PLG × 数据分析｜完整学习笔记
目的：把本轮会话中关于 PLG、PLG Data Analyst、需求澄清 的学习内容完整沉淀下来，尽量做到“知识点与会话内容逐项对应”，方便以后从头复习，也方便直接带进项目。 结构：Overall → 主题树展开 → Summary 本笔记不按“课堂章节”死记，而按真正做项目时会遇到的问题组织。
Overall｜这轮学习到底建立了什么
这轮学习实际上建立了两套互相咬合的系统：
A. PLG 业务诊断模型
Acquire → Activate / Retain → Monetize → Expand
↘ Growth Loops ↻
B. PLG Data Analyst 分析模型
Business Question
→ Metric Definition
→ Data Grain
→ Event Model
→ Funnel / Cohort / Segment
→ Bias Check
→ Validation
→ Hypothesis
→ Experiment
→ Decision
两者的关系是：
- PLG 的第一原则：产品本身承担增长。
- 指标不是事实；指标是对用户价值的一种测量假设。
- PLG 数据分析不是找最低的数字，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。
PLG Cheatsheet = 我怎么理解 / 诊断这个业务。 PLG Data Analyst = 我怎么用数据证明这个诊断到底对不对。 再往前一步： 数据分析师不是“把数算出来的人”，而是把业务问题变成可计算、可验证、可决策问题的人。 本轮最重要的总原则可以压成三句：
Part I｜PLG 业务模型
1. PLG 的核心到底是什么
1.1 产品承担增长
会话中我们先讨论了“Growth Loop 是不是 PLG 第一核心”。 最终校准为：
PLG 的第一原则：产品本身承担增长。 也就是产品不只是“被卖出去的东西”，而要尽可能自己完成：
用户理解价值
→ 获得价值
→ 留存
→ 付费
→ 扩张
→ 理想情况下继续制造下一轮增长
1.2 Growth Loop 很重要，但不是 PLG 的唯一必要条件
更准确地说：
- 一个产品可以是很强的 Product-led Conversion；
- 也可以有 Product-led Expansion；
- 但如果没有 Product-led New-logo Growth Loop，它的 acquisition 仍可能高度依赖 SEO、广告、市场或销售。 于是形成三层理解：
Growth Loop 是让“产品承担增长”这件事形成复利的机制。 因此：
Product-led Conversion
↓
Product-led Expansion
↓
Self-reinforcing Product Growth Loop
最后一层最强，但不能反过来说前两层“不是 PLG”。
2. PLG 的业务主干
最终形成的陌生产品诊断框架是：
Acquire
→ Activate / Retain
→ Monetize
→ Expand
Growth Loops 横跨全程
注意：
Growth Loop 不适合被当成“最后第五步再看看有没有”。 更好的方式是： 从第一步开始就问：这一环产生的 output，能不能重新成为下一轮增长的 input？
Part II｜Activation / Retention
3. 真激活不是功能完成，而是价值兑现
3.1 真激活的定义链路
最稳定的定义顺序是：
产品定位
→ 核心价值承诺
→ 用户真正获得价值的时刻（Value Event）
→ 用哪个可观测产品行为代表它（Activation Metric）
→ 用 Retention 验证
会话中的核心判断是：
Retention 更适合做“验证”，不适合做“定义来源”。 也就是说，不建议从： “哪个行为和留存最相关？” 直接倒推出 Activation。 而应该先从产品自身定义： “我的产品是做什么的？” “我怎样表达了我能做这件事？” “对应产品里哪个操作，代表用户用我的产品完成了这件事？”
3.2 Value Event ≠ Activation Metric
需要严格区分： Value Event：用户真正获得价值的那个时刻。；Activation Metric：我们用一个可观测行为去代表这个 Value Event。 例如 AI 写作：
核心价值：帮用户更快产出可用内容
Value Event：用户拿到一份自己觉得能直接用的稿子
Activation Metric：生成 + 编辑 / 复制 / 导出
而不是简单的：
“生成过一次”。 因为： “生成”只是用了功能；“拿走结果”才更接近获得价值。
4. Retention 是 Activation 的合法性验证
4.1 真激活必须对后续 Retention 有明显预测力
如果一个所谓 Activation 定义：
Activated cohort D30 retention = 12% Non-activated cohort D30 retention = 11%那它就非常可疑。 更稳的判断是：
