PLG Data Analyst Cheatsheet详解 ↗

目标：拿到一个陌生 PLG 产品时，不从“哪个数字最低”开始，而是建立一条从获客 → 价值 → 留存 → 付费 → 扩张的可验证证据链。

0. 总模型详解 ↗

PLG Business Model
Acquire → Activate / Retain → Monetize → Expand
                     ↘ Growth Loops ↻

Data Analyst Model
Business Question
→ Metric Definition
→ Data Grain
→ Event Model
→ Funnel / Cohort / Segment
→ Bias Check
→ Validation
→ Hypothesis
→ Experiment
→ Decision

指标不是事实；指标是对用户价值的一种测量假设。

1. 拿到陌生产品：标准分析 SOP详解 ↗

先问业务问题：不要接受“看看 PLG 数据”“看看 retention”“做个 dashboard”作为问题本身。
确定 Grain：User / Workspace / Account / Organization / Subscription / Revenue。
定义 Value Event：产品定位 → 核心价值 → 用户真正获得价值的时刻 → Activation Metric → 下游验证。
拆 Metric Definition：Numerator / Denominator / Window / Eligibility / Cohort Anchor / Segment / Attribution。
检查 Event Model：谁、做了什么、何时、上下文、价值、商业状态是否都能追踪。
沿价值链分析：Acquire → Activate → Retain → Monetize → Expand。
检查 Bias：Mix Shift / Selection / Confounding / Survivorship / Leakage / Attribution / Simpson’s Paradox。
找到 Predictor 后不要直接当 Cause：Predictor → Causal Hypothesis → Experiment。

一句话：先把这个指标的 SQL 口径说清楚。

2. Funnel Analysis详解 ↗

回答：用户沿着有顺序的路径，掉在哪里？

Visit → Signup → Setup → Value Event → Retained → PQL → Paid

同时看：

Conversion Rate
Absolute Loss
Time Between Steps

优先级原则：

先判断当前 PLG 主矛盾在哪一层，再看这一层内部哪段绝对损失最大。

适合：路径流失、Onboarding、注册→激活、商业化漏斗。
不适合：长期用户为什么留下——这个问题切 Cohort。

3. Cohort / Retention详解 ↗

Retention 真正测的是：第一次价值发生以后，这个价值有没有重复发生。

Activation = 第一次价值
Retention = 重复价值

一个 Retention 定义必须有：

Cohort Anchor
Return Event
Return Window

常见 Anchor：

Signup Cohort：看获客质量 / 全生命周期
Activation Cohort：看获得真实价值后的 retention
Paid Cohort：看付费后的 retention / expansion / NRR

Retention 类型：

N-Day Retention
Windowed Retention
Rolling Retention

Natural Frequency 要匹配产品频率：

Daily：D1 / D7 / D30
Weekly：W1 / W4 / W8
Monthly：M1 / M3 / M6

Retention Curve 重点看：

Early Drop
Long Decline
Plateau

真激活验证：

P(Retention | Activated)
vs
P(Retention | Non-activated)

注意：predictive ≠ causal。

4. TTV / Time-to-Event详解 ↗

TTV = Product Friction + Natural Waiting

把：

Signup
→ Integration Start
→ Integration Complete
→ First Input
→ First Result
→ Value Event

分段计算。

常见 Time-to-X：

Time to Activation
Time to First Paid
Time to Expansion
Time to Churn

行为数据常偏斜，优先看 Median / P25 / P75 / P90，少依赖 Mean。

5. Segmentation详解 ↗

目的不是切得细，而是：找到不同的业务机制。

优先切：

Business mechanism：ICP / Use case / Persona / Account size
Acquisition mechanism：Channel / Campaign / Landing page
Product path：Activation path / Workflow / Feature adoption
Commercial motion：Self-serve / Sales-assisted / Plan
Environment：Country / Device / OS

