业务指标拆解方法 · 讲义与学习笔记

用2-3个主流框架学会把业务目标逐层拆解为可落地指标，建立能讲给别人的指标体系。

整理：问学·职场

第 1 关 · 指标拆解的思维基础与核心概念

建立指标拆解的底层认知框架，能讲清为什么要拆以及拆什么

业务问题驱动的拆解思维

想象你是一个门诊医生。患者走进来只说了一句「我头疼」。

你不会先让他去做全套体检、等所有报告出来再判断。你会先问：疼多久了？哪一侧？什么情况下加重？——然后**有针对性地**安排检查。

这就是逆向：先有业务问题（症状），沿着可能的因果链反着追问（哪个变量 → 该看什么），最后落到可执行的下一步。

数据分析的常规做法（拉历史数据、跑相关性、做回归）则像「先做完全套检查再说」——它适合**没有明确问题**的探索阶段，但在你已经知道「要解决什么」时，效率低且容易跑偏。

三步逆向：目标 → 指标 → 过程变量

业务问题驱动的拆解，固定走三步：

flowchart LR
    A[业务目标] --> B[结果指标]
    B --> C[一级过程指标]
    C --> D[可执行的过程变量]
  1. **业务目标**：一个具体的、可以质疑的数字。比如「Q3 月销售额做到 1500 万」，不是「提升业务」。
  2. **结果指标**：衡量目标达成的单一数字。月销售额。
  3. **过程指标 / 过程变量**：结果指标由哪些更细的变量决定，以及这些变量可以由谁、什么动作来撬动。

Q3 做到 1500 万的拆解会很快走到这一步：

到这里，「1500 万」才变成一组可以被分配、被追踪、被复盘的子指标——拆解才算真正落地。

与正向统计分析的根本区别

| 维度 | 业务问题驱动的拆解（逆向） | 正向统计分析 | |---|---|---| | 起点 | 一个具体的业务问题 | 一份数据 | | 方向 | 目标 → 变量 → 动作 | 数据 → 规律 → 假设 | | 产出 | 可执行的过程指标清单 | 洞察、相关性、统计显著性 | | 角色 | 运营、产品、增长负责人 | 数据分析师、研究员 | | 适用场景 | 已知问题、需落地 | 未知问题、需探索 |

最关键的区别在**产出形态**：正向分析常产出「洞察」——「周末的转化率比工作日高 30%」。这个发现有用，但它不告诉你接下来该做什么；而逆向拆解产出的是「清单」——「要想转化率提升 3 个百分点，请 A 同学在落地页 B 上做 C 优化」。

洞察是「原来如此」，清单是「接下来这么干」——两种产出对应两种思维。

为什么这件事值得专门讲

DAU、转化率这些常用词你已经熟，但在同事和实习生面前能不能把「拆解」讲清楚，往往卡在两个地方：

  1. 拆解的起点是**业务问题**，不是数据。
  2. 拆解的终点是**可执行的过程指标**，不是洞察。

记住这两条，「拆」和「分析」就不会混作一谈。

**要点：** 业务问题驱动的拆解是逆向工程——从目标反推结果指标，再追到可执行的过程变量；它和「拿数据找规律」的正向分析是两种不同的思考动作，产出形态也截然不同。

北极星指标的定义与判别准则

北极星指标的定义与判别准则

上一节我们讲了「从业务问题逆向反推到过程变量」。整条拆解链从哪里出发？

答案是**北极星指标**——它是业务目标和过程指标之间的「锚」：上接商业成功（业务目标），下接过程变量（拆解链）。所有过程指标都该指向它，所有优化都该以它为标尺。

打个比方：航海者用**一颗**北极星定位船位和航向。同时盯两颗，星体相对位置会变化，反而算不清方位——这是「唯一性」的物理直觉。

五项筛选准则

候选指标要成为北极星，必须同时过五道筛子：

flowchart LR
    A[候选指标] --> B{唯一}
    B -- 否 --> Z[淘汰]
    B -- 是 --> C{反映用户价值}
    C -- 否 --> Z
    C -- 是 --> D{与商业成功强相关}
    D -- 否 --> Z
    D -- 是 --> E{可拆解}
    E -- 否 --> Z
    E -- 是 --> F{可观测}
    F -- 否 --> Z
    F -- 是 --> G[北极星]

逐一拆解：

  1. **唯一性**：一个产品/业务线**只有一个**北极星。两个以上 = 资源冲突时没优先级 = 拆解链方向分叉。锚多了船就漂了。
  2. **反映用户价值**：衡量「用户从产品里得到了什么」，而非「我们在用户身上做了什么」。主动行为次数 = 价值；被动曝光/点击 ≠ 价值。
  3. **与商业成功强相关**：北极星要能预测收入/利润的长期走向。短期波动不可怕，长期背离就要警惕。
  4. **可拆解**：能按用户分层、渠道、漏斗层层拆成过程指标。拆不动 = 黑盒 = 没法指导执行。
  5. **可观测**：能被准确、频繁地测量。年度 NPS、季度复购率——更新太慢，等数据出来已经错过窗口。

用反例卡边界

正面规则讲完，用反例卡一遍边界——这是你向同事讲清「为什么这不是北极星」最趁手的工具。

**反例 1：把 DAU 和留存同时当北极星。** 看着「既反映活跃又反映粘性」，但靠 push 拉来的 DAU 往往伴随留存下跌——两个指标冲突时听谁的？根源是**违反唯一性**。正确做法：二选一做北极星，另一个降为重要过程指标。

**反例 2：把页面 PV 当北极星。** 涨得快、看着漂亮，但反映的是「页面被看了几次」——刷量、爬虫、误触都会推高 PV，长期跟商业成功脱钩。违反准则 2、3。

**反例 3：早期产品把销售额当北极星。** 销售额可由补贴/折扣撑起来——短期数字好看，长期用户没留下来。这是「商业结果」与「用户价值」短期可能背离：北极星必须押长期那一头。

**反例 4：把 NPS 当北极星。** 确实反映用户满意度，但 NPS 是季度调研结果，**更新太慢**，且难以拆成具体动作。违反准则 4、5。

把这四类反例记住，能覆盖 80% 的实战辨析。

速记对照

| 候选指标 | 用户价值 | 商业相关 | 可拆解 | 可观测 | |---|---|---|---|---| | 月销售额 | 中 | 强 | 强 | 强 | | 页面 PV | 弱 | 弱 | 强 | 强 | | 30 日复购用户数 | 强 | 强 | 强 | 强 |

对绝大多数电商/SaaS 产品，**30 日复购用户数**是合格的北极星——但具体是不是，得回到你的业务里再过一遍五道筛子。

**要点：** 北极星指标是业务目标和拆解链之间的「唯一锚点」；判别它要过五道筛——唯一、反映用户价值、与商业成功强相关、可拆解、可观测；任何一项不达标，就只是「重要指标」而非「北极星」。

结果指标、过程指标与驱动指标的层级关系

三类指标的层级关系

你做运营三年，盯过 DAU、转化率、客单价、复购率——这些指标其实不在同一个「高度」上。平铺着看是一锅粥，按层级分就能看出谁在上、谁在下、谁该为谁负责。

**三类指标，按管理粒度从粗到细排列：**

flowchart LR
    A[结果指标<br>北极星] --> B[过程指标<br>漏斗各层]
    B --> C[驱动指标<br>运营动作]
    style A fill:#fef3c7
    style B fill:#dbeafe
    style C fill:#dcfce7

责任人映射：指标分给谁

不同层级，对应不同的「看业务的人」：

| 层级 | 典型指标 | 责任人 | 看的时间窗 | |---|---|---|---| | 结果 | 30 日复购用户数 | CEO / 业务一号位 | 月 / 季 / 年 | | 过程 | 复购率、客单价 | 部门负责人 / 总监 | 周 / 月 | | 驱动 | Push 推送点击率 | 运营 / 执行同学 | 日 / 周 |

**判据很硬**：你能直接动手改的，就是驱动指标；你能指挥别人改的，就是过程指标；只有顶层能改的，才是结果指标。这条判据比记忆定义靠谱得多——遇到一个指标不知道归哪层，问一句「谁能直接动它」就清楚了。

关键区分：层级 ≠ 因果链

这是本节最容易被搞混的地方，听好：

> **指标层级反映的是管理粒度，因果链反映的是业务机制。这是两件独立的事。**

什么意思？

举个反直觉的例子：把「复购率」放在「复购用户数（结果）」和「推送点击率（驱动）」之间作为过程指标——这只是因为它**粒度居中**。但**复购率是不是真的由推送点击率决定**？不一定。可能是商品质量、可能是物流时效、可能是竞品上新。这两件事要分开看：

混淆这两者的代价是：组织架构图变成了业务因果图。结果指标下滑复盘时，错把下游执行同学当成了根因——「推送点击率掉了所以复购掉了」，但其实根因是商品质量，复购率下降是它自己独立发生的，下游推送只是恰好同期也掉了。

一个具体例子

某电商业务，30 日复购用户数下滑 10%。拆解链如下：

flowchart TD
    A[30 日复购用户数<br>结果] --> B[30 日活跃用户数<br>过程]
    A --> C[复购率<br>过程]
    B --> D[Push 推送点击率<br>驱动]
    B --> E[短信召回点击率<br>驱动]
    C --> F[SKU 上新数<br>驱动]
    C --> G[物流时效<br>驱动]

注意「SKU 上新数」和「物流时效」都被标成驱动——但 SKU 上新是**人为**能控制的，物流时效是**外部因素**。同样粒度，业务上属于完全不同的因果机制。层级告诉你「看哪」，数据验证才告诉你「是不是真的因」。

复盘时正确的做法是：先用拆解链定位「复购率这个过程指标掉了」，再去独立验证「复购率掉的真正驱动是什么」——可能是 SKU，可能是物流，可能是推送。验证完再下结论，不要把拆解位置直接当成因果关系。

**要点：** 指标按管理粒度分结果/过程/驱动三层，分别对应 CEO/总监/执行同学的责任；**层级是层级，因果是因果**——前者告诉你「看业务的哪一块」，后者要靠数据单独验证，混在一起就会把组织汇报关系错当成业务因果链。

加法与乘法——指标拆解的两种基本动作

加法与乘法——指标拆解的两种基本动作

前面几节讲了为什么拆、拆到哪一停。这一节先把工具备齐——指标拆解表面上千变万化，底层其实只有两个动作：加法和乘法。所有复杂的拆解树，都是这两个动作的嵌套和组合。

一个直觉：你怎么切一块月度蛋糕

想象你面前有一份月度 GMV 报告，老板让你解释「这个月为什么涨了」。

你的第一种思路是**按来源切**：把 GMV 切成「自然搜索」「付费投放」「私域复购」「直播带货」几块，看看是哪一块涨了。这就是加法——把整体切成互不重叠的几块。

你的第二种思路是**按公式拆**：GMV = 流量 × 转化率 × 客单价，然后看是流量涨了、还是转化率涨了、还是客单价涨了。这就是乘法——把整体看成几个因子的乘积。

两种切法都是「拆」，但拆法不同，看到的信息也不同：加法告诉你「贡献来源」，乘法告诉你「驱动机制」。

加法分解：整体 = 部分的求和

加法分解的判据很简单——**所有部分加起来等于整体，没有任何重叠**。

按用户分层：新用户 + 老用户 = DAU 按渠道拆分：渠道A + 渠道B + 渠道C = 总流量 按地区汇总：华北 + 华南 + 华东 = 总营收 按时间段切割：1月 + 2月 + ... + 12月 = 年营收

**关键特征**：每个部分是一个「独立的小整体」，它们之间没有倍数关系，纯粹是分块汇总。

乘法分解：整体 = 因子的乘积

乘法分解的判据是**所有因子乘起来等于整体，每个因子都是一个比值或单位**。

漏斗相乘：注册用户数 × 注册转化率 = 注册成功数 公式拆解：GMV = 流量 × 转化率 × 客单价 留存拆解：30日留存用户数 = 新增用户数 × 30日留存率 LTV 拆解：LTV = ARPU × 平均留存周期

**关键特征**：每个因子是「一个比率、一个系数」，它们之间有数量级的接力——上一个因子的输出是下一个因子的输入。

两种动作的对照
flowchart LR
    subgraph 加法
        A1[整体] --> A2[部分1]
        A1 --> A3[部分2]
        A1 --> A4[部分3]
    end
    subgraph 乘法
        M1[整体] --> M2[因子1]
        M2 --> M3[因子2]
        M3 --> M4[因子3]
    end

加法和乘法在实际拆解中**经常组合使用**。比如 GMV 既可以按渠道加法切（自然 + 投放 + 私域），也可以按公式乘法拆（流量 × 转化率 × 客单价）。更常见的是先按一个维度加法切，再对每一块做乘法展开——形成一棵「加乘混搭」的指标树。