P(Retention | Activated)
>>
P(Retention | Not Activated)
这也是本轮非常重要的一句话：
Activation 的合法性，要由 Retention 来验尸。
4.2 真激活 ≠ 激活后一定留存
需要避免另一个极端： Activated → 100% Retained 不是。 即使用户真正拿到了一次价值，仍然可能因为： 产品使用频率低；持续价值不足；onboarding 后体验变差；有替代品；团队 adoption 没继续；用户需求本身消失。 而流失。 所以真正看的不是“一定留存”，而是： 真激活后，Retained probability 是否显著提高。
5. 多 Activation Path
5.1 多个 Activation Path 是合理的
一个产品可以对应多个场景： 个人记笔记；团队项目管理；团队知识库。 这些场景可以有不同真激活路径。
5.2 多 Activation Path ≠ 多套 PLG motion
判断是不是“真正不同的 PLG motion”，要继续看下游：
Activation 是否不同
→ Retention Driver 是否不同
→ Expansion / Monetization Driver 是否不同
→ Growth Loop 是否不同
越往下越重要。 一句话：
多 Activation 是多条入河支流；下游机制也不同，才是多条河。
Part III｜PQL / Monetization
6. PQL 是什么
6.1 Activation 和 PQL 的区别
Activation 回答： 这个用户有没有真正拿到价值？ PQL 回答： 已经拿到价值的人里，谁开始出现“值得商业转化 / 扩张”的信号？ 因此：
Activation = 这个产品对你有用 PQL = 你对这个产品已经出现商业价值6.2 PQL 不是“高活跃用户”
PQL 更接近：
Value Realized
+
Usage / Adoption Depth
+
Commercial Intent
典型强信号包括： 完成核心价值行为；重复使用 / 使用深度增加；团队协作或 seats 增长；接近免费额度上限；连续撞到和真实需求相关的 paywall；开始使用高级 / 企业能力。
7. Paywall hit 不能单独定义 PQL
一个用户： 第一次登录就点高级功能 → 撞 paywall；连续使用 10 天，完成多个任务后撞额度墙。 虽然都“撞 paywall”，商业含义完全不同。 因此：
Paywall hit 本身是 Commercial Intent signal。 但： 它和 Value Realized 叠加后，才会成为强 PQL。 这也意味着： 碰到付费墙 ≠ 一定真激活。 只有付费墙在“价值已经兑现之后”的合理位置，才接近强商业信号。
8. PQL 是诊断枢纽，但不是万能根因
我们讨论过一种情况： Activation 好；Retention 好；PQL 很多；Paid 很低；Sales 介入后甚至把用户弄跑了。 此时重点可能包括： Free packaging 价值过剩；PQL definition 太宽；Sales-assist motion 有问题。 其中 PQL 很适合作为优先排查点，因为重新定义 PQL 会迫使你回答： 高价值用户到底做了什么；免费用户拿走了什么；什么行为真正代表商业意图；Paywall 是否在正确位置；Sales 应该何时介入。 但要注意： PQL definition 决定“谁值得被干预”。 Sales motion 决定“怎么干预”。 PQL 调准了，不代表 sales motion 自动正确。
Part IV｜Free / Value Metric / Pricing Metric
9. 免费版必须有增长目的
一个好的 Free / Trial 不是： “尽量让用户爽”。 而是： 让用户充分感知价值，同时随着需求增强自然产生升级压力。 免费版可能承担： 帮用户完成首次真激活；降低试用门槛；制造 referral / sharing / collaboration；形成 usage habit；帮企业内部 bottom-up 扩散。 如果说不清免费版为什么存在，那它很可能只是在： “白送”。
10. Value Metric
10.1 Value Metric 不是“有没有价值”
核心问题是： 用户获得的价值沿哪个维度增长？ 寻找顺序：
产品定位
→ ICP
→ 核心价值
→ 真激活
→ 找价值增长轴
→ 提出 Value Metric 假设
→ 用 Retention / PQL / Expansion 验证
可能的价值增长轴： 完成更多任务；更复杂 / 更高价值任务；节省更多人工时间；更多团队成员使用；更多 workflow 被覆盖；更多资产 / 数据被托管。
11. Value Metric ≠ Pricing Metric
会话中的一个关键区分是：
- Value alignment
- Measurable
- Predictable
真正价值，和最终拿来收费的计量单位，可以不是同一个东西。 例如：