好的 segmentation 标准：

切完以后，业务结论变了。

6. Mix Shift / Bias详解 ↗

Mix Shift详解 ↗

Overall Change
=
Within-segment behavioral change
+
Segment composition change

Simpson’s Paradox详解 ↗

每个 segment 都变好，但 overall 反而变差，常由用户结构变化导致。

Selection Bias详解 ↗

问：为什么这些人会进入这组？

Confounding详解 ↗

第三个变量同时影响 X 和 Y。第一步先做 Stratification。

Survivorship Bias详解 ↗

只看留下的人，会高估很多长期行为的作用。解决：固定 early observation window。

Look-ahead / Leakage详解 ↗

Observation Window → Scoring Point → Outcome Window

不能偷看未来。

Attribution Bias详解 ↗

B2B PLG 至少区分：

Source
Product / Activation Influence
Close

典型：

Source = SEO
Activation = Product-led
Close = Sales

7. Acquisition Quality详解 ↗

不要停在：

Visit → Signup

至少追到：

Visit
→ ICP Signup
→ Activated
→ Retained
→ Paid

更成熟的效率指标可能是：

CAC / Activated User
CAC / Retained User
CAC / Retained Paid Account

8. PQL / Predictive Analysis详解 ↗

核心问题：

在需要采取商业动作的那个时点，哪些已经发生的产品行为，可以预测未来付费 / 扩张？

Base Rate详解 ↗

P(Paid)

Lift详解 ↗

Lift(signal)
=
P(Paid | Signal)
/
P(Paid)

Coverage详解 ↗

这个 signal 覆盖多少真实商业机会？

Precision详解 ↗

TP / (TP + FP)

Recall详解 ↗

TP / (TP + FN)

Threshold 取决于 intervention cost：

自动 CTA：可容忍低 precision
Sales contact：需要更高 precision

PQL signals 可分：

Value Realization
Engagement
Collaboration / Expansion
Commercial Intent
Firmographic

成熟 B2B：

PQL = Product Intent × Commercial Potential

Observation Window 示例：

Day 0–7 Behavior
→ Day 7 Score
→ Predict Day 8–30 Paid

第一版可以 rule-based scoring，先别急着上复杂 ML。

9. Monetization Analysis详解 ↗

商业化漏斗：

Activated
→ Retained / Repeated Value
→ PQL
→ Paywall / Upgrade Trigger
→ Checkout
→ Paid

同时保留：

Signup → Paid
Activated → Paid
PQL → Paid

Free Tier详解 ↗

免费必须换回某种增长价值：

Activation
Habit
Referral
Team invite
PQL
Paid conversion

Usage Distribution详解 ↗

不要只看平均，至少看： Median / P75 / P90 / P95 / P99

Usage × Commercial Outcome详解 ↗

比较 usage bucket 对：

Paid rate
Retention
ARPA
Expansion
Cost

10. Value Metric / Pricing Metric / Cost详解 ↗

Value Metric详解 ↗

问题：用户获得的价值沿哪个维度增长？

候选： Tasks / Seats / Workflows / Storage / Automation Runs / Time Saved

Pricing Metric详解 ↗

不一定等于 Value Metric。

真实价值 = 节省人工小时
↓
难测 / 难预测 / 易争议
↓
Pricing Proxy = Task / Workflow / Credit

好的 Pricing Metric：

Value aligned
Measurable
Predictable

Cost详解 ↗

Value 是主轴，Cost 是 guardrail。

Value alignment
→ Simplicity / Predictability
→ Cost guardrail

11. Paywall / Pricing Cohort详解 ↗

Paywall Analysis详解 ↗

不要只看 Paywall → Paid，还要看：

Who hit paywall?
→ Activated?
→ Usage before paywall
→ Repeated paywall hits
→ Checkout
→ Paid
→ Post-paid retention

重点比较：

Paywall before Activation
vs
Paywall after Activation

Pricing Cohort详解 ↗

价格调整后比较：

Activation
Paid conversion
ARPA
Retention
Expansion
Gross Margin

避免只优化单笔收入。

12. Revenue / Expansion Analysis详解 ↗

Revenue Decomposition详解 ↗

New Revenue
+ Expansion Revenue
- Contraction
- Churn
= Net Revenue Change

NRR详解 ↗

NRR
=
(Starting Revenue - Churn - Contraction + Expansion)
/
Starting Revenue

但：NRR 是结果，不是 insight。

继续拆 Expansion Driver：

Seat
Usage
Workflow
Module
Org
Capacity
Compound Value

至少同时看：

Expansion Amount
Expansion Distribution
Expansion Driver

Concentration

看：

% Accounts Expanded
Median Expansion
P90 Expansion
Top Account Contribution

Expansion Cohort详解 ↗

M0 → M3 → M6 → M12

Expansion Velocity详解 ↗

看 Paid → First Expansion，以及不同 expansion axis 的时间。

13. Growth Loop Analysis详解 ↗

例如 Invite Loop：

Activated Users
→ Invite Rate
→ Invites / Inviter
→ Acceptance
→ Signup
→ Activation
→ Retention
→ Invite Again

