主题
01 - 核心指标体系
"If you can't measure it, you can't improve it." -- Peter Drucker
目录
什么是北极星指标
定义
北极星指标（North Star Metric，简称 NSM）是指能够最准确反映产品为用户提供核心价值的那一个关键指标。就像北极星为旅人指引方向一样，北极星指标为整个产品团队指引前进方向。
* <-- 北极星指标
/|\
/ | \
/ | \
/ | \
/ | \
/ | \
+------+------+------+------+
|产品团队|设计团队|技术团队|运营团队|
+------+------+------+------+
|
所有人朝同一个
方向努力好的北极星指标具备的特征
- 能反映用户获得的核心价值：用户真正从产品中受益时，这个指标会增长。
- 能衡量产品的长期健康度：不是短期可操纵的虚荣指标。
- 是先导指标而非滞后指标：能预测未来的业务表现。
- 所有团队都能理解并围绕它工作：不需要复杂解释。
- 可度量、可拆解：能分解为各团队可执行的子指标。
各类产品的北极星指标举例
| 产品类型 | 代表产品 | 北极星指标 | 为什么选这个 |
|---|---|---|---|
| 社交 | 微信/Facebook | 每日发送消息数 | 反映用户间的连接深度 |
| 社交 | 抖音/TikTok | 每日观看视频时长 | 反映内容对用户的吸引力 |
| 电商 | 淘宝/Amazon | 每周购买用户数 | 反映交易平台的核心价值 |
| 电商 | 拼多多 | 每月购买订单数 | 高频低客单价模式的核心衡量 |
| SaaS | Slack | 每周发送消息数(>2000) | 团队深度使用的信号 |
| SaaS | Zoom | 每周托管会议数 | 反映协作工具的核心价值 |
| SaaS | Notion | 每周活跃编辑的团队数 | 反映协作文档的团队渗透 |
| 内容 | 知乎 | 每日内容消费时长 | 反映内容平台的用户价值 |
| 内容 | Medium | 每月阅读文章时长 | 深度阅读是核心体验 |
| 内容 | Spotify | 每月听歌时长 | 音乐平台的核心使用指标 |
| 工具 | Dropbox | 存储并分享的文件数 | 反映云存储的核心使用 |
| 游戏 | 王者荣耀 | 每日对局数 | 反映游戏粘性 |
| 出行 | 滴滴/Uber | 每周完成的订单数 | 反映出行平台的核心价值 |
| 金融 | 支付宝 | 月活跃支付用户数 | 反映支付工具的渗透率 |
北极星指标 vs 虚荣指标
+---------------------+---------------------+
| 北极星指标(好) | 虚荣指标(坏) |
+---------------------+---------------------+
| 每周活跃买家数 | 总注册用户数 |
| 每日完成的核心动作次数 | App 下载量 |
| 月付费用户数 | 页面浏览量(PV) |
| 7日留存率 | 总页面访问量 |
| 每用户月均消费额 | 社交媒体粉丝数 |
+---------------------+---------------------+
| |
v v
能指导行动 看起来好看
反映真实价值 但不能指导决策AARRR 海盗模型详解
AARRR 模型由 Dave McClure 在 2007 年提出，因发音像海盗的叫声而得名"海盗模型"。它将用户的完整生命周期分为五个阶段，是分析产品增长最经典的框架之一。
模型全景图
用户生命周期漏斗 (AARRR)
========================================
+------------------------------------------+
| Acquisition 获取 | 用户从哪里来？
| (广告、SEO、口碑、渠道...) |
+------------------------------------------+
| |
| 流失 | 转化
v v
+---------+ +-------------------------------+
| 离开 | | Activation 激活 | 用户的"啊哈时刻"
+---------+ | (注册、完成首次核心体验) |
+-------------------------------+
| |
| 流失 | 转化
v v
+---------+ +----------------------+
| 离开 | | Retention 留存 | 用户会回来吗？
+---------+ | (持续使用、重复访问) |
+----------------------+
| |
| 流失 | 转化
v v
+---------+ +------------------+
| 离开 | | Revenue 收入 | 用户付费了吗？
+---------+ | (付费、购买、订阅) |
+------------------+
| |
| 无行动 | 转化
v v
+---------+ +----------------+