Value Outcome：节省人工小时 Pricing Metric：任务数 / workflow / credits原因： 节省人工小时可能： 难测；难解释；易争议；用户难预测。 所以任务数可能作为更好的 proxy。11.1 好 Pricing Metric 的三个条件
12. Cost 的位置
这轮非常重要的结论：
Value 是主轴，Cost 是约束条件。 因此定价设计顺序更接近：
Value alignment
→ Simplicity / predictability
→ Cost guardrail
而不是：
我们的 GPU / token 成本是多少 → 反推用户该付多少钱
特别是 Agent 产品，usage-based 经常自然，是因为：
任务执行量 ↑
→ 用户产出 ↑
→ 我们成本也 ↑
三者可能同向。 但“按边际成本收费”不应该成为 Value Metric 的定义。
13. 多类型 Agent 的计费复杂度
如果不同任务价值差异很大：
“改一个标题”和“做一份 6 小时行业研究” 都按 1 task 收费，就很不合理。 可以采用：
Usage × Value / Complexity Class例如： Quick = 1 credit；Standard = 5 credits；Advanced = 10 credits；Deep Research = 20 credits。 分档时： MECE 是结构原则，但还不够。 还需要： 同一档用户价值相近；同一档经济性相近；用户容易理解。 主轴仍然优先按： 用户价值 成本作为红线。Part V｜Expansion
14. Expansion ≠ 裂变
Expansion 问的是： 同一个客户，为什么会花越来越多钱？ 而 Growth Loop / 裂变更偏： 现有用户怎么带来更多新用户或更多使用。 所以： Expansion ≠ Referral / Acquisition。
15. Expansion Axis
常见 Expansion Axis： Seats；Usage；Workflow / Module；Org / Cross-team；Capacity；Compound Value。 诊断顺序：
产品价值定位
→ 价值是否天然会随着采用加深而增长
→ 沿什么维度增长
→ Pricing Metric 是否承接这个增长
→ Unit Economics 是否成立
16. Compound Value
这轮我们特别强调了：
使用越久
→ 数据 / 知识 / 历史上下文越多
→ 产品越有价值
→ 越难替代
→ 越容易 Retain + Expand
这已经进入：
Retention + Expansion + Moat 的交叉区域。 好的 Expansion 不只是： 多卖几个 seat 而是： 随着组织采用加深，产品的 value surface 本身扩大甚至发生质变。
Part VI｜Growth Loop
17. Growth Loop 不是“渠道”
“分享 / 社区 / 社媒 / 博文”本身不是 Growth Loop。 它们只是可能的载体。 真正 loop 必须闭环：
用户使用产品
→ 产生可传播 / 可协作 / 可索引资产
→ 外部或内部用户进入
→ 新用户继续使用
→ 再次制造增长输入
一句最重要的话：
Growth Loop 不是“我在哪里推广”，而是“产品使用本身如何制造下一轮增长的输入”。
18. Horizontal vs Vertical Growth
18.1 Horizontal Growth
带来： 新用户；新 workspace；new logo。 典型： 分享；邀请；UGC；模板；公开内容；协作。
18.2 Vertical Growth
在已有客户内部增长： seat；usage；workflow；team / org；revenue expansion。 这两类不要混。 因此一个产品即使： 100% 靠 SEO 获客；Activation / Conversion / Expansion 都是 Product-led。 也仍然可以是 PLG。 只是结构性缺陷是： new-logo acquisition 仍高度依赖外部流量供给。
Part VII｜PLG Data Analyst 总框架
19. 数据分析师真正做什么
分析师不是： “会算转化率”。 而是把业务语言翻译成：
可计算
可验证
可归因
可决策
完整工作链：
Business Question
→ Metric Definition
→ Data Grain
→ Event Model
→ Funnel / Cohort / Segment
→ Bias Check
→ Validation
→ Hypothesis
→ Experiment
→ Decision
Part VIII｜Metric Definition
20. 看到任何百分比先拆口径
例如：