近似：

New Activated Users
=
Activated Users
× Invite Rate
× Invites/User
× Acceptance
× Activation

目标不是“做分享”，而是找到 loop bottleneck。

14. Experimentation / A/B Test详解 ↗

从 Observational 到 Causal：

Predictor
→ Causal Hypothesis
→ Randomized Experiment
→ Decision

实验卡至少提前定义：

Business Problem
Causal Hypothesis
Eligible Population
Randomization Unit
Treatment
Primary Metric
Guardrails
Baseline + MDE
Sample / Observation Window
Success / Failure / Gray Zone
Kill Condition
Owner
Next Action

重点：

Primary Metric 只设一个主判断
Guardrail 防止上游/下游被伤害
Randomization Unit 匹配 User / Workspace / Account
MDE 连接 Business Significance 与 Sample Size
不只看 p-value，要看 Effect Size + Confidence Interval + Business Impact
No significance ≠ No effect
先查 Data Quality / SRM 再做统计
前后对比不是严格 A/B
ITT 默认按最初 assignment 分析

最终输出：

What happened
Effect size
Uncertainty
Guardrails
Key segments
Decision
What we learned

决策：

Ship / Kill / Iterate / Continue

15. Dashboard / Analysis / Experiment详解 ↗

Dashboard = Monitoring
发生了什么？

Analysis = Diagnosis
为什么发生？

Experiment = Causal Validation
改 X 会不会真的改变 Y？

成熟工作流：

Monitor
→ Diagnose
→ Hypothesis
→ Experiment
→ Decision

16. 高频判断口诀

别人说：注册率 12%
问：这些人 Activated 了吗？

别人说：Activation 58%
问：定义是什么？能预测 Retention 吗？

别人说：Retention 掉了
问：Same people got worse，还是 user mix changed？

别人说：这个行为和付费高度相关
问：Selection / Confounding / Leakage 有吗？

别人说：这个渠道 conversion 高
问：转到 Signup，还是 Retained Paid？

别人说：PQL 很多
问：Base Rate / Lift / Coverage / Precision / Recall 呢？

别人说：NRR 120%
问：谁贡献的？哪个 Expansion Axis？集中度呢？

别人说：实验赢了
问：Effect Size、CI、Guardrail、核心 Segment 呢？

17. 最终一页记忆版

PLG DATA ANALYST

1. DEFINE
   Business Question
   → Grain
   → Value Event
   → Numerator / Denominator / Window / Eligibility

2. TRACE VALUE
   Acquire
   → Activate
   → Retain
   → Monetize
   → Expand

3. CHOOSE METHOD
   掉在哪里？       → Funnel
   后来怎么样？     → Cohort
   为什么总体变化？ → Segmentation
   什么行为预测商业结果？ → PQL / Lift
   多久发生？       → Time-to-Event
   收入为什么变化？ → Revenue Decomposition
   Loop 卡哪里？    → Loop Funnel
   X 是否导致 Y？   → Experiment

4. CHECK BIAS
   Mix Shift
   Selection Bias
   Confounding
   Survivorship
   Leakage
   Simpson’s Paradox
   Attribution

5. VALIDATE
   Activation → Retention
   Usage / PQL → Paid
   Paid → Expansion
   Product Signal → Future Commercial Outcome

6. EXPERIMENT
   Hypothesis
   → Primary Metric
   → Guardrail
   → MDE / Sample
   → Randomize
   → Effect + CI
   → Ship / Kill / Iterate

最终目标：
不是“找最低的数字”，
而是建立一条能从获客一路解释到价值、留存、付费和扩展的证据链。

Source integrity：本页对应硬约束源全文已完整嵌入页面；网页只增加导航、锚点与视觉层级。