| 沉默 | | Referral 推荐 |
+---------+ | (分享、邀请) |
+----------------+
|
v
带来新用户
(回到 Acquisition)1. Acquisition 获取
核心问题：用户从哪里来？如何以最低成本获取目标用户？
获取渠道示意图
=============================================
+----------+ +----------+ +-----------+
| SEO/SEM | | 社交媒体 | | 内容营销 |
| 搜索流量 | | 微博/抖音 | | 公众号/博客|
+----+-----+ +----+-----+ +-----+-----+
| | |
v v v
+--------------------------------------------+
| 你的产品落地页 |
+--------------------------------------------+
^ ^ ^
| | |
+----+-----+ +----+-----+ +-----+-----+
| 应用商店 | | 线下推广 | | 口碑/推荐 |
| ASO优化 | | 地推/广告 | | 老带新 |
+----------+ +----------+ +-----------+关键指标：
| 指标 | 含义 | 计算方式 |
|---|---|---|
| CAC（获客成本） | 获取一个用户的平均成本 | 总营销支出 / 新增用户数 |
| 渠道转化率 | 各渠道带来有效用户的比例 | 渠道有效用户 / 渠道总曝光 |
| CPC（每次点击成本） | 广告每次点击的费用 | 广告支出 / 总点击数 |
| CPM（千次展示成本） | 广告每千次展示的费用 | 广告支出 / (总展示/1000) |
2. Activation 激活
核心问题：用户是否体验到了产品的核心价值？是否到达了"啊哈时刻"（Aha Moment）？
用户激活路径
=============================================
下载App --> 打开App --> 注册 --> 完成引导 --> 啊哈时刻!
100% 80% 50% 35% 25%
| | | | |
+============+===========+==========+=============+
|////////////|///////////|//////////|/////////////|
|////////////|///////////|//////////| |
|////////////|///////////| | |
|////////////| | | |
| | | | |
+============+===========+==========+=============+
每一步都在流失用户 --> 需要优化每一步的转化率各产品的"啊哈时刻"举例：
| 产品 | 啊哈时刻 | 说明 |
|---|---|---|
| 10天内加7个好友 | 社交网络效应的临界点 | |
| Dropbox | 上传第一个文件 | 体验到云同步的价值 |
| Slack | 团队发送 2000 条消息 | 感受到团队协作的便利 |
| 关注 30 个人 | 信息流开始变得有价值 | |
| 抖音 | 连续看 5 个视频 | 算法推荐开始精准 |
3. Retention 留存
核心问题：用户会回来吗？产品有没有足够的粘性？
留存是整个 AARRR 模型中最重要的环节。没有留存，获取再多用户也只是在往一个漏水的桶里加水。
留存的"漏水桶"比喻
=============================================
没有留存的产品: 有留存的产品:
+-------+ +-------+
| 新用户 | <-- 不断灌水 | 新用户 | <-- 持续获取
+---+---+ +---+---+
| |
v v
+----------+ +----------+
| | | |
| 产品 | | 产品 |
| | | |
+----+-----+ +----------+
| (桶底完好)
+---+---+
|漏洞漏洞| <-- 用户流失
+---+---+
|
v
流失掉了关键指标：
| 指标 | 含义 | 典型基准（社交类App） |
|---|---|---|
| 次日留存（Day 1） | 新用户第二天回来的比例 | >40% 优秀 |
| 7日留存（Day 7） | 新用户第7天回来的比例 | >20% 优秀 |
| 30日留存（Day 30） | 新用户第30天回来的比例 | >10% 优秀 |
4. Revenue 收入
核心问题：如何将用户价值转化为商业价值？
常见商业模式的收入指标
=============================================
+-------------+ +-------------+ +-------------+
| 订阅模式 | | 电商模式 | | 广告模式 |