D30 Retention = 32% 在接受它之前，至少要知道： Entity / Grain 是什么？；Denominator 是谁？；Numerator 是什么行为？；Window 是严格 D30 还是 rolling？；Eligibility 是什么？；Day 0 从哪开始？；不同 cohort / segment 是否混合？。 对于 Activation，则至少拆： 分子；分母；时间窗；哪些人真正有机会完成分子；渠道 / 画像是否混合；这个指标归谁负责。 一句话： 先把这个指标的 SQL 口径说清楚。
Part IX｜Data Grain
21. B2B PLG 不能只看 user_id
常见层级： User；Workspace；Account；Organization；Subscription；Revenue。 不同 Grain 回答不同问题：
User → Adoption
Workspace / Account → 产品渗透
Logo → 客户关系
Revenue → 商业价值 / Expansion
完全可能同时出现：
User Retention ↓
Logo Retention 稳定
NRR ↑
三者不冲突。
Part X｜Event Model
22. 事件模型需要什么
仅有：
user_id + event_name + timestamp
通常不够。
更有用的是：
user_id
workspace_id
account_id
session_id
event_name
event_properties
channel
plan
experiment_variant
sales_assisted
timestamp
task_type
usage_amount
一个好的 Event Model 需要支持回答： 谁；做了什么；什么时候；在什么上下文；获得了什么价值；商业状态是什么。
Part XI｜Funnel Analysis
23. Funnel 回答什么
用户沿着一个有顺序的路径，在哪一步大量流失？ 典型：
Visit
→ Signup
→ Onboarding
→ Value Event / Activation
→ Retained
→ PQL
→ Paid
至少同时看： Conversion Rate；Absolute Loss；Time Between Steps。
23.1 优先级原则
不是：
- Cohort Anchor
- Return Event
- Return Window
哪个 conversion rate 最低就修哪个。 而是： 先用 PLG 顺序纪律决定修哪一层，再用绝对损失决定该层内部先修哪一段。
Part XII｜Cohort / Retention
24. Funnel 和 Cohort 的区别
一句话： Funnel 看横向路径。 Cohort 看纵向时间。 Funnel 回答： 用户有没有到达那里？ Cohort 回答： 到达以后，后来发生了什么？
25. Retention 真正测什么
不是： 用户回来登录了没有。 而是： 核心价值有没有重复发生。 所以：
Activation = 第一次价值成立 Retention = 重复价值成立26. Retention 的三个定义维度
任何 retention 指标必须有：
26.1 Day 0
验证产品价值时，经常更适合：
Activation-based Day 0 而不是 Signup-based Day 0。 因为 Signup → Activation 之间混入了 TTV。
27. Retention 类型
N-Day Retention
第 N 天回来。
Windowed Retention
如 D30 ± 3 天。
Rolling Retention
Day N 或之后任何时间回来。 指标要匹配： Natural Frequency 例如： Daily → D1 / D7 / D30；Weekly → W1 / W4 / W8；Monthly → M1 / M3 / M6。
28. Retention Curve
主要看三个区域：
Early Drop
初期快速掉。 可能对应： Activation quality；Expectation mismatch；Onboarding；First Value。
Long Decline
一直下滑。 可能说明： Recurring Value 不够强。
Plateau
出现长期稳定平台。 非常重要的问题： 哪些人进入 plateau，以及为什么？
29. Aggregate Retention 很危险
Overall retention 下降，不一定是产品变差。 可能只是： User Mix 变了。 因此脑中应该有：
Overall Metric Change
=
Within-segment Behavioral Change
+
Segment Composition Change
Part XIII｜Segmentation
30. Segmentation 的目标
不是：
- ICP
- Use case
- Persona
- Account size
切 27 个维度。 而是： 找到不同的业务机制。 优先级：
Business mechanism
Acquisition mechanism
- Channel
- Campaign
- Landing page