一个简单例子

某电商月 GMV = 1000 万。两种拆法并列：

**加法视角（贡献来源）：**

**乘法视角（驱动机制）：**

加法告诉你「钱从哪来」，乘法告诉你「钱怎么算出来的」。两套视角并列存在，不冲突也不互替。

为什么先讲这个

本节只把「加法」和「乘法」两个动作**装进你的工具箱**，让你看到任何指标拆解时都能下意识辨认：这一步是加法还是乘法。具体的判据、适用场景、什么时候用哪个、加法怎么切才不漏不重、乘法的因子怎么选——这些都留到下一关第一节展开。这里你先建立三个锚点：

**要点**：指标拆解只有两个基本动作——加法把整体切成不重叠的部分（看「谁贡献」），乘法把整体拆成相乘的因子（看「怎么算出来」）；任何复杂指标树都是这两种动作的组合。

学习笔记

指标拆解的思维基础与核心概念

一、业务问题驱动的拆解思维（逆向）

二、三步逆向拆解

业务目标 → 结果指标 → 过程指标 → 驱动指标

例：月销售额 = 月活买家数 × 客单价 × 月均购买频次；月活买家数 = 新客数 + 老客复购数

三、逆向拆解 vs 正向统计分析

| 维度 | 逆向 | 正向 | |---|---|---| | 起点 | 业务问题 | 一份数据 | | 方向 | 目标 → 变量 → 动作 | 数据 → 规律 → 假设 | | 产出 | 可执行的过程指标清单 | 洞察、相关性、统计显著性 | | 角色 | 运营、产品、增长负责人 | 数据分析师、研究员 |

核心区别：**洞察是「原来如此」，清单是「接下来这么干」**

四、北极星指标

五、五项筛选准则

候选指标要成为北极星，必须同时过五道筛子：

  1. **唯一性**：一个产品/业务线只能有一个北极星
  2. **反映用户价值**：衡量「用户从产品里得到了什么」，而非「我们在用户身上做了什么」（主动行为次数 = 价值；被动曝光/点击 ≠ 价值）
  3. **与商业成功强相关**：能预测收入/利润的长期走向
  4. **可拆解**：能按用户分层、渠道、漏斗层层拆成过程指标
  5. **可观测**：能被准确、频繁地测量

任何一项不达标，就只是「重要指标」而非「北极星」。

六、常见反例

七、三类指标的层级关系

按管理粒度从粗到细：

八、责任人映射

| 层级 | 典型指标 | 责任人 | 时间窗 | |---|---|---|---| | 结果 | 30 日复购用户数 | CEO / 业务一号位 | 月 / 季 / 年 | | 过程 | 复购率、客单价 | 部门负责人 / 总监 | 周 / 月 | | 驱动 | Push 推送点击率 | 运营 / 执行同学 | 日 / 周 |

**判据**：能直接动手改的 = 驱动；能指挥别人改的 = 过程；只有顶层能改的 = 结果

九、层级 ≠ 因果链

混淆代价：组织架构图变成业务因果图，复盘时错把下游执行当成根因。

十、加法与乘法——两种基本动作

加法分解
乘法分解
两种视角的对比

实际拆解中经常**组合使用**：先按一个维度加法切，再对每一块做乘法展开，形成「加乘混搭」的指标树。

第 2 关 · AARRR 海盗模型——用户全生命周期框架

能用 AARRR 描述一个产品从获客到变现的全链路，并判断其适用场景与内在局限

AARRR 五环节的定义与核心指标

AARRR 五环节的定义与核心指标

开门见山：什么是 AARRR

2007 年，风险投资人 Dave McClure 提出了一套把用户从「第一次听说你」到「持续给你创造价值」的全过程切成五段的框架。因为五个环节首字母拼起来像海盗喊的「Arr!」，所以叫「海盗模型」。

对一个三年运营来说，你可以把它想成一条用户进店的路线：**路过店门 → 进店逛了一圈 → 第二天又来了 → 买了东西 → 走的时候还推荐了朋友**。AARRR 就是把这条路切成五段，每段给你一个名字和一组衡量数字。

五个环节的流转

flowchart LR
    A[Acquisition<br/>获客] --> B[Activation<br/>激活]
    B --> C[Retention<br/>留存]
    C --> D[Revenue<br/>变现]
    D --> E[Referral<br/>传播]
    E -.带来新用户.-> A

注意 Referral 那条虚线：满意的老用户带新用户回来，又会流回 Acquisition。**AARRR 是一个循环，不是单向漏斗**——这正是它和很多「漏斗模型」最大的区别。

五环节逐个拆解

1. Acquisition 获客——用户怎么知道你
2. Activation 激活——第一次体验到「啊哈时刻」

这是最容易和「注册」混淆的一环。**激活 ≠ 注册**。注册只是用户留了个联系方式，激活是用户**第一次在产品里完成那个让他觉得「这玩意儿对我有用」的关键动作**。

3. Retention 留存——用户会不会回来

没有留存，前面获客、激活全白干。留存回答的核心问题是：**「N 天后还有多少比例的人还在用？」**

4. Revenue 变现——用户开始给你钱

变现 ≠ 直接收费。**只要用户给产品贡献了可货币化的价值，都算 Revenue**——订阅付费、广告分成、虚拟道具、电商佣金，都是。

5. Referral 传播——老用户拉来新用户

口碑传播，是被很多国内产品忽略、但在增长模型里杠杆最大的一环。

两个最容易踩坑的口径问题

**第一，活跃用户怎么定义？**

DAU/MAU/WAU 的关键不是「日/周/月」三个字，而是**「活跃」两个字怎么算**。

**第二，留存看几天？**

没有标准答案，**取决于用户的自然使用频次**：

一个电商 App 的小例子

某电商 App 一周内通过信息流广告获得 10000 次曝光：

| 环节 | 动作 | 数据 | 指标 | |---|---|---|---| | 获客 | 曝光 → 点击 | 800 次点击 | CTR = 8% | | 激活 | 点击 → 完成首单 | 50 人首单 | 激活率 = 6.25% | | 留存 | 激活用户次日回访 | 20 人回来 | 次日留存 = 40% | | 变现 | 留存用户当月复购 | 8 人复购 | 复购率 = 40% | | 传播 | 付费用户邀请好友 | 1 人邀请成功 | 邀请转化率 = 12.5% |

每一行的转化率都是可诊断的「环节健康度指标」——某一行明显偏低，就意味着那一环是当前的瓶颈，这正是 AARRR 作为诊断器最有杠杆的用法。

**要点：** AARRR 把用户全生命周期切成 5 个环节，每个环节都对应一组核心指标；落地时必须先想清楚「活跃怎么定义」和「留存看几天」这两个口径问题，否则指标再花哨也是空话。

模型的适用场景与内在局限

开门见山：AARRR 是地图，不是作战计划

上一节我们把 AARRR 的五个环节和对应指标过了一遍。但这五个环节组成的结构，本质是什么？它能回答什么问题、回答不了什么问题？

一个直观的类比：**AARRR 像一张地铁线路图**，告诉你有几条线、经过哪几站、换乘点在哪。它能让你完整看到用户全旅程长什么样。

但它不是一份作战计划——回答不了「今年 DAU 涨到 1000 万」这种目标怎么落地，也回答不了「明天双 11 大促重点投哪个渠道」这种单点问题。

理解 AARRR 的**适用边界**，比记住五个环节更重要——用错了框架，比没有框架更危险。

AARRR 真正擅长的三件事

**1. 给团队一套统一的「全链路语言」**

产品、运营、市场、销售各说各话的时候，AARRR 提供了一个共同坐标系：「我们现在谈的是 Activation 还是 Retention？」「激活率掉了，是哪个渠道拉来的用户激活率掉了？」——这层统一是它的最大价值。

**2. 诊断全链路的薄弱环节**

上一节末尾的电商例子，五个环节的转化率一摆出来，谁是瓶颈一目了然。AARRR 作为**诊断器**非常好用。

**3. C 端、单一线性用户旅程的产品**

工具、内容、电商、社交这些典型 C 端产品，用户的旅程基本是「知道 → 用 → 回来 → 付费 → 传播」这条主线，AARRR 高度吻合。

为什么 AARRR 解决不了「单点目标拆解」

这是三年运营最常踩的坑：**拿到一个目标（「Q3 DAU 涨到 500 万」），想用 AARRR 拆解**。拆不动。为什么？

一句话：**AARRR 是横向切（按环节切），不是纵向切（按层级切）**。两件事，得用两把刀。

B 端业务的水土不服

AARRR 的另一个硬伤，是它假设了**一个用户、一条线性旅程**。这条假设在 B 端几乎不成立。

flowchart LR
    A[一线员工<br/>使用方] -->|提需求| B[业务主管<br/>发起方]
    B -->|推荐| C[IT 主管<br/>评估方]
    C -->|背书| D[采购总监<br/>决策方]
    D -->|审批| E[财务<br/>付款方]

B 端一笔订单的旅程，不是「获客→激活→留存→付费→传播」，而是**多角色、多触点、跨月甚至跨年**的复杂过程：

硬套 AARRR，你会在每个环节都陷入「这一段到底算谁」的争论里，框架反而成了沟通障碍。

其他几个内在局限

什么时候用、什么时候别用

| 场景 | 用 AARRR？ | |---|---| | C 端产品全链路复盘 | ✓ 适合 | | 团队拉齐对用户旅程的认知 | ✓ 适合 | | 诊断哪个环节是当前瓶颈 | ✓ 适合 | | Q3 目标 500 万 DAU 怎么拆 | ✗ 不适合（需要指标树） | | B 端 SaaS 客户成单分析 | ✗ 不适合（需要客户旅程图） | | 多产品线、复杂业务 | ✗ 不适合（需自建分层框架） |

**要点：** AARRR 是横向的全链路诊断器和团队语言工具，不是纵向的目标拆解工具；C 端单一线性旅程是它的甜区，B 端多角色决策和单点目标拆解是它最大的两个坑——遇到这两类问题，需要换工具。

AARRR 与产品生命周期的对应

开门见山：五个环节该同等投入吗？

AARRR 把用户旅程切成五段，但**没说哪一段对你最重要**——这是它的一个内生盲点。

现实里：产品刚上线时你可能 80% 资源砸在拉新上；成熟期 70% 资源转向留存和变现；衰退期可能只维护核心高价值用户。这不是偷懒，是产品在不同阶段有不同的命门。

AARRR 横向切一刀，告诉你「五段都在」；**产品生命周期**纵向切一刀，告诉你「你处在哪一段、哪一环此刻是命门」。两个框架叠起来用，资源分配才有依据。

产品生命周期的四个阶段

flowchart LR
    A[拉新期<br/>0-6个月] --> B[成长期<br/>6-18个月]
    B --> C[成熟期<br/>1-3年]
    C --> D[衰退期<br/>或转型]
    D -.->|转型成功| B
    D -.->|转型失败| X[退场]

权重矩阵：不同阶段，五个环节的优先级

| AARRR 环节 | 拉新期 | 成长期 | 成熟期 | 衰退期 | |---|---|---|---|---| | Acquisition 获客 | ★★★★★ | ★★★★★ | ★★★ | ★ | | Activation 激活 | ★★★ | ★★★★ | ★★★ | ★ | | Retention 留存 | ★★ | ★★★★ | ★★★★★ | ★★ | | Revenue 变现 | ★★ | ★★★ | ★★★★★ | ★★★ | | Referral 传播 | ★ | ★★★ | ★★★★ | ★ |

读法：星越多代表该阶段该环节越该是资源重点。

四个阶段的资源重心

**拉新期：命门是「获客→激活」** PMF 还没验证，一切围绕「能不能跑通」。

**成长期：命门是「获客放量+留存验证」** PMF 验证后，开始规模化。

**成熟期：命门是「留存+变现」** 用户增长放缓甚至见顶。

**衰退期：命门是「留存核心+变现收割」** DAU/收入持续下滑，找不到新增长点。

怎么判断你现在在哪一阶段？

权重表告诉你「理论上」该怎么做，但实操要先判断「我当前是哪个阶段」。三个判断信号：

  1. **DAU/MAU 增速曲线**：增速 > 10%/月 通常还在成长期；增速 < 2%/月 进入成熟期；连续负增长进入衰退期
  2. **CAC 趋势**：CAC 持续上升通常意味着进入成熟/衰退（流量竞争激烈），CAC 稳定且低通常在成长期
  3. **留存曲线形态**：早期产品若留存曲线是「L 形」快速跌到低位说明 PMF 差；成熟产品留存曲线接近「J 形」后期走平说明健康

三个常见坑

**要点：** AARRR 横向切、产品生命周期纵向切；不同生命周期阶段五个 AARRR 环节的优先级权重完全不同——拉新期重获客激活、成长期重获客放量+留存、成熟期重留存变现、衰退期重核心用户收割；用 DAU 增速、CAC 趋势、留存曲线形态三个信号判断当前阶段，再按权重表分配资源，但权重表是参考不是教条。

