=- 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
=- 识别实验可能伤害的关联业务指标- 建立全局指标的“反向联动”监控- 设定不可接受的负向阈值- 分析“蚕食效应”(Cannibalization)
- 选择合适的检验方法（T检验/卡方检验/Bootstrap）- 计算P值与统计功效（Power）- 处理多重检验（Multiple Testing）带来的偏差- 输出标准化的统计报告
- 监控SRM（样本比率偏差）以发现分流故障- 实时追踪核心指标与护栏指标的趋势- 自动检测异常值（Outliers）- 提供实验进度的可视化漏斗
- 设计基于哈希（Hash）的流量分桶算法- 确保不同实验层的流量正交（Orthogonal）- 解决流量重叠导致的干扰问题- 验证分桶的均匀性（Uniformity）
- 定义功能开关（Toggle）的配置结构- 设计基于用户属性的流量圈选规则- 实现秒级的配置热更新与回滚- 避免长期的Feature Flag导致代码腐烂