=- 区分本地网络效应与全局网络效应- 计算维持网络活跃所需的最低用户密度(Critical Mass)- 识别阻碍网络效应形成的“反向网络效应”- 制定突破临界点的饱和攻击战术
=- 分析供需双方的价格敏感度与替代成本- 设计阶梯费率或动态佣金机制- 平衡短期营收与长期生态繁荣- 应对竞争对手的低价补贴策略
=- 建立内容质量的多维评分模型(原创度、信息量、互动率)- 设计内容冷启动的流量测试池机制- 自动识别并打压低质/搬运/营销号内容- 规划优质内容的流量加权逻辑
- 确定“先有鸡还是先有蛋”的供给侧优先策略- 设计人工营造流动性（Fake it till you make it）的方案- 筛选高频、刚需的单点突破场景- 规划种子用户的定向邀请与留存路径
=- 监测供给端与需求端的实时流动性比率- 设计潮汐效应下的动态定价或补贴策略- 建立供需失衡时的自动调度机制- 优化匹配算法以最大化全局交易效率
=- 利用产品数据监测客户健康度(Health Score)- 自动化触发主动关怀(Proactive Outreach)- 将成功客户转化为案例与推荐(Advocacy)- 将客户反馈闭环输入到产品迭代中
- 识别产品属于哪种网络效应（直接/间接/双边）- 计算引爆点（Tipping Point）所需的关键规模- 设计冷启动时期的“单机模式”价值- 规划从线性增长到指数增长的转折点策略
- 确定双向奖励的标的（现金/积分/权益）- 测算CAC（获客成本）与LTV的ROI关系- 设计阶梯式奖励以刺激超级传播者- 防止黑产薅羊毛的风控策略
- 定义PQL（Product Qualified Lead）的行为特征- 设定不同行为的权重分值（如邀请同事+10分）- 建立分发给销售团队的触发阈值- 持续迭代评分模型的准确度
=- 绘制用户旅程中的价值溢出点- 识别功能互补的Upsell/Cross-sell组合- 设计不打扰用户的推荐弹窗触发逻辑- 利用数据预测用户的购买意愿
- 设定触发用户回访的外部Trigger（推送/邮件）- 培养内部Trigger（情绪/场景关联）- 设计阶梯式的奖励反馈- 建立“连胜（Streak）”机制防止中断
- 建立上下文感知的Help Center（Contextual Help）- 设计智能化的Onboarding Checklist- 搭建用户社区互助问答机制- 通过产品内提示（Tooltip）拦截工单
- 识别数据上的Aha Moment（如“关注7个人”）- 移除通往Aha时刻的所有非必要阻力（Friction）- 设计引导式交互（Walkthrough）直达核心价值- 设定“未激活”用户的召回策略
- 植入内生性（Inherent）病毒触发点- 利用网络效应（Collaboration/Communication）- 设计“Powered by”式的水印传播- 优化分享落地页的转化闭环
- 定义NRG（自然增长率）与病毒系数（K-factor）- 追踪TTV（Time to Value）与激活率- 分析Expansion Revenue（扩张收入）- 建立产品内的增长漏斗模型
- 建立“数据胜于观点（Data > Opinion）”的决策原则- 鼓励“大胆假设，小心求证”的创新氛围- 消除对失败实验的惩罚机制- 普及全员实验意识与基础统计学知识
- 规划实验元数据（Metadata）的存储结构- 设计用户分桶快照（Snapshot）的保留策略- 支持跨实验周期的长期效果归因- 建立实验数据的ETL清洗规范
- 结合A/B测试、准实验（Quasi-Experiment）、因果推断- 针对无法随机分组的场景设计验证方案（如双重差分DID）- 利用用户访谈进行定性验证- 综合多源证据形成决策闭环
- 检测实验样本（Sample）与总体（Population）的特征差异- 识别选择性偏差（Selection Bias）- 分析时间段选择对样本属性的影响- 提出样本加权或分层抽样的修正建议
=- 自动检查分流比例之和是否为100%- 校验实验参数的类型与范围合法性- 检测实验人群圈选条件的逻辑冲突- 模拟用户请求以验证Flag生效情况