用 AARRR 定位业务薄弱环节

AARRR 不只是描述框架，更是诊断框架

前两节我们讲了 AARRR 是什么、它适用哪些场景。这一节回到一个更落地的问题：**AARRR 怎么用来给真实业务做体检，找到当下最该修的那个环节。**

核心思路一句话：AARRR 把用户旅程切成五段，每一段都有一个转化率——**五段转化率组成的漏斗，就是你的业务体检表。漏斗最陡的那一截，就是最薄弱的环节。**

第一步：把 AARRR 还原成一条漏斗
flowchart LR
    A[Acquisition<br/>1000 曝光] -->|触达率 60%| B[Activation<br/>600 进入]
    B -->|激活率 40%| C[Retention<br/>240 次留]
    C -->|付费率 15%| D[Revenue<br/>36 付费]
    D -->|传播率 5%| E[Referral<br/>约 2 人带来]

横轴是用户从看到产品到付费再到传播的路径；纵轴是每一步剩下多少人。**漏斗不是单看绝对值，要看每一截的「相对陡峭程度」。**

第二步：算每一段的真实转化率——分母必须对齐

很多人算 AARRR 漏斗时栽在分母上：

**分母不对齐，跨环节对比就是自欺欺人。**只有分母对齐了，「激活→次留 40%」和「次留→付费 15%」才能放在同一张图里比。

第三步：案例演示——某工具产品的体检表

| 环节 | 分子 | 分母 | 本产品转化率 | 行业基准 | 差值 | |---|---|---|---|---|---| | 触达 → 激活 | 600 | 1000 | 60% | 50% | +10 | | 激活 → 次留 | 240 | 600 | 40% | 35% | +5 | | 次留 → 付费 | 36 | 240 | 15% | 8% | +7 | | 付费 → 传播 | 2 | 36 | 5% | 10% | **-5** |

**读法**：横向比相对水平（你 vs 行业），纵向比绝对值（哪一截漏得最狠）。

**结论一句话：传播是命门。**

第四步：定位后的行动指向——先诊断再动手

找到短板后，**不要直接冲上去改**。先回答三个问题：

  1. **这是新问题还是老问题？**——看近 3 个月趋势，是突然掉下来的还是一直这样。突然掉下来的优先级更高（说明有变量在恶化）
  2. **是全用户群的问题还是某细分群的问题？**——按新老、渠道、付费等级、地域拆开看。平均值常常掩盖结构问题
  3. **问题出在「意愿」还是「能力」？**——意愿是激励不够（用户不想分享），能力是路径不顺（想分享但找不到入口）

拿上例的传播短板来说，假设拆解后**发现是新用户（注册 <30 天）几乎不传播、老用户（>1 年）传播率反而 12%**——这就把问题从「全用户传播差」收敛到「新用户没有传播动力」。

第五步：从 AARRR 进入指标树——定位因子

AARRR 漏斗帮我们定位到**哪个环节**是命门，但它停在「环节」这一层。命门之下的**具体因子**（是什么导致这环节差），需要用指标树/公式拆解法继续往下追。

拿「新用户传播率 0%」这个收敛后的问题继续拆：

flowchart TD
    A[新用户传播率 0%] --> B[邀请触发人数]
    A --> C[单人邀请转化率]
    B --> D[看到分享入口]
    B --> E[点击分享按钮]
    C --> F[被邀请人接受率]

哪个分项更低，就集中资源修那一项。**AARRR 定位环节、指标树定位因子，两者配合才完整。**

三个常见误用

**要点：** AARRR 漏斗的诊断用法 = 五段还原成转化率漏斗（分母必须对齐）→ 找到最陡的那一截（相对+绝对都看）→ 按新老/渠道分层确认问题边界 → 用意愿 vs 能力二分判断原因 → 用指标树向下追到具体动作；AARRR 负责定位环节，指标树负责定位因子，缺一不可。

学习笔记

AARRR 海盗模型——用户全生命周期框架

AARRR 的来源与本质

五环节定义与核心指标

1. Acquisition 获客
2. Activation 激活
3. Retention 留存
4. Revenue 变现
5. Referral 传播

模型的适用场景与内在局限

框架定位
AARRR 擅长的三件事
  1. 给团队一套统一的「全链路语言」
  2. 诊断全链路的薄弱环节
  3. C 端、单一线性用户旅程的产品（工具、内容、电商、社交）
解决不了「单点目标拆解」的原因
B 端业务的水土不服

AARRR 与产品生命周期的对应

两个框架的关系
产品生命周期的四个阶段
权重矩阵：不同阶段、五个环节的优先级

| AARRR 环节 | 拉新期 | 成长期 | 成熟期 | 衰退期 | |---|---|---|---|---| | Acquisition 获客 | ★★★★★ | ★★★★★ | ★★★ | ★ | | Activation 激活 | ★★★ | ★★★★ | ★★★ | ★ | | Retention 留存 | ★★ | ★★★★ | ★★★★★ | ★★ | | Revenue 变现 | ★★ | ★★★ | ★★★★★ | ★★★ | | Referral 传播 | ★ | ★★★ | ★★★★ | ★ |

（星越多代表该阶段该环节越该是资源重点）

四阶段的资源重心

**拉新期：命门是「获客→激活」**

**成长期：命门是「获客放量+留存验证」**

**成熟期：命门是「留存+变现」**

**衰退期：命门是「留存核心+变现收割」**（讲义中此节具体内容被截断）

用 AARRR 定位业务薄弱环节

核心思路
第一步：把 AARRR 还原成一条漏斗
第二步：算每一段的真实转化率——分母必须对齐
第三步：案例演示——某工具产品的体检表

| 环节 | 分子 | 分母 | 本产品转化率 | 行业基准 | 差值 | |---|---|---|---|---|---| | 触达 → 激活 | 600 | 1000 | 60% | 50% | +10 | | 激活 → 次留 | 240 | 600 | 40% | 35% | +5 | | 次留 → 付费 | 36 | 240 | 15% | 8% | +7 | | 付费 → 传播 | 2 | 36 | 5% | 10% | **-5** |

第四步：定位后的行动指向——先诊断再动手

找到短板后，**不要直接冲上去改**，先回答三个问题：

  1. **新问题还是老问题？**——看近 3 个月趋势，是突然掉下来的还是一直这样。突然掉下来的优先级更高（说明有变量在恶化）
  2. **全用户群的问题还是某细分群的问题？**——按新老、渠道、付费等级、地域拆开看。平均值常常掩盖结构问题
  3. **问题出在「意愿」还是「能力」？**——意愿是激励不够（用户不想分享），能力是路径不顺（想分享但找不到入口）
第五步：从 AARRR 进入指标树（讲义中此节具体内容被截断）

第 3 关 · OSM-UE 框架——目标驱动的指标体系

能用 OSM-UE 把一个明确的业务目标拆成一组可执行、可度量的策略与指标

OSM 三段式的因果结构

起点：一个具体的目标

对于刚学过 AARRR 的同学，AARRR 像一条流水线——把用户从「听说你」到「给你创造价值」切成五段，看每段的转化率。OSM 视角完全不同：它不从用户旅程开始，而从**一个具体的业务目标**开始。

比如，运营总监在 Q3 启动会上说：「我们这个季度要把月活买家数提升 20%。」这就是 Objective——一个可以质疑、可以追责、有时间期限的数字目标。

三段的定义与因果顺序

OSM 把从目标到落地的链条切成三段：

三段之间是严格的**因果顺序**：O 决定 S（目标不同，策略就不同），S 决定 M（打法不同，要盯的指标就不同）。这条顺序不可逆——你不能先想好要看哪些数据，再倒推要做什么事。

flowchart LR
    O[O 业务目标<br/>要达成的数字] --> S[S 实现策略<br/>怎么干成]
    S --> M[M 衡量指标<br/>怎么验证在起作用]
    M -.反馈与调整.-> S

注意 M 到 S 的虚线箭头——指标的作用不只是「汇报结果」，更是**反馈**：当指标显示策略没起作用时，要回去调整 S，甚至回头挑战 O 是否合理。

常见病：策略缺位与度量错配

OSM 看上去很简单，但实操中两种病最常见：

**病一：策略缺位——O 直接跳到 M**

「我们要提升 GMV，下个月把转化率做到 5%。」

这句话里 O 是「提升 GMV」，M 是「转化率 5%」，但**没有 S**。没说清楚靠什么策略提升 GMV——是新客拉新？老客复购？客单价提升？转化率 5% 是结果指标，但**没有策略就不知道该往哪儿使劲**。这种目标本质上是一个「愿望」，不是 OSM。

**病二：度量错配——S 到位了但 M 没选对**

比如策略是「通过发优惠券提升老客复购」，但度量指标选的是「总销售额」。总销售额涨了你不知道是复购贡献的，还是新客拉来的，更不知道这张优惠券的 ROI 怎么样。**度量没有咬住策略**——这就是度量错配。

正确做法是给「发券促复购」这个 S 配 M 时，至少要包含：券核销率、券后客单价、复购用户数、以及关键的**成本指标**（券面总额 / 带来的 GMV）。

一个完整例子

假设 O 是「Q3 月活买家数从 100 万提升到 120 万」，运营团队会拆出三条并行策略：

| 策略 S | 对应度量 M（部分） | |---|---| | 新客拉新（信息流投放 + 新人礼） | 新客数、CAC、新客 7 日留存 | | 老客复购（会员日 + 定向券） | 复购率、券核销率、人均购买频次 | | 流失用户召回（短信 + Push） | 触达率、召回率、召回后 30 日活跃 |

每一条 S 都对应一组能验证「它有没有在起作用」的 M。当 M 显示某条 S 没跑出来，就能定位问题、调整打法，而不是笼统地说一句「月活没达标」。

要点

OSM 不是「目标—动作—结果」三件套的填空，而是一条**从 O 到 S 到 M 的强制因果链**——没有 S 的 O 是愿望，没有咬住 S 的 M 是噪音。

UE 用户行为旅程的拆法

起点：M 究竟要度量什么

上一节我们留了一个口子：当 O 是「Q3 月活提升 20%」、S 是「老客复购（会员日 + 定向券）」时，M 至少要包含「券核销率、券后客单价、复购用户数」。但**这些 M 究竟是从哪里挑出来的**？为什么是这几个，而不是别的？

答案藏在用户身上——**M 必须是用户行为的度量**。换句话说，要先画出「老客在会员日这一天会经历哪些关键行为」，然后在每个关键节点上设一个度量。这个从用户视角梳理出来的行为节点序列，就是 UE（User Experience/Engagement，用户行为旅程）。

UE 的本质：从用户视角画地图

UE 不是用户画像（不是描述「用户是谁」），也不是用户调研（不是问用户「你满意吗」）。UE 是**运营视角下、围绕某条策略，用户从接触到产生价值会走过的关键行为节点**。

它有几个特征：

怎么拆：三个动作

实操中拆 UE 不靠灵感，靠三步：

**第一步：定义起点和终点**。起点是「策略触达用户的第一个接触点」，终点是「用户为这条策略贡献了业务价值」。例如对「老客复购」策略，起点是「收到会员日推送」，终点是「完成复购订单并支付成功」。

**第二步：在起终点之间列出所有「用户必须做出的关键选择」**。所谓关键选择，就是「做了 A 就大幅提升业务结果，不做 A 后续就没机会」的动作。比如「看到推送后是否点击」「进店后是否加购」「加购后是否使用券」「使用券后是否完成支付」。

**第三步：每个关键选择就是一个行为节点**。把节点串起来，就得到这张策略的 UE。

flowchart LR
    A[收到会员日推送] --> B[点击推送进入 App]
    B --> C[浏览活动会场]
    C --> D[领取定向券]
    D --> E[加购商品]
    E --> F[使用券下单支付]
    F --> G[复购完成]

行为节点即度量锚点

UE 画完之后，M 就有了着落——**每个行为节点都对应一组度量，UE 节点就是 OSM 里 M 的天然锚点**。具体来说有两类：

把这两类组合起来，就得到这张策略完整的 M 集合。

回到上一节那个策略「老客复购（会员日 + 定向券）」：

| UE 节点 | 节点度量 M | 节点间转化 M | |---|---|---| | 收到推送 | 触达用户数 | — | | 点击推送 | 点击 UV | 推送点击率 | | 进入活动会场 | 会场 UV | 落地率 | | 领取定向券 | 领券用户数 | 领券转化率 | | 加购商品 | 加购用户数 | 加购转化率 | | 下单支付 | 支付订单数 | 支付转化率 | | 复购完成 | 复购用户数 | 复购率（vs 上月同期老客） |