Product path
- Activation path
- Workflow
- Feature adoption
Commercial motion
- Self-serve
- Sales-assisted
- Plan
Environment
- Country
- Device
- OS 除非环境确实改变机制，否则不要优先切。
30.1 好 Segmentation 的判断标准
切完以后，业务结论变了。 例如： Overall Activation 很差 → 切 Channel → SEO 很好、Paid 很差 根因从： “产品激活差” 变成： “Paid Acquisition Quality 差”。
Part XIV｜Bias
31. Mix Shift
总体变化来自：
Within-segment Change
+
Composition Change
先问：
Same people got worse？ 还是： User mix changed？
32. Simpson’s Paradox
可能出现： 每个 segment 都变好，但 overall 反而变差。 原因通常是： 低表现 segment 占比大幅增加。 所以： Aggregate metric 是现象，不一定是机制。
33. Selection Bias
核心问题： 为什么这些人会出现在这个组里？ 例如： 用了高级功能的人 retention 高。 可能不是： 高级功能导致 retention。 而是： 高意愿用户本来就更容易用到高级功能。
34. Confounding
第三个变量同时影响 X 和 Y。 例如：
Company Size
↙ ↘
Invite Paid
第一步处理方法：
Stratification。 在同一 company size 层内再比较。
35. Survivorship Bias
例如： 长期用户平均用了 12 个 feature。 不能直接说： 用 12 个 feature 导致长期留存。 因为： 只有长期留下的人，才有机会用到 12 个 feature。 更干净的方法： 固定一个 early observation window，例如 Activation 后前 7 天行为，预测 D30。
36. Look-ahead Bias / Leakage
预测未来商业结果时：
Observation Window
→ Scoring Point
→ Outcome Window
必须严格分离。 例如：
Day 0–7 behavior
→ Day 7 PQL score
→ Predict Day 8–30 Paid
不能把 Day 12 / Day 20 的行为偷偷放进去。
37. Attribution Bias
B2B PLG 至少区分：
Source
谁带来用户？
Product / Activation Influence
谁让用户拿到价值？
Close
谁完成商业交易？ 典型：
Source = SEO
Activation = Product-led
Close = Sales
因此：
PLG 和 Sales 不是互斥归因。
Part XV｜PQL / Predictive Analysis
38. PQL 是 prediction problem
真正问题： 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？ 结构：
Historical Product Behavior
→ PQL Signal / Score
→ Future Commercial Outcome
→ Intervention
39. Base Rate
先算：
P(Paid)
例如：
全体 Activated users 未来 30 天 Paid = 5%。
这 5% 是后面比较所有 signal 的基线。
40. Lift
Lift(signal)
=
P(Paid | Signal)
/
P(Paid)
例如：
Invite ≥3 的 Paid = 20%
Base = 5%
那么：
Lift = 4x
41. Coverage
Lift 高还不够。 需要问：
- 核心任务完成
- 结果导出
- Workflow success
这个 signal 覆盖多少真正的商业机会？ 高 Lift、低 Coverage 的 signal，可能不适合做主 PQL 规则。
42. Precision / Recall
Precision
TP / (TP + FP)你判为 PQL 的人里面，多少真的付费？Recall
TP / (TP + FN)所有真正会付费的人里面，你抓到了多少？43. PQL Threshold 取决于 Intervention Cost
低成本
如自动 Upgrade CTA。 可以接受较低 precision。
高成本
如 Sales contact。 需要更高 precision。 因此： PQL threshold 是业务 trade-off，不是统计学唯一最优。
44. PQL Signals 五类
Value Realization
Engagement