| (SaaS) | | | | |
| MRR/ARR | | GMV | | eCPM |
| ARPU | | 客单价 | | 广告收入 |
| LTV | | 复购率 | | DAU * ARPU |
| 付费转化率 | | 购买频次 | | 填充率 |
+-------------+ +-------------+ +-------------+
+-------------+ +-------------+
| 增值模式 | | 佣金模式 |
| (免费增值) | | (平台抽成) |
| 付费渗透率 | | 交易额 |
| 升级转化率 | | 佣金率 |
| ARPPU | | Take Rate |
+-------------+ +-------------+关键指标：
| 指标 | 含义 | 计算方式 |
|---|---|---|
| ARPU | 每用户平均收入 | 总收入 / 总活跃用户数 |
| ARPPU | 每付费用户平均收入 | 总收入 / 付费用户数 |
| LTV | 用户生命周期价值 | ARPU x 用户平均生命周期 |
| MRR | 月经常性收入 | 所有订阅用户的月付费总和 |
| ARR | 年经常性收入 | MRR x 12 |
健康的商业模式：LTV > 3 x CAC（用户终身价值至少是获客成本的3倍）
5. Referral 推荐
核心问题：用户愿意把产品推荐给别人吗？
病毒传播系数（K-Factor）
=============================================
K = i x c
i = 每个用户发出的邀请数
c = 每个邀请的转化率
示例:
+-----------+
| 用户 A | 发出 5 个邀请 (i=5)
+-----+-----+
|
| 5 个邀请
v
+---+---+---+---+---+
| B | C | D | E | F | 其中 1 人接受 (c=0.2)
| x | o | x | x | x |
+---+---+---+---+---+
|
v
K = 5 x 0.2 = 1.0
K > 1 : 用户数指数增长（病毒传播）
K = 1 : 用户数线性增长
K < 1 : 增长逐渐衰减，需要其他获客渠道提升推荐的常见策略：
| 策略 | 举例 | 适用场景 |
|---|---|---|
| 双向奖励 | "邀请好友各得 20 元" | 电商、金融 |
| 社交裂变 | "拼团享低价" | 电商（拼多多） |
| 内容分享 | "分享你的年度报告" | 内容、音乐 |
| 产品内嵌 | "Sent from iPhone" | 工具类 |
| 口碑推荐 | NPS 评分 > 9 的用户 | 所有产品 |
指标分层体系
一个完整的指标体系不能只有北极星指标，需要从上到下进行分层，让不同层级的团队都有明确的工作目标。
三层指标体系
指标分层体系
=============================================
第一层：战略指标（公司/产品层面，1-3个）
+==================================================+
|| 北极星指标: 每周活跃买家数 ||
|| 核心商业指标: GMV, 利润率 ||
+==================================================+
|
| 拆解
v
第二层：策略指标（业务线/团队层面，5-10个）
+--------------------------------------------------+
| 获取: 新用户注册数, 获客成本(CAC) |
| 激活: 首单转化率, 新用户啊哈时刻到达率 |
| 留存: 次日/7日/30日留存率 |
| 收入: ARPU, 客单价, 复购率 |
| 推荐: K-Factor, NPS 评分 |
+--------------------------------------------------+
|
| 继续拆解
v
第三层：过程指标（功能/执行层面，数十个）
+--------------------------------------------------+
| 页面加载速度, 搜索结果点击率, 商品详情页停留时长, |
| 加购率, 支付成功率, 优惠券使用率, 客服响应时间, |
| 推送打开率, 页面跳出率, 表单完成率, ... |
+--------------------------------------------------+举例：电商产品的指标分层
| 层级 | 指标 | 负责人 | 关注频率 |
|---|---|---|---|
| 战略指标 | GMV（交易总额） | CEO/VP | 每周 |
| 战略指标 | 月活跃买家数 | CEO/VP | 每月 |
| 策略指标 | 新用户首单转化率 | 增长团队 | 每日 |
| 策略指标 | 30日复购率 | 运营团队 | 每周 |
| 策略指标 | 客单价 | 商品团队 | 每周 |
| 过程指标 | 搜索结果页点击率 | 搜索团队 | 每日 |