每一行 M 都咬住了 UE 上的一个行为节点——这就是「度量没有错配」的检验标准。

常见病：指标孤岛

UE-M 对应关系最容易踩的坑是「**指标孤岛**」——团队提了一个指标，但找不到它对应哪个用户行为节点。典型例子：

**判别方法很简单**：拿到一个 M，问一句「这个数字变化，是哪个用户行为的哪一步多了或少了？」答得上来，就是锚得住的 M；答不上来，就是孤岛指标——要么换掉，要么补一条独立 UE 把它的因果链说清。

要点

UE 是从用户视角画出的关键行为节点序列；每条 S 各画一张 UE，每个节点都是 M 的天然锚点——能锚住用户行为的 M 才算归口，锚不住的 M 就是孤岛指标。

OSM-UE 与 AARRR 的本质差异

起点：两套拆解，看起来都在做指标

你可能听过同事说「我们用 AARRR 拆指标」或者「这次我们用 OSM 来拉齐指标」。两套工具听起来都在做指标拆解，落地后都有一长串数字挂在看板上。但**它们是同一种工具吗？**——不是。它们的起点根本不同。

AARRR：流程驱动的视角

AARRR（Acquisition 拉新、Activation 激活、Retention 留存、Revenue 变现、Referral 推荐）由 Dave McClure 提出，本质是**把用户从第一次接触产品到产生商业价值的过程切成五段**。它是一张**用户旅程地图**，回答的问题是：

因此 AARRR 拆出来的指标是**节点型**的：每个阶段有 1-2 个核心数字（拉新成本 CAC、激活率、D1/7 日留存、ARPU、推荐系数 K 因子）。它的分析对象是「用户」——关注**用户本身沿着哪个漏斗在流失**。

AARRR 的优势在于**视角完整、节点固定**。任何互联网产品都能套上这五段，对照看自己在哪一段流失最严重，然后针对性优化。

flowchart LR
    A[Acquisition 拉新] --> B[Activation 激活]
    B --> C[Retention 留存]
    C --> D[Revenue 变现]
    D --> E[Referral 推荐]

但 AARRR 有一个隐含前提：**它假设业务目标是固定的**——「让用户走完整条路，每一段都不掉」。它不直接回答「**这一季度我们到底要把哪个数字拉高**」「**通过什么策略拉高**」。

OSM-UE：目标驱动的视角

OSM-UE 的起点是**业务目标本身**。它先问「O 是什么」（比如 Q3 复购 +20%），再问「**用哪些 S 达成这个 O**」（会员日 + 定向券），然后为每条 S 各画一张 UE，最后在 UE 的每个节点上挂上 M。

它回答的问题不是「用户在哪个节点流失」，而是**「为了达成目标，我该押什么策略、押什么行为、用什么指标背书」**。它的分析对象是**目标 → 策略 → 行为 → 度量的因果链**，关注**每条策略和它的度量是否归口**。

flowchart LR
    O[Objective 目标] --> S1[Strategy 策略 1]
    O --> S2[Strategy 策略 2]
    S1 --> M1[Measurement 指标 1]
    S1 --> M2[Measurement 指标 2]
    S2 --> M3[Measurement 指标 3]
    S2 --> M4[Measurement 指标 4]

根本差异：起点不同，对齐的对象不同

把两者并排看，差异集中在三点：

**第一，起点不同**。AARRR 从**用户旅程**出发（先有漏斗，再看哪段差）；OSM-UE 从**业务目标**出发（先有 O，再倒推 S 和 M）。AARRR 回答「用户在哪一段掉」，OSM-UE 回答「为了达成目标，我该押什么策略、押什么行为」。

**第二，对齐的对象不同**。AARRR 对齐的是**用户的同一段旅程**——团队里所有人围着同一张漏斗图讨论；OSM-UE 对齐的是**同一组目标与策略**——多业务线、多策略并行时，每条策略各自的 UE 与 M 必须能闭环。

**第三，能回答的问题不同**。

**两者不是互斥的，而是互补的**。AARRR 解决「**看流程**」的需求，OSM-UE 解决「**看策略**」的需求。一份完整的指标体系，常常两者都用：AARRR 给出全局漏斗视图，OSM-UE 给出每条策略的归因视图。

实战中的常见错位

错位一：**用 AARRR 去背业务目标**。比如业务说「Q3 提升复购」，团队搬出 AARRR 漏斗看了一圈，得出结论「复购就是 Retention + Revenue 的交叉，所以看 30 日留存和 ARPU」——这两个数字涨不涨跟「复购」之间没有直接的因果链，**指标归因不到具体动作**。这就是缺 S、缺 UE 的典型症状。

错位二：**用 OSM-UE 去看整体漏斗健康度**。OSM-UE 不擅长回答「整条用户旅程现在健康吗」。它每一张 UE 都绑定一条 S，跨 S 的全局视角得靠 AARRR 这类流程图补齐。

判别一句简单的口诀：**要看用户漏斗在哪儿漏用 AARRR，要看业务目标由哪些策略背书用 OSM-UE**。

要点

AARRR 是流程驱动、OSM-UE 是目标驱动；前者管用户旅程节点诊断，后者管策略对齐与度量归口；两者互补不互斥，完整指标体系通常两者并用。

适用场景与典型用例

你大概率经历过这种场景：年初定目标时，老板甩过来一句「Q4 把 GMV 拉高 30%」。你拿着一张写满数字的看板，愣是不知道向团队怎么说清「这 30% 由谁负责、通过什么动作拉高、怎么证明动作有效」——这就是 OSM-UE 真正发力的地方：**当业务目标已经明确、但策略路径还没对齐时，OSM-UE 把「目标 → 策略 → 行为 → 度量」这条因果链钉死**。

三个优势最明显的场景

**场景一：战略级目标拆解。** 公司级目标（比如「明年 GMV 翻倍」「新客占比 30%」）落到具体业务线、具体团队时，OSM-UE 是天然的承接器。O 在顶层定下，S 在每条业务线各拉一条（拉新走广告投放、复购走会员体系、客单价走品类升级），每条 S 自己一张 UE 闭环——「翻倍」这个 O 不会变成一句口号，而是被拆成若干条「谁、背什么动作、用什么数字背书」的子任务，老板和团队能对得上话。

**场景二：新业务从 0 到 1。** 冷启动阶段最怕两件事：一是没方向瞎试，二是有动作但说不清动作对 O 的贡献。OSM-UE 强迫你**先把 S 列清楚再启动**——把「我打算通过哪几条路径到达 O」写出来，每条路径挂一张 UE 和一组 M，本质是在立项时就把假设显性化。三个月后回看，S 的成立与失败一目了然，资源往哪条上堆也有据可依。

**场景三：跨部门 OKR 配套。** 当一个 O 需要市场、产品、运营、客服多条线协同时，最容易出的问题是**各做各的、最后数字没合上**。OSM-UE 在这里起「共同语言」的作用：每条线按自己的 S 拉出 UE，关键节点上的 M 在跨部门周会上对齐——比如市场看新客成本、产品看激活率、运营看次日留存、客服看投诉率，四条线在 UE 上找到自己的位置，O 才有合力。

flowchart LR
    O[战略级 O] --> S1[业务线 1 的 S]
    O --> S2[业务线 2 的 S]
    O --> S3[业务线 3 的 S]
    S1 --> U1[UE 1]
    S2 --> U2[UE 2]
    S3 --> U3[UE 3]
    U1 --> M1[业务线 1 的 M]
    U2 --> M2[业务线 2 的 M]
    U3 --> M3[业务线 3 的 M]

优势的本质：把「假设」显性化、把「归因」做到底

OSM-UE 在上述场景里之所以吃香，本质是它做了一件事——**把目标和动作之间的因果链以可视、可对齐、可追责的方式固定下来**。O 是「要什么」，S 是「凭什么能要到」，UE 是「用户怎么走到这一步」，M 是「每一步走没走到的证据」。链条上任一环断了，问题和责任都立刻可见，老板能据此做决策，团队能据此做执行。

OSM-UE 偏重的场景：快速迭代的探索期业务

但 OSM-UE 不是万能的。在**策略尚未稳定、需要频繁试错**的业务里，OSM-UE 反而容易变成负担，典型表现有三种：

**第一，S 还没定型就建 UE。** 探索期产品每周都在换打法——假设「会员日 + 推送」能拉复购、试两周发现不行、立刻换「满减券」再试。每个 S 周期只有两到四周，还要为它单独画 UE、配 M、维护度量体系，**维护成本远大于指导价值**。

**第二，M 难以稳定。** 用户基数小、波动大，UE 上每个节点写出来的 M 都没法稳定读数，今天「激活」10 个明天 30 个，看趋势也看不出信号——度量层失效，整个 UE 形同虚设。

**第三，错把 OSM-UE 当 OKR 工具用。** 探索期更合适的工具是**北极星指标 + 假设清单 + 实验记录**——一个核心数字 + 一组待验证假设 + 每次实验的结论，不需要为每个假设都拉一张 UE。当业务进入成长期、S 逐渐稳定，再切到 OSM-UE 才划算。

判断一句简单的口诀：**业务还在找 S 时用假设清单，业务已经定下 S 时用 OSM-UE**。

要点

OSM-UE 在战略目标拆解、0-1 业务立项、跨部门 OKR 配套三种场景下能把「目标 → 策略 → 度量」的因果链钉死，是天然承接器；但在探索期/快速迭代业务里，S 还没定型、M 还没稳定，OSM-UE 维护成本反而高于指导价值——此时更轻的「北极星 + 假设清单 + 实验记录」更合适。

学习笔记

OSM-UE 框架学习笔记

OSM 三段式：因果链而非填空

OSM 把从目标到落地切成三段，三段之间是严格的**因果顺序**（不可逆）：

因果方向：O 决定 S，S 决定 M。**不能先想看哪些数据，再倒推要做什么事**。

M → S 之间还有一条**虚线反馈**：当指标显示策略没起作用，要回去调整 S，甚至回头挑战 O 是否合理。

两种常见病

UE 用户行为旅程

M 究竟要度量什么？答案是**用户行为**。要先画出「用户从接触到产生价值走过的关键节点」——这就是 UE（User Experience/Engagement，用户行为旅程）。

UE 的三个特征：

拆 UE 的三步
  1. **定义起点和终点**：起点是策略触达用户的第一个接触点；终点是用户为这条策略贡献了业务价值
  2. **列出所有关键选择**：做了 A 大幅提升业务结果、不做 A 后续就没机会的动作
  3. **每个关键选择即一个行为节点**，串起来就是这张策略的 UE
行为节点即度量锚点

UE 画完后，每个行为节点天然对应一组 M：

OSM-UE 与 AARRR 的根本差异

| 维度 | AARRR | OSM-UE | |---|---|---| | 起点 | 用户旅程（先有漏斗） | 业务目标（先有 O） | | 分析对象 | 用户沿漏斗在哪段流失 | 目标→策略→行为→度量的因果链 | | 对齐对象 | 同一张用户旅程图 | 同一组目标与策略（多 S 并行时各 S 闭环） | | 强项 | 诊断漏斗（哪段流失严重） | 策略归因（哪条 S 没跑出来） |

AARRR（Acquisition/Activation/Retention/Revenue/Referral）由 Dave McClure 提出，把用户从首次接触到产生商业价值切成五段，隐含前提是「业务目标固定」——它不直接回答「这一季度要把哪个数字拉高」「通过什么策略拉高」。

OSM-UE 回答的是「为了达成目标，该押什么策略、押什么行为、用什么指标背书」。

适用场景

OSM-UE 最吃香的三个场景
  1. **战略级目标拆解**：公司级 O 落到多条业务线，每条业务线各拉一条 S、各自一张 UE 闭环，O 不会变成口号
  2. **新业务从 0 到 1**：冷启动时强迫先把 S 列清楚再启动，本质是把假设显性化
  3. **跨部门 OKR 配套**：作为共同语言，让市场/产品/运营/客服在 UE 上找到各自位置，O 才有合力

优势本质：**把「假设」显性化、把「归因」做到底**——O 是「要什么」，S 是「凭什么能要到」，UE 是「用户怎么走到这一步」，M 是「每一步走没走到的证据」。链条上任一环断了，问题和责任都立刻可见。

OSM-UE 偏弱/不适合的场景：快速迭代的探索期业务

第 4 关 · 公式拆解法与指标树——乘性结构的精细化拆解

能从一个核心公式把北极星指标层层拆到可下钻的过程变量，形成指标树

公式拆解的乘性原则与加性原则及选择判据

公式拆解的乘性原则与加性原则及选择判据

类比开场：电路的串联与并联

先用一个生活化的类比建立直觉。想象两个电路：

业务指标拆解本质上就是问一句：「这个指标更像一串串联灯，还是一束并联支路？」答案不同，拆法完全不同。

乘性原则：漏斗式必经链路

业务里多数**核心结果指标**天然是漏斗式——用户要完成一个行为，必须先完成前一个行为。这种结构适合用乘法拆。

经典公式：

GMV = DAU × 人均访问次数 × 转化率 × 客单价
月销售额 = 月活买家数 × 客单价 × 月均购买频次

为什么是乘法？因为每一项都是**上一项的子集**——只有访问过的人才能下单，只有下单的人才能贡献 GMV。任意一个因子掉链子，整体按比例缩：DAU 腰斩，GMV 几乎必腰斩；转化率归零，GMV 直接归零。这就像串联灯一盏灭，全链路就不亮。