- Active days
- Task count
- Usage frequency
Collaboration / Expansion
- Invite
- Team size
- Workspace growth
Commercial Intent
- Paywall hit
- Quota threshold
- Premium workflow attempted
Firmographic
- Company size
- Industry
- Role 成熟 B2B：
PQL
=
Product Intent
× Commercial Potential
45. Rule-based Scoring
第一版完全可以：
True Activated +20
≥3 Value Events +10
≥5 Active Days +10
Invite ≥3 +20
Usage ≥80% quota +20
Relevant Paywall Hit +20
Enterprise Workflow +10
重点不在数学漂亮，而是：
每个 score 都有数据 evidence。 不需要一上来就 ML。
Part XVI｜Monetization Analysis
46. Monetization 真正回答什么
不是： 付费率是多少？ 而是： 用户在获得多少价值、处于什么状态、遇到什么商业边界以后，开始愿意付费？ 完整商业化漏斗：
Activated
→ Retained / Repeated Value
→ PQL
→ Paywall / Upgrade Trigger
→ Checkout
→ Paid
47. Denominator Discipline
同时保留：
Signup → Paid
Activated → Paid
PQL → Paid
三者回答不同问题： Signup → Paid：混合了获客、激活、商业化。；Activated → Paid：更接近 Value Capture。；PQL → Paid：更接近商业化效率。
48. Free Tier Analysis
免费用户要换回某种增长价值： Activation；Habit；Referral；Team invite；PQL；Paid Conversion。 如果一类 Free 用户：
Cost 高
+ 不付费
+ 不分享
+ 不扩散
那这类 usage 很可能只是纯成本。
49. Usage Distribution
不要只看平均。 至少看： Median；P75；P90；P95；P99。 尤其 AI / Agent 产品要警惕 heavy tail。
50. Usage × Commercial Outcome
把用户按 usage bucket 分层，再看： Paid rate；Retention；ARPA；Expansion；Cost。 这可以帮助： PQL threshold；Free limit；Plan boundary；Usage pricing。
Part XVII｜Paywall / Pricing Cohort
51. Paywall Analysis
完整分析路径：
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
如果付费墙出现在 Value Realized 前，可能直接伤害真激活。
52. Pricing Cohort
价格调整后不能只看：
ARPU 涨没涨。 应该比较 Old vs New Pricing Cohort： Activation；Paid Conversion；ARPA；Retention；Expansion；Gross Margin。 避免： 单笔收入涨了，但整体 LTV 变差。
Part XVIII｜Revenue / Expansion Analysis
53. Revenue Decomposition
New Revenue
+ Expansion Revenue
- Contraction
- Churn
= Net Revenue Change
总收入涨 20%，如果不拆，就不知道到底为什么涨。
54. NRR
NRR
=
(Starting Revenue
- Churn
- Contraction
+ Expansion)
/
Starting Revenue
但：
NRR 是结果，不是 insight。 下一步要继续拆： 谁 Expansion？；沿哪个 Axis？；多久发生？；是否集中在少数 whale？。
55. Expansion Distribution
至少同时看： % Accounts Expanded；Median Expansion；P90 Expansion；Top 10 Account Contribution。 因为： 300 个客户自然扩张到 NRR 120% 和： 5 个大客户撑出 NRR 120% 不是一个业务。
56. Expansion Cohort / Velocity
按首次付费月份：