| 过程指标 | 商品详情页加购率 | 产品团队 | 每日 |
| 过程指标 | 支付页面完成率 | 支付团队 | 每日 |
| 过程指标 | 页面加载时间 < 2秒 | 技术团队 | 实时 |
指标定义的 SMART 原则
为每个指标建立清晰的定义文档：
| 要素 | 含义 | 示例 |
|---|---|---|
| Specific 具体 | 明确指标的定义和计算方式 | "日活用户"= 当天有任意一次打开App行为的去重用户数 |
| Measurable 可衡量 | 能通过数据系统采集 | 通过前端埋点记录App启动事件 |
| Achievable 可达成 | 目标值合理 | DAU从100万提升到120万（+20%） |
| Relevant 相关 | 与业务目标相关 | DAU提升直接推动广告收入增长 |
| Time-bound 有时限 | 有明确的时间范围 | 在Q3结束前达成 |
漏斗分析详解
漏斗分析是产品经理最常用的数据分析方法之一，用于衡量用户在完成某个目标过程中每一步的转化和流失情况。
什么是漏斗分析
漏斗分析基本概念
=============================================
用户在完成一个目标（如下单购买）的过程中，
每经过一个步骤都会有一部分用户流失，
形状像一个漏斗。
100% +================================+
| 第一步: 浏览首页 |
+================================+
70% +========================+
| 第二步: 搜索商品 |
+========================+
45% +================+
| 第三步: 查看详情 |
+================+
25% +==========+
|第四步:加购|
+==========+
15% +======+
|下单 |
+======+
12% +====+
|支付 |
+====+电商下单漏斗实例
以某电商 App 为例，我们来分析一周内的下单漏斗数据：
电商购物漏斗（一周数据，单位：万人）
=============================================
步骤 用户数 转化率 流失率
-------------------------------------------------
访问首页 100万
|||||||||||||||||||||||||||||||||||||||||| 100%
|
-30%流失
搜索/浏览商品 70万 |
|||||||||||||||||||||||||||| 70%
|
-36%流失
查看商品详情 45万 |
|||||||||||||||||| 45%
|
-44%流失
加入购物车 25万 |
|||||||||| 25%
|
-40%流失
提交订单 15万 |
|||||| 15%
|
-20%流失
完成支付 12万 |
||||| 12%
-------------------------------------------------
整体转化率: 12万/100万 = 12%如何用漏斗找到优化点
通过上面的数据，我们可以发现：
| 步骤转化 | 转化率 | 流失率 | 分析 | 优化方向 |
|---|---|---|---|---|
| 首页 -> 搜索浏览 | 70% | 30% | 基本正常 | 优化首页推荐 |
| 搜索浏览 -> 查看详情 | 64% | 36% | 偏低 | 优化搜索结果排序 |
| 查看详情 -> 加购 | 56% | 44% | 严重流失 | 重点优化商品详情页 |
| 加购 -> 提交订单 | 60% | 40% | 偏低 | 简化下单流程，促销刺激 |
| 提交订单 -> 支付 | 80% | 20% | 较好 | 增加支付方式 |
发现：详情页到加购的流失率最高（44%），应该作为重点优化方向。可能的原因包括：商品图片质量差、价格没有竞争力、缺少用户评价、详情页加载慢等。
漏斗分析的注意事项
- 定义清晰的步骤：每一步的事件定义要明确，团队统一口径。
- 设定合理的时间窗口：用户从浏览到下单可能跨越多天，时间窗口太短会低估转化率。
- 按维度拆分：同一个漏斗，按渠道、用户群、设备等维度拆分，往往能发现更有价值的信息。
- 关注绝对值和比率：不能只看百分比，还要看绝对用户量。
留存分析
留存是衡量产品健康度最重要的指标之一。如果一个产品不能留住用户，所有的增长投入都是浪费。
留存率的定义
留存率 = 在某日注册的用户中，经过 N 天后仍然活跃的用户比例
示例：1月1日有 1000 个新用户注册
=============================================
1月1日(Day 0) 1000人注册 ████████████████████ 100%
1月2日(Day 1) 450人回来 █████████ 45% <-- 次日留存
1月3日(Day 2) 350人回来 ███████ 35%
1月4日(Day 3) 280人回来 ██████ 28%
...