**乘性拆解的真正价值**：让你能回答「提升 A 因子一个点，整体能涨多少」这种归因问题。

**适用判据**：

加性原则：独立贡献汇总

有些指标天然是**不重叠的子集**拼起来——没有前后依赖，每一部分独立贡献。这种情况用加法拆。

典型公式：

总营收 = 渠道A营收 + 渠道B营收 + 渠道C营收
月活 DAU = 新客DAU + 老客DAU
全国销售额 = 华东区 + 华南区 + 华北区

为什么是加法？因为各部分**互不重叠、互不依赖**——少了一个渠道，其他渠道照样跑；新客不活跃，老客照样贡献。

**加性拆解的真正价值**：让你能回答「哪个板块拖了后腿、哪个板块可以多投入」这种结构问题。

**适用判据**：

关键判据：三个问题

拿到一个指标，怎么判断该用乘法还是加法？问自己三个问题：

  1. **「最小因子为零时，整体是否为零？」** 是 → 乘性；否 → 加性。
  2. **「各因子之间是子集关系还是并列关系？」** 子集 → 乘性；并列 → 加性。
  3. **「我想回答的是哪种问题？」** 「每步转化率提升 1% 整体涨多少」→ 乘性；「哪个渠道/用户群贡献最大」→ 加性。

组合用法：先加性分维度，再乘性下钻

实际归因时，两种原则**不是二选一，而是嵌套使用**：

flowchart LR
    A[总GMV] --> B[渠道A]
    A --> C[渠道B]
    A --> D[渠道C]
    B --> E[渠道A DAU]
    B --> F[渠道A 人均访问]
    B --> G[渠道A 转化率]
    B --> H[渠道A 客单价]
    C --> I[渠道B DAU]
    C --> J[渠道B 转化率]
    D --> K[渠道C 客单价]

最常见的组合：

具体例子

假设你做电商运营，本月 GMV 跌了 15%，老板追问原因。

**第一步（加性定位板块）**：把总 GMV 按渠道拆——信息流 1000 万、搜索 600 万、达人 400 万。横向对比发现**信息流渠道跌得最猛**。

**第二步（乘性下钻找杠杆）**：对信息流渠道再做乘性拆——DAU × 人均访问 × 转化率 × 客单价。逐一排查：DAU 没掉、人均访问没掉、客单价没掉，**只有转化率从 8% 跌到 5%**。问题精准定位：信息流渠道进来的用户「看到了但没买」。

**第三步（落到动作）**：去排查信息流落地页、SKU 推荐、人群定向——找到具体优化点。

如果一开始就用乘性拆整体 GMV，会得到「整体 DAU 掉了一点、转化率掉了一点」，**无法定位是哪个渠道的问题**。如果只用加性拆渠道，会发现信息流在跌，但**不知道为什么跌**。两种原则配合，才是完整的归因链。

常见误区

要点

乘性拆解用于「必经链路 + 子集关系」，回答「每步提升能撬动多少」；加性拆解用于「互斥维度 + 独立贡献」，回答「哪个板块拖后腿」；实际归因时**先加性分板块、再乘性下钻**，两种原则配合才能定位到具体动作。

从北极星到指标树的构建步骤

类比开场：年度目标的部门分配

假设公司今年要冲 1 亿营收，CEO 把这个数字交给 CFO。CFO 不能直接对全公司喊「一起冲 1 亿」——他需要：先问「1 亿怎么算出来的」、把 1 亿按业务线分给电商 SaaS 各家、每条业务线继续拆到部门动作、直到每个员工都能回答「我今天做了哪几件事直接影响我那段数字」。

这就是指标树的本质：**把一个模糊的大目标，变成每个人都能看懂的、可执行的小数字**。指标树不是「拆得越细越好」，而是「拆到每个叶子都能被一个人、一个动作影响」为止。

步骤一：选公式（用上一节的判据）

拿到北极星指标后，先用上节学的三个判据确定拆解原则——是漏斗式必经链路就用乘性（GMV = DAU × 人均访问 × 转化率 × 客单价），是并列独立贡献就用加性（总营收 = 渠道A + 渠道B + 渠道C），多数情况是组合：先加性分维度、再乘性下钻。

选公式的核心不是数学好看，而是要回答**「我希望归因到哪个层级」**。

步骤二：逐层分解（自顶向下画树）

flowchart TD
    A[第0层 北极星指标] --> B[第1层 一级因子]
    B --> C[第2层 二级因子]
    B --> D[第2层 二级因子]
    C --> E[第3层 叶子节点]
    C --> F[第3层 叶子节点]
    D --> G[第3层 叶子节点]

每一层要满足两条硬约束：

步骤三：可观测性校验

**指标树最大的坑：拆出一个无法观测的伪指标。** 每拆一层必须问三个问题：

  1. **能不能被埋点？** 找不到数据源，就不是可观测的——拆到这一层要么补埋点，要么停止下钻
  2. **更新频率够不够？** 核心决策指标至少要日级更新，周级月级只能做参考
  3. **口径是否统一？** 不同部门算「有效用户」的口径可能不一样，需要在指标树上明确标注

校验不过的层级，要么**回退到上一层作为责任指标**，要么**推动埋点建设**。

步骤四：拆到第几层停止——「三可」判据

**叶子节点必须满足三可**才能停止：

不满足三可就继续拆；满足了就停。**典型深度是 3-4 层**——再深就会变成运营/产品的内部工作流，脱离业务归因的范畴。

步骤五：责任人分配

指标树最终要落地到人。分配原则：

建议把指标-责任人映射表作为指标树的附件，让任何一级指标都能秒级回答「归谁管」。

具体例子：内容平台的指标树

假设你是某内容平台运营负责人，北极星是「月人均使用时长」。

**步骤一选公式**：漏斗式 → 乘性。月人均使用时长 = 人均日访问次数 × 次均使用时长；其中次均使用时长 = 单视频完播率 × 平均视频时长。

**步骤二画树**：

flowchart TD
    A[月人均使用时长] --> B[人均日访问次数]
    A --> C[次均使用时长]
    B --> D[日活DAU]
    B --> E[日人均启动App次数]
    C --> F[单视频完播率]
    C --> G[平均视频时长]
    F --> H[推荐命中率]
    F --> I[视频前3秒留存率]
    G --> J[创作者上传平均时长]
    G --> K[创作者激励政策覆盖率]

**步骤三校验**：「视频前 3 秒留存率」需要客户端埋点，先推动埋点；其他指标都有日级数据来源。

**步骤四停止判断**：「创作者激励政策覆盖率」可观测（日报）、可归因（创作者运营团队）、可动作（改激励规则）→ 三可满足，停止。树深 4 层，符合典型深度。

**步骤五分配**：增长团队管 DAU 和 App 启动次数，算法团队管推荐命中率和完播率，创作者运营管视频时长和激励覆盖率。每月用「月人均使用时长」作为跨团队协调的总锚点。

常见问题

要点

指标树构建五步：选公式（用乘/加判据）→ 逐层下钻（自顶向下、数学闭环）→ 可观测性校验（埋点、更新频率、口径）→ 责任人分配（叶子节点单一主责）→ 叶子节点达到「可观测+可归因+可动作」三可时停止，典型深度 3-4 层。

指标树与 OSM-UE 的互补关系

类比开场：建筑图纸与施工组织

盖一栋楼需要两份核心文件：

只有图纸没施工组织 = 楼永远盖不起来；只有施工组织没图纸 = 工人各干各的，盖出一栋不能用的楼。

**指标树 = 建筑图纸**（管结构、层级、粒度、向下追过程变量） **OSM-UE = 施工组织设计**（管策略、责任、度量归口、向上追目标）

两份文件必须配套使用，缺一份就盖不出能住人的楼。

指标树管什么

前两节我们学的指标树，本质回答的是**「指标怎么从大拆到小」**：

指标树的核心能力是**数学闭环**和**层级粒度**——保证大指标被正确地拆成小指标，且每个小指标都能被数据观测到。它解决的是**「拆得对不对」**的问题。

但指标树有一个盲区：**它不回答「为什么拆出这个叶子指标」「谁负责提升它」「用什么策略去提升」**。一个叶子指标挂在树上、可以观测、可归因，但**没人去推动它变化**，那它就只是一个死数字。

OSM-UE 是什么

OSM-UE 是阿里在数据化运营中沉淀出的策略对齐框架，四个字母对应四张表：

OSM-UE 的核心能力是**策略对齐**和**度量归口**——保证每个策略都有明确的衡量指标，且每个衡量指标都能向上追到业务目标。它解决的是**「做得对不对」**的问题。

核心差异：层级 vs 责任

flowchart LR
    subgraph 指标树
    A[北极星] --> B[一级因子]
    B --> C[叶子指标]
    end
    subgraph OSM
    D[业务目标] --> E[关键策略]
    E --> F[衡量指标]
    end

两者维度完全不同：

| 维度 | 指标树 | OSM-UE | |---|---|---| | 主轴 | 指标粒度（从大到小） | 策略-度量对齐（从目标到执行） | | 回答的问题 | 指标如何拆解 | 为什么做、谁来做、怎么度量 | | 责任归属 | 叶子节点 → 主责任人 | 每条策略 → 策略 owner | | 时间视角 | 当前结构（拆到现在） | 未来动作（接下来做什么） | | 典型产物 | 树形图 + 指标-责任人表 | OSM 表格 + UE 链路图 |

互补关系：向上追 + 向下追

只有指标树：**知道要拆出「完播率」这个叶子指标**，但不知道用什么策略去提升它、谁负责。 只有 OSM-UE：**知道要做「优化推荐」和「提升前 3 秒留存」两个策略**，但不知道这两个策略到底影响北极星的哪一层、占比多少。

组合使用后的完整拆解长这样：

flowchart TD
    A[月人均使用时长] --> B[完播率]
    A --> C[人均日访问次数]
    B --> D[策略1 优化推荐]
    B --> E[策略2 提升前3秒留存]
    D --> F[度量 推荐命中率]
    D --> G[度量 推荐多样性]
    E --> H[度量 3秒跳出率]
    E --> I[度量 首屏加载时长]

**指标树**把月人均使用时长拆到「完播率」「人均日访问次数」等可观测的过程指标（向下追到能看见的程度）； **OSM-UE**在「完播率」这个叶子上挂上「优化推荐」「提升前 3 秒留存」两条策略，并为每条策略定出衡量指标（向上追到业务目标）。

这就是两者的分工：**指标树管向下（结构），OSM-UE 管向上（责任）**。

实操组合：用模板把两份文件绑在一起

光画两张图不够，要把它们绑在同一张表上才能真正用起来。模板结构：

| 业务子目标 | 关键策略 | 策略 Owner | 衡量指标 | 指标树位置 | |---|---|---|---|---| | 提升完播率 | 优化推荐算法 | 算法组 | 推荐命中率 | 月人均使用时长 → 完播率 → 推荐命中率 | | 提升完播率 | 提升前 3 秒留存 | 客户端组 | 3 秒跳出率 | 月人均使用时长 → 完播率 → 3 秒跳出率 | | 提升人均日访问 | Push 触达 | 增长组 | Push 点击率 | 月人均使用时长 → 人均日访问 → Push 点击率 |

最后一列「指标树位置」是绑定的关键：每个策略的衡量指标都能在指标树上找到自己的位置（哪一层、哪个父节点），同时每个叶子节点都能向下追到至少一个策略 owner。**双向都能追得到，才算组合得对**。

具体例子：电商大促的目标拆解

假设你负责双 11 大促，北极星是「GMV」。

**指标树（向下）**：

GMV
├── 流量 × 转化率 × 客单价
│   ├── DAU × 人均访问 → DAU，人均访问
│   ├── 加购率 × 下单率 × 支付率 → 各步转化率
│   └── 笔单价 × 件数 → 客单价

**OSM-UE（向上）**：

**组合**：

| 业务子目标 | 关键策略 | Owner | 衡量指标 | 指标树位置 | |---|---|---|---|---| | DAU 5000 万 | 站外广告投放 | 增长组 | 广告 ROI | GMV → 流量 → DAU | | DAU 5000 万 | 老用户召回 Push | 用户运营 | Push 触达率 | GMV → 流量 → DAU | | 支付率 30%→35% | 缩短支付链路 | 客户端 | 支付完成时长 | GMV → 转化率 → 支付率 | | 支付率 30%→35% | 支付失败挽回 | 风控 | 支付失败率 | GMV → 转化率 → 支付率 |