M0 → M3 → M6 → M12看： 一个典型客户经济价值如何随生命周期变化。 同时分析： Paid → First Expansion；Seat expansion timing；Workflow expansion timing；Org expansion timing。Part XIX｜Growth Loop Analysis
57. Growth Loop 也可以 Funnel 化
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
数据分析目的：
找 Loop 真正 bottleneck。
Part XX｜Experimentation
58. Observational ≠ Causal
前面分析看到：
Invite ≥3 → Retention 更高只能说： Invite 是 predictor。 想知道： “主动推动 invite，会不会提高 retention？” 需要实验。 因此：
Predictor
→ Causal Hypothesis
→ Randomized Experiment
→ Decision
59. Hypothesis 必须可证伪
差的：
优化 onboarding 提升体验。 好的： 将 onboarding 从 5 步缩到 3 步，会让首次注册且未激活用户的 7 天 Activation 从 28% 提升到至少 32%，同时 D7 retention 不下降超过 1pp。 好的假设明确： Who；Treatment；Outcome；Baseline；Target；Guardrail。
60. Primary Metric / Guardrail
Primary Metric
一次实验一个主输赢判断。
Guardrail
防止你： “赢得很难看”。 例如把 Free limit 从 100 降到 20： Paid conversion ↑ 但： Activation ↓ Retention ↓ 这时不能宣布赢。
61. Randomization Unit
根据干预机制选择： User；Workspace；Account；Organization。 团队协作、pricing、workspace limit 等，往往更适合 Account / Workspace level randomization，避免 spillover。
62. MDE
Minimum Detectable Effect： 至少多大的变化，业务上值得关心？ 它连接：
Business Significance
↔
Sample Size
63. Statistical Significance ≠ Business Significance
不要只看：
- 真没效果
- 效果小于业务关心的 MDE
- 样本不足，实验没有 power 因此：
没有证据证明有效 ≠ 有证据证明无效。
65. Gray Zone
实验前提前定义： Success；Failure；Gray Zone。 避免结果出来后临时改标准。
66. SRM / Data Quality
如果计划 50/50 分流，却得到 70/30： 先查实验系统。 不要直接分析效果。 优先检查： Exposure event；分流；重复分组；Bot / Test account；Tracking 丢失；Conversion schema。
67. ITT
Intention-to-Treat： 按最初随机 assignment 分析。 不要只分析“真正用过新版的人”，否则可能重新引入 Selection Bias。
68. 实验最终输出
不要只写： A 赢 / B 赢。 至少输出： What happened；Effect size；Uncertainty；Guardrails；Key segments；Decision；What we learned。 决策：
p < 0.05 更应该一起看： Effect Size；Confidence Interval；Business Impact。 一个 +0.15pp 的变化可能统计显著，但商业毫无意义。
64. Power / Null Result
“No significant difference” 可能意味着：
Ship
Kill
Iterate
Continue
Part XXI｜Dashboard / Analysis / Experiment
69. 三个不是一回事
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
Part XXII｜数据分析师需求澄清 Best Practice
70. 需求澄清不是 Clarify Data Request
最核心的一句话：
- 什么现象触发需求？
- 为什么现在分析？
- 当前最担心什么？
需求澄清不是问清“你想要什么数据”，而是问清“你要做什么决策”。 例如： “帮我看下渠道分析。” 不够。 要继续问： 最终是为了加预算、减预算、停渠道，还是优化 landing page？ 因为不同决策对应完全不同分析。
71. 把需求改写成 Decision Question
