AIPM课程 Day12

AIPM 课程第十二天，主题是 数据指标体系。Day11 讲"怎么判断 AI 做得好不好"（评测），Day12 退回到更通用的产品基本功——怎么用数据指标衡量业务、怎么把零散指标搭成能监控和定位问题的体系。全程以"奶茶店"和"电商提升 GMV"两个案例贯穿。

授课结构

串联逻辑

Day12 是一条"认识指标 → 认识常见指标 → 把指标搭成体系"的递进——

1. 基础认知：先把"数据"（原始记录）和"指标"（计算/聚合后的度量）分清，点明指标的三大作用（量化目标/统一语言/驱动决策），用奶茶店一天的流水演示"原始数据→清洗→聚合→业务指标→决策"五环节。
2. 指标字典：按用户旅程分层给出常见指标——流量层（用户从哪来：PV/UV/IP）、用户层（留不留得住：DAU/留存/粘性）、行为层（怎么用）、转化层（掏不掏钱：CVR/ARPU）、体验层（爽不爽：响应/Crash/NPS），AI 产品再加专属层（意图识别率/幻觉率/AIGC采纳率）。其中留存率单独深挖（曲线形态、D1/W1/M1 分层、各品类基准、25%→42% 优化案例）。
3. 判定与分类：好指标 4 特征、虚荣 vs 可执行、先见 vs 后见；指标按业务逻辑分（北极星/结果/过程/运营/监控）和按构成分（原子/派生，派生=原子+修饰词+汇总方式）。
4. 搭体系：理解 What/Why/How 与金字塔分级（顶层监控、下钻定位）；掌握拆解四方法（公式/漏斗/矩阵/树状）和四大分析框架（AARRR/UJM/OSM/杜邦）；最后用四步法以"提升 GMV"完整走一遍——找北极星、UJM+OSM 梳过程、下钻出 GMV 计算链、叠加分析维度。

这是产品经理的通用数据基本功，也是 Day11"评测指标体系"和需求优先级判断的底座。

课堂笔记要点

• 数据 ≠ 指标：一条订单是数据，客单价才是指标。指标的价值在于"可解释、可比较、能指导行动"——汇报别堆原始数据。
• 指标加工是一条流水线：原始数据往往不标准（同一杯奶茶三种记法），必须先清洗再聚合，脏数据出不了可信指标（呼应 数据准备五环节 的 Garbage In Garbage Out）。
• DAU/WAU/MAU 的灵魂是"去重"：同一用户周期内多次活跃只计 1。一个用户 1 月活跃 6 天 → 每天 DAU=1、整月 MAU=1。用户粘性 = DAU/MAU，>50% 是微信抖音级、<20% 是低频工具。
• 留存曲线看"形状"不看"绝对值"：健康曲线是"快速下降后趋于平稳"（找到核心价值），糟糕曲线是"一路跌到 0"。不同品类基准差很大（社交次日 60-80%、工具只有 20-40%），跨品类比绝对值没意义。
• 警惕虚荣指标：总注册数只增不减、好看但不指导行动；要选活跃占比、增长率这类可执行指标。先见性指标（流失率/退货率）配后见性指标（活跃率/投诉率）一起用。
• AI 产品多一层专属指标：意图识别准确率、回答相关性、转人工率、多轮完成率、幻觉率、AIGC 采纳率——这层正好是 效果评测体系 要量化的评测对象，指标体系和评测体系在 AI 产品里是接口对接的。
• 指标体系 = 顶层监控 + 下钻定位：北极星在塔尖负责"发现问题"，一/二/三级指标负责"下钻定位问题"，再加分析维度切片。北极星要满足 4 属性（关联商业模式/反映认可度/影响行为/简单可拆）。
• GMV 拆解是公式法的范本：GMV = 商品曝光 UV × 转化率 × 访购率 × 平均客单价——把一个大结果指标拆成一串可干预的过程指标，每段都能对应运营策略（OSM 的目标-策略-指标三层）。

相关页面

→ 数据指标基础 → 产品指标分层体系 → 指标体系搭建方法论 → AIPM课程 Day11（前一日 AI 评测体系，其"指标体系"以本日为底座） → 效果评测体系（AI 专属层指标 = 评测对象） → 数据准备五环节（数据清洗是出可信指标的前提） → 需求优先级排序（指标驱动的优先级判断）