任何一级问「GMV 没达成归谁」，可以秒级追到策略 owner；任何一位 owner 问「我的策略影响北极星哪一段」，可以秒级追到指标树位置。**这就是指标树 + OSM-UE 组合的威力**。

怎么判断自己有没有漏掉另一半

两个自检问题：

两边都做齐了，才是完整拆解。

要点

指标树管向下（结构、层级、粒度、过程变量），OSM-UE 管向上（策略、Owner、度量归口、业务目标）；两者通过「指标树位置」列绑定——每个策略的衡量指标都能在树上找到位点，每个叶子指标都能追到至少一个策略 owner；任何一边缺位，拆解都不完整。

常见拆解陷阱与质量校验

故事开场：一个运营会议的真实场景

「上周 GMV 跌了 10%，分析师拆出来说是因为新用户首单率下降 8%，所以大家决定加大新用户补贴。两周后 GMV 还是跌，再查才发现老用户流失才是主因——新用户首单率下降只是连带现象。」

这是典型的拆解错误：指标树的层级和数字都拆对了，但**用错了分解出来的结论**。前几节我们学了怎么把指标树拆对、怎么和 OSM-UE 配套，但拆对不等于用对——这一节要解决的是**拆完之后怎么避免踩坑**。

指标拆解过程中常见的四类陷阱，每一类都会让前面辛苦搭起来的指标树「看似严谨实则误导决策」。

陷阱一：强相关当因果

**现象**：两个指标在数据上同步变化，就把一个当作另一个的原因。

**经典案例**：观察到「页面加载时长 ↑」和「用户跳出率 ↑」同步出现，就认为**优化加载速度能直接降低跳出率**。但实际上，加载时长和跳出率可能都受「网络环境」这个共同因素影响，单纯优化前端代码可能毫无作用。

**检验方法**：

**自检问法**：这个关联在数据上能复现吗？能用实验证伪吗？不能就别当因果。

陷阱二：过度拆解

**现象**：拆得太细，拆到第 7、8 层，结果拆出的指标既不可观测也无法归因。

**经典案例**：把「完播率」拆成「完播率 × 用户分群 × 时段 × 设备 × 网络环境 × 入口来源」的 6 维交叉组合，每个组合的样本量都小到无法稳定计算，**月度数据几乎每个格子都波动 ±20%**。分析师看着这样的指标树只能说「看不出规律」。

**判断「拆到该停」的三条标准**：

  1. **可下钻**：是否能用现有数据进一步拆开看
  2. **可观测**：拆出的指标是否有稳定的数据来源
  3. **可动作**：拆到这个粒度，是否有人能采取明确动作

三条任一不满足，停止继续往下拆。

**反例**：把「客单价」拆到「用户 × 商品 × 渠道 × 促销 × 时段 × 设备」的 6 维交叉——拆出来没人能动、没人能观测，不如停在「客单价 = 笔单价 × 件数」。

陷阱三：无法下钻的伪指标

**现象**：指标听起来「高大上」，但数据团队 5 分钟内给不出 SQL 查询路径。

**经典案例**：把「用户心智占有率」「品牌好感度提升度」「内容情绪价值」作为叶子指标——这些词没有可观测的操作化定义，既不能拆解、也不能归因、也不能验证。

**为什么会犯**：高层喜欢「抽象有格局」的词，但越抽象的指标越难落地。运营为了汇报好看，会强行往指标树上挂这类伪指标。

**检验方法——5 分钟 SQL 测试**：把指标的定义扔给数据团队，问「能不能 5 分钟内写出查询 SQL」。如果回答是「需要先定义清楚」，这就是伪指标，应该改用具体可观测的代理指标。

**安全替代**：

陷阱四：层级与因果混淆

**现象**：把指标树的「父子层级」误读为「因果关系」。

**经典案例**：A = B × C，看到 A 下降 10%，立刻去找 B 或 C 的责任方。但 A 下降的**真实原因**可能不是 B 或 C，而是 B 上升 C 下降正好抵消的更深层因素（比如外部环境变化）。

**正确理解**：

**检验方法**：指标树的层级是必然成立的（恒等式）；因果链是经验性判断，需要实验或证据支持。

flowchart LR
    A[GMV] --> B[DAU]
    A --> C[转化率]
    A --> D[客单价]
    B -.因果.-> E[广告投放]
    B -.因果.-> F[Push 召回]
    C -.因果.-> G[商品质量]
    C -.因果.-> H[价格力]
    D -.因果.-> I[推荐策略]
    D -.因果.-> J[凑单机制]

实线是数学分解（必然成立），虚线才是因果链（需要证据支持）。**指标树只能管实线部分，虚线部分要靠 AB 实验、用户调研、专家判断来补**。

自检清单：拆完之后过一遍

每张指标树在交付前过 5 条自检，**任何一条不通过就返工**：

  1. **北极星单一性**：整个公司/部门**只有一个北极星指标**，且所有人都背这个数。多北极星 = 资源分散、无法做取舍。
  2. **拆分逻辑一致性**：每个父节点 = 子节点相加或相乘（根据公式类型），不存在「差不多等于」。
  3. **过程指标可观测性**：每个叶子节点都能用现有埋点 + SQL 在合理时间内算出。「用户心智」这种词不通过。
  4. **责任人唯一性**：每个叶子指标**只有一个主责任人**（可以有多人协作，但主责任人唯一）。责任人重叠 = 大家都不管。
  5. **动作可执行性**：每个叶子指标至少有 1 条已知可行的提升策略，且策略 owner 明确。**对应 OSM-UE 的 M 字段。**
flowchart TD
    A[指标树交付前] --> B{北极星单一}
    B -->|否| B1[返工：收敛为一个]
    B -->|是| C{拆分逻辑一致}
    C -->|否| C1[返工：补公式或调整粒度]
    C -->|是| D{叶子可观测}
    D -->|否| D1[返工：换成可观测代理]
    D -->|是| E{责任唯一}
    E -->|否| E1[返工：指定主责任人]
    E -->|是| F{可动作}
    F -->|否| F1[返工：补 OSM-UE 策略]
    F -->|是| G[交付]

5 条全过，指标树才能交付；任何一条不过，回到上游补完再来。

综合例子：把「问题指标树」用自检清单修

某公司提的指标树初稿：

5 条自检全挂。**修复方案**：

  1. 收敛北极星为 DAU（留存率作为北极星的子指标或辅助指标）
  2. 改公式为 DAU = 新用户 DAU + 老用户 DAU
  3. 「用户心智占有率」换成「搜索品牌词占比」
  4. 指定「新用户 DAU」主责任人 = 增长组，市场组作为协作方
  5. 补 OSM-UE：每条叶子挂 1-2 条策略和 owner

修复完，5 条全过，指标树才真正能用。

**要点：**指标拆解的四大陷阱是：把相关当因果（需 AB 实验验证）、过度拆解（拆到不可观测/不可动作就停）、伪指标（5 分钟 SQL 测试过滤）、层级与因果混淆（指标树只管数学分解不管因果链）；交付前的 5 条自检清单（北极星单一、拆分一致、可观测、责任唯一、可动作）能提前发现 90% 的问题——任何一条不过就返工，不要带病交付。

学习笔记

公式拆解法与指标树——乘性结构的精细化拆解

一、乘性原则与加性原则

乘性原则：漏斗式必经链路
加性原则：独立贡献汇总
三个判据问题
  1. 最小因子为零时，整体是否为零？是则乘性，否则加性
  2. 因子之间是子集关系还是并列关系？子集则乘性，并列则加性
  3. 想回答的问题类型？「转化率提升 1% 整体涨多少」→ 乘性；「哪个渠道贡献最大」→ 加性
组合用法

实际归因是嵌套使用：

二、指标树的构建步骤

步骤一：选公式

用三个判据确定拆解原则。多数情况是组合：先加性分维度、再乘性下钻。 选公式的核心不是数学好看，而是回答「我希望归因到哪个层级」。

步骤二：逐层分解

自顶向下画树，每层两条硬约束：

步骤三：可观测性校验

每拆一层问三个问题：

  1. 能不能被埋点？找不到数据源就不可观测
  2. 更新频率够不够？核心决策至少日级，周级月级只能做参考
  3. 口径是否统一？不同部门算「有效用户」的口径可能不一样

校验不过的层级：要么回退到上一层作为责任指标，要么推动埋点建设。

步骤四：「三可」判据决定停止

叶子节点必须满足：

典型深度 3-4 层，再深会变成运营/产品的内部工作流，脱离业务归因范畴。

步骤五：责任人分配

三、指标树与 OSM-UE 的互补关系

类比

盖楼需要两份文件：建筑图纸（结构、粒度）+ 施工组织设计（策略、责任、验收）。缺一份都盖不出能用的楼。

指标树管什么
OSM-UE 是什么
核心差异
互补关系

只有指标树：知道要拆出某个叶子指标，但不知道用什么策略提升、谁负责。 只有 OSM-UE：知道要做什么策略，但不知道影响北极星哪一层、占比多少。 组合使用 = 向上追目标 + 向下追过程。

四、常见拆解陷阱与质量校验

陷阱一：强相关当因果
陷阱二：过度拆解
陷阱三：无法下钻的伪指标
陷阱四：层级与因果混淆

第 5 关 · 三大框架对比、选型与真实业务实操

能根据业务情境选择合适框架，并独立完成一次从业务目标到过程指标的完整拆解演练

三大框架的对比矩阵

三大框架的对比矩阵

前三个模块你分别学了 AARRR、OSM-UE、指标树法，每次只讲一个。但真到用的时候，你得先回答一个更基本的问题：**面对眼前这个业务问题，到底该用哪个（或哪几个）框架？**

这一节做一次统一收口——把三个框架放在同一张桌子上，从四个维度横向比较，让你以后一眼能看出差别。

四个比较维度

**1. 视角（看问题的出发点）**

**2. 粒度（拆到多细）**

**3. 适用阶段（什么时候用）**

**4. 产出物（最终落到什么文档）**

横向对比表

| 维度 | AARRR | OSM-UE | 指标树法 | |---|---|---|---| | 视角 | 用户旅程 | 目标 → 策略 → 度量 | 公式结构 | | 粒度 | 较粗（五段） | 中等（O/S/M + UE 节点） | 较细（可多层） | | 适用阶段 | 诊断（哪段有问题） | 规划（有目标怎么干） | 归因（哪个因子可撬动） | | 产出物 | 五段漏斗 + 指标清单 | OSM 表 + UE 节点图 | 多层指标树 | | 一句话类比 | 体检（看哪项异常） | 施工图（目标→工序→验收） | 杠杆分析（哪个支点省力） |

同一个业务，三种框架看什么

假设你的业务是「电商 DAU 连续三周下滑 5%」，三个框架会产出完全不同的东西：

**三个框架不互斥，是同一业务的三个不同切面。** 实战中通常按下面这个顺序串着用：

flowchart LR
    A[先用 AARRR<br/>定位问题段落] --> B[再用 OSM-UE<br/>定策略和验证指标] --> C[最后用指标树法<br/>找可撬动的杠杆点]

**要点：** AARRR 是体检，OSM-UE 是施工图，指标树法是杠杆分析——三件工具看的是同一个业务的三个切面，混用之前先想清楚你现在要回答的是「定位 / 规划 / 归因」哪一类问题。

框架选型决策树

框架选型决策树

上一节你背下了三件工具的差别——视角、粒度、适用阶段、产出物。这节要解决一个更落地的问题：**面对眼前这个具体业务情境，今天先拿起哪一件？** 三个框架不是「全用一遍最稳」，而是「先用 A、再用 B、最后用 C」这条流水线上的不同岗位。

把它想成医生看病：病人走进来，你不会一次性让做 CT、核磁、X 光全上一遍——你根据主诉（哪里痛）、病程（多久了）、是否有现成报告，决定**第一步做什么**。三件工具也是这样，三个变量决定了你今天从哪切入。

三个决策变量

**变量一：业务阶段**

**变量二：问题类型**

**变量三：北极星指标是否已确定**

决策流程图

flowchart TD
    A[接到一个业务任务] --> B{北极星<br/>是否已定?}
    B -->|未确定| C[先做 OSM-UE<br/>定目标/策略/度量]
    B -->|已确定| D{问题类型?}
    D -->|不知道从哪入手| E[先做 AARRR<br/>定位问题段]
    D -->|结果数字不达标<br/>想找杠杆| F[先做指标树法<br/>拆可撬动因子]
    D -->|目标明确<br/>要规划动作| G[用 OSM-UE<br/>拆策略和指标]
    C --> H{北极星定下后<br/>还要继续吗?}
    H -->|是| D
    E --> I[定位到问题段后<br/>用指标树法深拆该段]
    F --> J[找到杠杆后<br/>用 OSM-UE 落地策略]