1月8日(Day 7) 200人回来 ████ 20% <-- 7日留存
...
1月31日(Day 30) 100人回来 ██ 10% <-- 30日留存关键留存指标
| 指标 | 定义 | 意义 | 行业基准（社交App） |
|---|---|---|---|
| 次日留存（D1） | 注册第2天回来的比例 | 衡量产品第一印象和核心体验 | 优秀 > 40% |
| 3日留存（D3） | 注册第4天回来的比例 | 衡量初期产品粘性 | 优秀 > 30% |
| 7日留存（D7） | 注册第8天回来的比例 | 衡量产品中期吸引力 | 优秀 > 20% |
| 14日留存（D14） | 注册第15天回来的比例 | 衡量习惯形成 | 优秀 > 15% |
| 30日留存（D30） | 注册第31天回来的比例 | 衡量长期产品价值 | 优秀 > 10% |
留存曲线
留存曲线反映了用户随时间流失的趋势，好产品的留存曲线会在某个点"拉平"，形成稳定的留存。
留存曲线对比
=============================================
留存率(%)
100|*
|
80 | *
|
60 | *
| * A: 优秀产品（留存曲线拉平）
40 | *
| * * * * * * * * * * * (稳定在~30%)
30 | *
| *
20 | . * .
| . . . B: 一般产品（缓慢下降）
15 | . . . . . . . .
| . . . . . (趋近~8%)
10 | .
| o o
5 | o o
| o o o
| o o o o C: 糟糕产品（持续下降趋近0）
0 +--o---o---o---o---o---o---o---o---o---o---o--
D0 D1 D3 D7 D14 D21 D30 D45 D60 D75 D90
天数解读：
- 曲线 A（优秀）：留存在 D7 左右开始拉平，稳定在 30% 左右。说明约 30% 的用户成为了忠实用户。
- 曲线 B（一般）：留存持续缓慢下降，但趋势在减弱，最终可能稳定在 8% 左右。产品有一定价值，但需要优化。
- 曲线 C（糟糕）：留存持续陡峭下降，趋近 0。说明产品没有找到 PMF（Product-Market Fit），需要重新审视产品方向。
提升留存的策略
提升留存的四大方向
=============================================
+------------------+ +------------------+
| 1. 优化新手体验 | | 2. 建立使用习惯 |
| | | |
| - 简化注册流程 | | - 推送通知提醒 |
| - 引导啊哈时刻 | | - 邮件唤回 |
| - 个性化 onboard | | - 每日签到/任务 |
+------------------+ +------------------+
+------------------+ +------------------+
| 3. 提升核心价值 | | 4. 构建网络效应 |
| | | |
| - 持续优化功能 | | - 社交关系链 |
| - 提高内容质量 | | - 用户生成内容 |
| - 加快响应速度 | | - 社区建设 |
+------------------+ +------------------+用户分群 Cohort Analysis
什么是 Cohort Analysis
Cohort Analysis（同期群分析/用户分群分析）是将用户按照某个共同特征分组，然后跟踪各组用户随时间变化的行为差异。
最常见的分群方式是按注册时间分群：把同一周或同一月注册的用户归为一个 Cohort，然后对比不同 Cohort 的留存表现。
Cohort 留存表格
以下是一个按月注册时间分群的留存表：
| 注册月份 | 注册人数 | 月1 | 月2 | 月3 | 月4 | 月5 | 月6 |
|---|---|---|---|---|---|---|---|
| 1月 | 10,000 | 40% | 28% | 22% | 18% | 16% | 15% |
| 2月 | 12,000 | 42% | 30% | 24% | 20% | 17% | -- |
| 3月 | 15,000 | 45% | 33% | 27% | 22% | -- | -- |
| 4月 | 11,000 | 48% | 35% | 28% | -- | -- | -- |
| 5月 | 13,000 | 50% | 37% | -- | -- | -- | -- |
| 6月 | 14,000 | 52% | -- | -- | -- | -- | -- |
Cohort 留存趋势分析
=============================================
观察上表可以发现:
月1留存: 1月(40%) -> 2月(42%) -> 3月(45%) -> ... -> 6月(52%)
趋势: 40% --> 42% --> 45% --> 48% --> 50% --> 52%
^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
持续改善! 产品在变好!
