阶段漏斗转化率
  • 月留存用户数
  • 新同期群的功能采用率
  • 扩张/增购代理指标

成熟期

  • 与净收入留存 (NRR) 对齐的产品指标
  • 核心用户占比及使用深度
  • 分群流失风险指标
  • 可靠性与支持拦截 (Support-deflection) 产品指标

仪表盘设计原则

  • 展示趋势，而非孤立的点估计。
  • 每个 KPI 仅设一名负责人。
  • 为每个 KPI 配备目标值、阈值和决策规则。
  • 默认使用同期群和分群过滤器。
  • 优先使用可比的时间窗口（周对周，月对月）。

参考：

  • references/metrics-frameworks.md

  • references/dashboard-templates.md

同期群分析方法

1. 定义同期群锚点事件（注册、激活、首次购买）。
2. 定义留存行为（活跃日、关键动作、重复会话）。
3. 按同期群周/月和时长周期构建留存矩阵。
4. 比较不同同期群的曲线形状。
5. 标记早期流失点并调查用户路径摩擦。

留存曲线解读

  • 早期剧烈下降，低位平台期：入职引导不匹配或初始价值弱。
  • 中度下降，稳定平台期：核心受众健康，流失可预测。
  • 在低位趋平：产品被偶尔使用，需重新审视价值指标。
  • 新同期群曲线改善：入职引导或定位优化见效。

反模式 (Anti-Patterns)

| 反模式 | 解决方案 |
|---|---|
| 虚荣指标 — 追踪页面浏览量或总注册数，缺乏激活上下文 | 始终将获客指标与激活率和留存率配对 |
| 单点留存 — 报告“30 日留存率为 20%” | 比较不同同期群的留存曲线，而非孤立的快照 |
| 仪表盘过载 — 单屏显示 30 多个指标 | 管理层：5-7 个指标；功能层：仅限该功能相关指标 |
| 缺乏决策规则 — 追踪 KPI 但没有阈值或行动计划 | 每个 KPI 必须包含：目标、阈值、负责人以及“如果低于 X，则执行 Y” |
| 跨细分维度取平均值 — 报告混合指标，掩盖了细分市场的差异 | 始终按用户群（cohort）、方案等级、渠道或地理位置进行细分 |
| 忽略季节性 — 在未调整的情况下将本周与上周对比 | 使用环比分析，并结合去年同期数据作为上下文 |

工具

scripts/metrics_calculator.py

用于对 CSV 数据进行留存、同期群（cohort）和漏斗分析的 CLI 工具。支持文本和 JSON 输出。

bash
# 留存分析
python3 scripts/metrics_calculator.py retention events.csv
python3 scripts/metrics_calculator.py retention events.csv --format json

同期群矩阵

python3 scripts/metrics_calculator.py cohort events.csv --cohort-grain month
python3 scripts/metrics_calculator.py cohort events.csv --cohort-grain week --format json

漏斗转化

python3 scripts/metrics_calculator.py funnel funnel.csv --stages visit,signup,activate,pay
python3 scripts/metrics_calculator.py funnel funnel.csv --stages visit,signup,activate,pay --format json

留存/同期群 CSV 格式：

csv
user_id,cohort_date,activity_date
u001,2026-01-01,2026-01-01
u001,2026-01-01,2026-01-03
u002,2026-01-02,2026-01-02

漏斗 CSV 格式：

csv
user_id,stage
u001,visit
u001,signup
u001,activate
u002,visit
u002,signup

交叉引用

  • 相关：product-team/experiment-designer — 在发现指标机会后用于 A/B 测试规划
  • 相关：product-team/product-manager-toolkit — 用于对指标驱动的功能进行 RICE 优先级排序
  • 相关：product-team/product-discovery — 当指标揭示未知项时用于假设映射
  • 相关：finance/saas-metrics-coach — 针对 SaaS 特定指标（ARR, MRR, 流失率, LTV）