常见组合用法

三件工具不是互斥的，**最常见的是两两串联**，三件全用留给重大专项。

**组合 1：AARRR → 指标树法**（最常用）

先用 AARRR 扫一遍，定位「问题在留存段」或「问题在获客段」；然后**只对这一段**用指标树法深拆，找出可撬动的因子。比如电商 DAU 跌，先 AARRR 定位在「获客段」，再对获客段用指标树法拆「新增 = 渠道曝光 × CTR × 转化率」，看哪个渠道、哪个人群出了问题。

**组合 2：OSM-UE → 指标树法**

先用 OSM-UE 把目标变成策略和指标；然后对每个核心指标用指标树法做深拆，让每条策略可量化、可执行到岗位。

**组合 3：AARRR + OSM-UE + 指标树法（全套）**

用于「重大专项 / 季度 OKR 复盘 / 新业务线立项」这种场合——先全链路体检，再按目标定策略，再按策略深拆指标。三件齐用输出物很重，不建议日常使用。

一个具体场景

任务：**「新业务线用户留存明显低于预期，DAU 增长乏力」**。

按决策树走一遍：

  1. 业务阶段：成长期（已上线 6 个月）→ 北极星应已定（DAU）；
  2. 问题类型：「留存明显低于预期」说明问题已定位在留存段 → 不需要 AARRR 全扫；
  3. 北极星已定 → 跳过 OSM-UE 的定目标环节；
  4. 决策：用**指标树法**拆留存，先看「新增用户留存」和「回流用户留存」哪个贡献低，再分别下钻。

反过来，如果任务改成「这条新业务线已经跑了三个月，你感觉增长没起来但又说不出哪里不对」——北极星未必清楚，问题也不明确，那就得先 OSM-UE 校准目标，再 AARRR 体检，再指标树法深拆。

**要点：** 选型看三件事——业务阶段决定从哪起手，问题类型决定用什么工具，北极星是否已定决定要不要先做 OSM-UE；日常最常用的是「AARRR 定位 + 指标树法深拆」的组合，三件全用留给重大专项。

实操演练一：拉新次日留存场景拆解

实操演练一：拉新次日留存场景拆解

前面两节你学会了三个框架怎么对比、怎么按情境选型——这一节我们把「AARRR 定位 + 指标树法深拆」这条最常用的组合用在真问题上。**任务：领导给你一个目标——「提升新增用户次日留存率」，要求下周一前给方案。** 这是一个成长期产品的典型场景：北极星已经确定（DAU），问题已定位在「留存」段，今天你要做的是把它拆到岗位可执行的程度。

第一步：把目标说具体（北极星的具体化）

领导嘴里的「提升次日留存率」是不能直接拆的——太模糊。你需要先把它变成一个**可量化、可对齐、有明确边界**的目标。问自己四个问题：

这一步的输出物是「**目标陈述单**」： > 「将 [2024 Q4 投放渠道] 的新增用户在 8 周内 D1 留存率从 32% 提升到 38%。」

为什么要先做这一步？因为不锚定渠道、时间窗、基线，后面的所有拆解都会飘——你拆出来的「提升 6pp」到底是给所有团队背还是只给投放团队背，写不清就会扯皮。

第二步：用 AARRR 定位问题段

次日留存这件事从 AARRR 看，正好横跨「**获客（Acquisition）→ 激活（Activation）**」的衔接处——用户被拉进来（D0），到 D1 是否回来。所以你拆解时要把「新增」和「激活」两侧都拆开看。

| 阶段 | 在本场景中的具体问题 | 是不是瓶颈 | |---|---|---| | Acquisition 获客 | 拉来的人对不对？是目标用户吗？ | 可能是 | | Activation 激活 | D0 的体验有没有让用户感受到核心价值？ | 可能是 | | Retention 留存 | D1 回访的触发机制有没有？ | 可能是 | | Revenue 变现 | D1 还没到变现层 | 暂不相关 | | Referral 传播 | D1 还没到传播层 | 暂不相关 |

这一步的输出物是「**问题段定位表**」——明确告诉团队：今天主要在 A→A→R 这三段里看，其他段暂不展开。

第三步：用指标树法把目标拆到过程指标

定位好段之后，开始正式拆解。D1 留存率的公式很直接：

**D1 留存率 = D1 留存用户数 ÷ D0 新增用户数**

分子分母可以各自向下拆。下面是推荐的拆法（**两路并拆**）：

flowchart LR
    A[D1 留存率] --> B[分母<br/>D0 新增用户数]
    A --> C[分子<br/>D1 留存用户数]
    B --> B1[各渠道新增量]
    B --> B2[各渠道 CTR]
    B --> B3[各渠道注册转化率]
    C --> C1[D0 激活用户数]
    C --> C2[D0 激活到 D1 召回率]
    C1 --> C1a[首启完成率]
    C1 --> C1b[核心动作达成率<br/>如首单首评]
    C2 --> C2a[Push 到达率]
    C2 --> C2b[Push 点击率]
    C2 --> C2c[回访路径完成率]

**分母侧（要不要拆？什么时候拆？）**：如果领导说「最近留存跌了」但说不清是不是新用户质量变差，那就要查分母——看是不是某低质渠道的量占比升高拉低了整体。如果明确是质量问题，分母暂时不拆，专注拆分子。

**分子侧（核心拆解区）**：

到这里你已经把「D1 留存率」拆到了 6 个**可观测、可归属、可干预**的过程指标。每个过程指标都对应一个具体的运营动作和团队。

第四步：每一步的输出物清单

| 步骤 | 输出物 | 给谁看 | |---|---|---| | 1. 目标陈述单 | 一句话定义范围/基线/目标/时间窗 | 领导、协作方 | | 2. 问题段定位表 | AARRR 五段中本场景涉及哪几段、谁负责 | 协作方 | | 3. 指标树 | 从北极星到过程指标的分层结构 + 责任人 | 团队内部 | | 4. 过程指标卡片 | 每个过程指标：定义、基线、目标、责任人、干预动作 | 执行层 |

最后一步的「过程指标卡片」是实操里最容易被忽略的——光有指标树没有卡片，下面的执行同学还是不知道「这指标归我管、我要做什么」。每张卡片至少要写清这五项。

回到本场景的最终拆解示例

以「提升某渠道新增用户 D1 留存率从 32% 到 38%」为例，最终的过程指标可以列成（节选 4 个最关键的）：

  1. **首启完成率**：当前 85% → 目标 92%。责任人：客户端团队。干预：冷启动耗时优化、首启引导改版。
  2. **首单转化率**：当前 28% → 目标 35%。责任人：运营+商品团队。干预：新用户首单券、爆品推荐。
  3. **Push 到达率**：当前 72% → 目标 88%。责任人：增长团队。干预：Push 通道补齐、智能推送策略。
  4. **Push 点击率**：当前 8% → 目标 14%。责任人：内容团队。干预：文案+封面 AB 测试。

这四条都达到，D1 留存率才有 95% 以上概率达成 38%——这就是过程指标拆到位的标准：**能算回去、能算得拢**。

**要点：** 一次完整的留存拆解要走四步——目标具体化（锁范围/基线/时间）、AARRR 定位（在 A→A→R 段）、指标树两路并拆（分母+分子）、每条过程指标都要落到五要素卡片（定义/基线/目标/责任人/干预动作）；拆得对不对的检验标准是「能从过程指标算回北极星、且每个过程指标都有人背」。

实操演练二：Q4 GMV 提升 20% 拆解

上一节处理「次日留存」用的是 AARRR + 指标树法——因为留存是个**用户旅程里阶段明显**的问题（哪段出了问题一眼能看出）。本节换一个完全不同的题型：**「Q4 GMV 提升 20%」**。这种「北极星已经直接给了 20% 增量」的题，常见于成熟期电商、消费品、SaaS 等商业模式稳定的业务——旅程视角派不上太大用场（用户该买还是买），重点是**先选路、再算账**。这一节我们用 **OSM-UE（选路）+ 公式拆解法（算账）** 这套组合，并重点展示两者的接驳点。

场景设定

为什么是这个组合

打开「Q4 GMV 提升 20%」这个题，第一反应通常是想用指标树法把 GMV 拆开——但你会马上碰到一个尴尬：**拆出来的变量太多，不知道先抓哪个**。这时候单纯靠公式拆解是「拆了也不知道优先级」的窘境。

第一步：OSM-UE 把目标翻译成策略

按 OSM-UE 的四层，逐层向下：

**O（Objective）**：Q4 GMV 1.2 亿

**S（Strategy）**：把增量 2000 万分到三条候选路径

**U（User behavior）**：每条策略对应什么用户行为

**E（Experience）**：每个行为需要什么产品/运营能力支撑

第二步：公式拆解法把策略翻译成指标

选路完毕，开始算账。GMV 的标准公式是：

**GMV = UV × 转化率 × 客单价**

但更适配本场景的拆法是按新老客拆：

**GMV = 新客 GMV + 老客 GMV**

把 OSM-UE 的三条策略代入公式：

| 策略 | 撬动的是公式里的哪个变量 | 对应过程指标 | |---|---|---| | S1 老客多买 | 老客复购率、复购客单价 | 30/90 天复购率、复购客单价 | | S2 拉新客 | 投放量、注册转化率、首单转化率 | 投放量、注册转化率、首单转化率 | | S3 客单价提升 | 首单客单价、复购客单价 | 件单价、关联推荐点击率、凑单完成率 |

注意看这个表——它就是接驳的产物：左边一列是 OSM-UE 的策略（S 层），右边一列是公式拆出来的过程指标。中间的「撬动变量」就是桥梁。

第三步：重点看接驳点

**OSM-UE 的 U 层（用户行为）= 公式拆解法里过程指标的归类维度**。

具体说：

  1. 公式拆解法本身只是「告诉你能拆出什么变量」，**不告诉你优先级**。没有 OSM-UE，你看到「复购率、首单转化率、客单价、复购客单价」一堆过程指标，不知道先做哪个。
  2. OSM-UE 的 U 层（用户行为）把过程指标**按策略归类**——让你一眼看出「这堆指标是为哪条策略服务的、归谁背」。
  3. 反过来，OSM-UE 落不到具体数字、落不到责任人；必须靠公式拆解法**把每条策略翻译成可量化、可归属的过程指标**。
flowchart LR
    O[OSM-UE<br/>O 目标层<br/>Q4 GMV 1.2 亿] --> S[S 策略层<br/>S1 老客复购 / S2 拉新 / S3 提客单]
    S --> U[U 用户行为层<br/>复购 / 首单 / 凑单]
    U -.接驳点.-> M1[公式拆解法<br/>按行为维度归类过程指标]
    M1 --> M2[过程指标层<br/>复购率 / 首单转化率 / 件单价]
    M2 --> M3[执行层<br/>责任人 + 动作 + 基线 + 目标]

**判断接驳点对不对的标准**：你能不能用「策略 → 行为 → 指标」一句话讲清「这堆指标是怎么来的、归谁管」？能讲清就是接驳成功。

第四步：落到执行（以 S2 拉新客为例）

把 S2「拉新客」落到可执行层：

| 过程指标 | 当前值 | Q4 目标 | 责任人 | 关键动作 | |---|---|---|---|---| | 投放量 | 200 万/季 | 260 万/季 | 投放团队 | 新增小红书/抖音渠道 | | 注册转化率 | 38% | 45% | 增长团队 | 落地页 AB 测试、一键登录 | | 首单转化率 | 22% | 30% | 运营 + 商品 | 新客 9.9 元专区、爆品钩子 | | 首单客单价 | 65 元 | 75 元 | 商品团队 | 凑单推荐、关联加购 |

四列加起来大概能算回 S2 贡献的 600 万增量——这就完成了一次**从北极星到过程指标到执行**的完整接驳。

与上一节的对比

| 维度 | 实操一（次日留存） | 实操二（GMV 提升 20%） | |---|---|---| | 框架组合 | AARRR + 指标树法 | OSM-UE + 公式拆解法 | | 起点视角 | 旅程阶段（哪段出问题） | 策略路径（走哪条路） | | 拆解逻辑 | 从问题段 → 公式 | 从策略 → 行为 → 公式 | | 接驳点 | AARRR 段位 ↔ 指标树层级 | OSM-UE 的 U 层 ↔ 公式变量 |

**要点：** OSM-UE 解决「往哪走」（选路），公式拆解法解决「怎么算账」（落地）；两者接驳点在于**OSM-UE 的 U 层（用户行为）= 过程指标的归类维度**。选路不清时落不了优先级，算账不清时落不了数字和责任人——必须两步都走完才能交付一份能评审的方案。

基于自身业务的实操作业与自检

前面四节我们学了三大框架和两个实操案例——但别人的案例永远不是你的。**指标拆解这件事，「看懂」和「真能讲清」中间隔着一道「自己做一遍」的鸿沟**。本节是本模块的「结业作业」：用你自己当前的业务做一次完整拆解，然后用四条自检标准检验。