这说明:
[+] 每个月的新用户留存都在提升
[+] 产品团队的优化工作是有效的
[+] 新用户的首月体验在持续改善Cohort Analysis 的价值
| 价值 | 说明 | 举例 |
|---|---|---|
| 发现趋势 | 观察产品是否在变好 | 新 Cohort 的留存比老 Cohort 好 |
| 评估功能效果 | 某功能上线前后的 Cohort 对比 | 3月上线新手引导后，留存从40%升到45% |
| 找到最佳渠道 | 按获取渠道分群 | 自然搜索来的用户留存远高于广告买来的 |
| 指导资源分配 | 不同用户群的价值差异 | 付费用户的 LTV 是免费用户的 10 倍 |
| 预测未来表现 | 基于历史 Cohort 数据预测 | 预测新 Cohort 6个月后的留存率 |
常见的分群维度
除了按注册时间分群，还可以按以下维度：
用户分群维度
=============================================
+-------------------+ +-------------------+
| 获取渠道分群 | | 行为特征分群 |
| | | |
| - 自然搜索 | | - 高频用户 |
| - 付费广告 | | - 低频用户 |
| - 社交分享 | | - 完成核心动作的 |
| - 口碑推荐 | | - 未完成核心动作的 |
+-------------------+ +-------------------+
+-------------------+ +-------------------+
| 用户属性分群 | | 价值分群 |
| | | |
| - 新用户/老用户 | | - 高价值用户 |
| - 地域 | | - 中价值用户 |
| - 设备类型 | | - 低价值用户 |
| - 年龄段 | | - 流失风险用户 |
+-------------------+ +-------------------+本节总结
核心指标体系知识图谱
=============================================
+---------------+
| 北极星指标 |
| (核心价值衡量) |
+-------+-------+
|
+-----------+-----------+
| |
+-------+-------+ +--------+--------+
| AARRR 模型 | | 指标分层体系 |
| (用户生命周期) | | (战略/策略/过程) |
+-------+-------+ +--------+--------+
| |
+-------+-------+ |
| | |
+---+---+ +-----+-----+ +----+----+
|漏斗分析| | 留存分析 | |用户分群 |
|(转化优化)| |(健康度衡量) | |(深度分析)|
+-------+ +-----------+ +---------+关键要点回顾：
- 每个产品都应该有一个清晰的北极星指标，它是团队的共同目标。
- AARRR 模型帮助你系统思考用户生命周期的每个阶段。
- 指标需要分层管理：战略指标、策略指标、过程指标各有其用。
- 漏斗分析帮你找到用户转化过程中的最大瓶颈。
- 留存分析是衡量产品健康度的最核心工具。
- Cohort Analysis 让你更精细地理解不同用户群的行为差异。
下一节：A/B 测试方法论 -- 学习如何用实验验证你的产品假设。