一、实操四步

**第 1 步｜锁定一个具体目标**

不要选「提升业务」「把指标做好」这种空话。挑一个**有时间窗、有量化增量**的目标——「Q4 月活提升 15%」「7 日留存 +5pp」「付费转化率 3% → 5%」这种。时间窗 1-3 个月最合适，太短拆不出过程，太长追踪不到。

**第 2 步｜确认你的北极星是「单一指标」**

把你目标里的北极星拎出来做「唯一性检验」：有并列的（比如 DAU 和留存同等重要）就**单选一个**，另一个降为约束条件写在副标题。

**第 3 步｜按情境选框架**

回到上一节的决策树：

**第 4 步｜拆到过程指标层**

至少拆到三层：

flowchart TD
    S1[第1步 锁定具体目标<br/>有时间窗 有量化增量] --> S2[第2步 确认北极星单一<br/>唯一性检验]
    S2 --> S3[第3步 按情境选框架<br/>旅程 vs 模式稳定 vs 并存]
    S3 --> S4[第4步 拆到过程指标层<br/>目标层 过程层 执行层]
    S4 --> CK{四条自检}
    CK --> C1[北极星单一]
    CK --> C2[可下钻]
    CK --> C3[能讲清]
    CK --> C4[责任人唯一]

二、自检清单：四条标准

拆完之后**不要急着交**，用这四条标准逐项检验。

**① 北极星是否单一**

**② 过程指标是否可下钻**

**③ 能否向实习生讲清**

**④ 责任人是否唯一**

三、四条标准的优先级

| 优先级 | 自检项 | 排这里的原因 | |---|---|---| | 1 | 北极星单一 | 其他三条都依赖它——北极星都不唯一，过程指标拆给谁？ | | 2 | 过程指标可下钻 | 决定能否被执行 | | 3 | 能向实习生讲清 | 决定能否被理解、跨部门对齐 | | 4 | 责任人唯一 | 决定能否被追踪、能否进入考核 |

时间紧只检一条时，**先检「北极星是否单一」**——北极星不收敛，后面的过程指标拆得再细也是分散用力。

四、交付前最后一步

**把你写的拆解放 24 小时再回来看**。人写当时的思维是清楚的，**隔夜回看**会发现很多当时没注意的漏洞——指标重复、因果不成立、漏掉关键路径。指标拆解文档不是写完就交，是回看一晚再交。

**要点：** 这次实操是「看懂」到「讲清」之间那道坎。**四步走**（锁目标→认北极星→选框架→拆过程），**四检**（单一/可下钻/讲得清/责任唯一），**一回看**（隔夜再读）。做到这三条，拆解文档基本可以进入团队评审。

拆解结果的输出模板

拆解做得再细，**没有容器装下来，团队评审时讲不清、跨周后自己都记不住**。这一节是本模块的收口——给你一份能直接拿去评审的「指标拆解文档五层模板」，拆完就照表填，填完就能对齐。

一、为什么必须落成文档

口头的拆解只能讲一遍，落到文档才能：

模板的本质是**把思考过程外化为可传递的资产**。

二、五层结构总览

flowchart TD
    L1[目标层<br/>时间窗 加量化增量 背景]
    L2[指标层<br/>唯一北极星 加辅助健康指标]
    L3[过程层<br/>三到七个可下钻的过程指标]
    L4[责任人层<br/>主责 加备份 加RACI]
    L5[版本与回顾节奏<br/>版本号 周期 触发修订]
    L1 --> L2 --> L3 --> L4 --> L5

五层**从抽象到具体、从共识到执行**逐层细化。下面逐层拆。

三、五层逐层详解

**① 目标层（一句话 + 一段背景）**

**② 指标层（唯一北极星 + 辅助指标）**

**③ 过程层（3-7 个可下钻的过程指标）**

每个过程指标**必须**包含五字段，缺一不可：

| 字段 | 作用 | |---|---| | 指标名称 | 谁都看得懂的名字 | | 计算公式 | 分子 / 分母，不留歧义 | | 基线值 | 当前是多少（带时间戳） | | 目标值 | 这一周期要做到多少 | | 下钻维度 | 至少 2 个切分维度（如新老用户、渠道） |

**正例**：「新增用户数」= 当日注册且当日活跃；基线 5 万/日；目标 8 万/日；下钻维度 = 渠道 × 注册来源。 **反例**：过程指标只写「拉新」「留存」这种宏观词，无公式无基线无维度——上一节「可下钻」自检失败。

**④ 责任人层（一人主责 + 一备份）**

**⑤ 版本与回顾节奏（让文档活起来）**

四、一份填好的模板示例

> **【目标层】** Q4 月活 200 万 → 230 万（+15%）；背景是暑期拉新弱、双 11/双 12 流量加持。 > > **【指标层】** 北极星 = 月活；辅助 = 7 日留存率 ≥ 35%、付费率 ≥ 3%。 > > **【过程层】** > - 新增用户数：5 万/日 → 8 万/日（主责：增长组，备份：渠道组） > - 7 日留存率：30% → 40%（主责：产品组，备份：增长组） > - 老用户日活：150 万 → 165 万（主责：运营组，备份：产品组） > > **【责任人层】** RACI 表（见完整文档） > > **【版本与回顾节奏】** V1.0；双周 review；触发修订 = 单周新增低于 4 万 或 留存跌至 32% 以下。

五、模板使用的三个提醒

  1. **先 V0 再 V1**：不要试图一次写到完美。先出个人 V0 草案，团队对齐后升级为 V1.0；后续每次回顾生成 V1.x 迭代。
  2. **目标层 + 指标层合计不超过 1 页**：这一页是给所有人看的「共识页」；过程层可以写 2-3 页；再多就失控了。
  3. **给「不在场的人」写**：评审时评审人没参与拆解过程，5 分钟内能看明白「为什么先抓这个、谁干什么、怎么衡量」——这就是合格的文档。

**要点：** 模板 = 思考的容器。**五层结构**（目标 / 指标 / 过程 / 责任 / 版本），**先 V0 再 V1** 两步走，**双周回顾 + 月度方向校验**。文档是「活」的，**写出来只完成 30%，用起来（双周 review、迭代版本）才算完成 100%**。

学习笔记

三大框架对比、选型与实操 · 学习笔记

一、三大框架的对比矩阵

三个框架从四个维度横向比较：

1. 视角
2. 粒度
3. 适用阶段
4. 产出物
一句话类比
同一业务三种视角

以「电商 DAU 连续三周下滑 5%」为例：

三个框架不互斥，是同一业务的三个不同切面。实战通常按顺序串用：

flowchart LR
    A[先用 AARRR<br/>定位问题段落] --> B[再用 OSM-UE<br/>定策略和验证指标] --> C[最后用指标树法<br/>找可撬动的杠杆点]

---

二、框架选型决策树

三个决策变量

**变量一：业务阶段**

**变量二：问题类型**

**变量三：北极星是否已确定**

决策流程图
flowchart TD
    A[接到一个业务任务] --> B{北极星<br/>是否已定?}
    B -->|未确定| C[先做 OSM-UE<br/>定目标/策略/度量]
    B -->|已确定| D{问题类型?}
    D -->|不知道从哪入手| E[先做 AARRR<br/>定位问题段]
    D -->|结果数字不达标<br/>想找杠杆| F[先做指标树法<br/>拆可撬动因子]
    D -->|目标明确<br/>要规划动作| G[用 OSM-UE<br/>拆策略和指标]
    C --> H{北极星定下后<br/>还要继续吗?}
    H -->|是| D
    E --> I[定位到问题段后<br/>用指标树法深拆该段]
    F --> J[找到杠杆后<br/>用 OSM-UE 落地策略]
常见组合用法

**组合 1：AARRR → 指标树法**（最常用） 先用 AARRR 扫一遍定位问题段；然后只对这一段用指标树法深拆，找出可撬动的因子。例：电商 DAU 跌，先 AARRR 定位在「获客段」，再对获客段用指标树法拆「新增 = 渠道曝光 × CTR × 转化率」。

**组合 2：OSM-UE → 指标树法** 先用 OSM-UE 把目标变成策略和指标；然后对每个核心指标用指标树法做深拆，让每条策略可量化、可执行到岗位。

**组合 3：AARRR + OSM-UE + 指标树法（全套）** 用于重大专项 / 季度 OKR 复盘 / 新业务线立项。输出物很重，不建议日常使用。

---

三、实操一：拉新次日留存场景拆解

**任务：领导给你一个目标——「提升新增用户次日留存率」，要求下周一前给方案。** 这是成长期产品典型场景：北极星已确定（DAU），问题已定位在「留存」段，要做的是拆到岗位可执行。

第一步：把目标说具体（目标陈述单）

回答四个问题：

输出物「目标陈述单」： > 「将 [2024 Q4 投放渠道] 的新增用户在 8 周内 D1 留存率从 32% 提升到 38%。」

不锚定渠道、时间窗、基线，后面的所有拆解都会飘。

第二步：用 AARRR 定位问题段

次日留存横跨「获客（Acquisition）→ 激活（Activation）」的衔接处——用户被拉进来（D0），到 D1 是否回来。

| 阶段 | 在本场景中的具体问题 | 是否瓶颈 | |---|---|---| | Acquisition 获客 | 拉来的人对不对？是目标用户吗？ | 可能是 | | Activation 激活 | D0 的体验有没有让用户感受到核心价值？ | 可能是 | | Retention 留存 | D1 回访的触发机制有没有？ | 可能是 | | Revenue 变现 | D1 还没到变现层 | 暂不相关 | | Referral 传播 | D1 还没到传播层 | 暂不相关 |

输出物「问题段定位表」：今天主要在 A→A→R 这三段里看，其他段暂不展开。

第三步：用指标树法把目标拆到过程指标

公式：D1 留存率 = D1 留存用户数 ÷ D0 新增用户数。两路并拆：

flowchart LR
    A[D1 留存率] --> B[分母<br/>D0 新增用户数]
    A --> C[分子<br/>D1 留存用户数]
    B --> B1[各渠道新增量]
    B --> B2[各渠道 CTR]
    B --> B3[各渠道注册转化率]
    C --> C1[D0 激活用户数]
    C --> C2[D0 激活到 D1 召回率]
    C1 --> C1a[首启完成率]
    C1 --> C1b[核心动作达成率<br/>如首单首评]
    C2 --> C2a[Push 到达率]
    C2 --> C2b[Push 点击率]
    C2 --> C2c[回访路径完成率]

**分母侧拆不拆**：如果说不清是不是新用户质量变差，就要查分母——看是不是某低质渠道的量占比升高拉低了整体。如果明确是质量问题，分母暂时不拆，专注拆分子。

---

四、实操二：Q4 GMV 提升 20%

留存是用户旅程里阶段明显的问题（哪段出了问题一眼能看出），而「Q4 GMV 提升 20%」是北极星已直接给增量目标的题，常见于成熟期电商、消费品、SaaS——用户旅程视角派不上太大用场，重点是**先选路、再算账**。本节用 **OSM-UE（选路）+ 公式拆解法（算账）** 组合。

场景设定
为什么是这个组合

单纯靠公式拆解是「拆了也不知道优先级」的窘境：

第一步：OSM-UE 把目标翻译成策略
第二步：公式拆解法把策略翻译成指标

标准公式 GMV = UV × 转化率 × 客单价，更适配本场景的拆法是按新老客拆：

**GMV = 新客 GMV + 老客 GMV**

| 策略 | 撬动的是公式里的哪个变量 | 对应过程指标 | |---|---|---| | S1 老客多买 | 老客复购率、复购客单价 | 30/90 天复购率、复购客单价 | | S2 拉新客 | 投放量、注册转化率、首单转化率 | 投放量、注册转化率、首单转化率 | | S3 客单价提升 | 首单客单价、复购客单价 | 件单价、关联推荐点击率、凑单完成率 |

左边一列是 OSM-UE 的策略（S 层），右边一列是公式拆出来的过程指标，中间的「撬动变量」就是桥梁。

---

五、基于自身业务的实操作业

别人的案例不是你的。指标拆解这件事，「看懂」和「真能讲清」中间隔着一道「自己做一遍」的鸿沟。

实操四步

**第 1 步｜锁定一个具体目标** 不要选「提升业务」这种空话。挑一个**有时间窗、有量化增量**的目标，如「Q4 月活提升 15%」「7 日留存 +5pp」「付费转化率 3% → 5%」等。时间窗 1-3 个月最合适，太短拆不出过程，太长追踪不到。

**第 2 步｜确认你的北极星是「单一指标」** 把目标里的北极星拎出来做「唯一性检验」：有并列的（如 DAU 和留存同等重要）就**单选一个**，另一个降为约束条件写在副标题。

**第 3 步｜按情境选框架**

**第 4 步｜拆**