一个很实用的句式： We are trying to determine whether / why / which... 例如： 我们要判断 8 月 D30 retention 下降，主要来自用户结构变化，还是同类用户自身留存恶化，以决定应该优先修 acquisition 还是 product retention。 这句话一旦写清，分析就清楚了一半。
72. 确认分析对象 / Grain
问： 我们到底在分析谁？ 可能是： User；Account；Workspace；Company / Logo；Subscription；Order；Session；Revenue。 例如“客户留存率”一定要澄清： User retention；Logo retention；Revenue retention。
73. 锁死核心指标口径
例如“Activation Rate”： 必须确认： Numerator；Denominator；Window；Anchor；Exclusion；Eligibility。 最好形成： Metric Contract 例如： Activation Rate = 注册后 7 天内完成 ≥1 次成功任务并导出结果的 eligible ICP users / eligible ICP signups。
74. 问“为什么现在问这个问题”
这是非常重要但经常被漏掉的一步。 可能 trigger 是： Dashboard 指标下降；刚上线功能；CEO 感觉用户反馈变差；Sales 说用户质量不行；下季度预算决策。 Trigger 会影响分析方向。
75. 让业务方讲出当前 Hypothesis
更好的问法： 你目前最怀疑哪几个原因？有没有最近发生的产品、渠道、价格或流程变化？ 这样可以快速拿到： Acquisition mix；Product changes；Sales route；Pricing changes；其他 confounder。 比盲切几十个维度有效得多。
76. 明确 Comparison
任何分析最好有比较基线： 上个月；去年同期；Control；Non-activated；ICP vs Non-ICP；Paid vs Free；Retained vs Churned；Before vs After。 例如： PQL conversion = 12% 本身没意义。 如果 base = 3%，那是 4× lift。
77. 明确 Segmentation 边界
不要业务方说： “按国家、渠道、用户类型、行业、设备都拆一下” 就全接。 要区分：
Must-have segments
真正可能改变业务机制的。
Exploratory segments
有空再看。 优先： ICP；Channel；Use case；Plan；Company size；Self-serve / Sales-assisted。
78. 时间范围有三层
Calendar Range
Jul–Aug
Cohort Window
7 月 signup cohort
Outcome Maturity
例如 D30 retention，只能纳入已经成熟到 D30 的 cohort。 所以要问： 哪些 cohort 已经有资格被分析？
79. 先确认数据是否存在
需求澄清后要做 lightweight feasibility check： Event 有吗？；历史从什么时候开始？；ID 能 join 吗？；Channel attribution 有吗？；Workspace / account mapping 有吗？；Pricing history 有吗？；Sales-assisted flag 有吗？。 如果数据没有，需要调整： 分析问题 或： 证据强度。
80. 明确需要哪种分析
快速映射： | 业务问题 | 方法 | |---|---| | 用户掉在哪里？ | Funnel | | 哪批用户后来表现不同？ | Cohort | | 为什么 overall 变了？ | Segmentation / Decomposition | | 什么行为预测付费？ | Lift / Predictive | | 一个改动有没有造成变化？ | Experiment | | 收入为什么涨跌？ | Revenue Decomposition | | 多久发生某行为？ | Time-to-Event | 同时要问： 这是 Monitoring、Diagnosis，还是 Causal Validation？
81. 提前约定“什么结果会改变决策”
这是需求澄清很高级的一步： 如果结果是 X，你会做什么？ 如果结果是 Y，你会做什么？ 如果无论分析结果是什么，业务方都不会改变决策，那这个分析本身价值可疑。
82. 定义最终 Deliverable
不要默认： “给个报告”。 可能真正需要的是： 一个数字；一个表；一张 funnel；一个推荐结论；Weekly dashboard；实验 readout；SQL dataset。 同时确认： 一次性分析，还是长期 monitoring？
83. Accuracy vs Speed
Directional
快速，80% evidence。
Decision-grade
完整清洗、口径、敏感性分析。
Productionized
长期指标 / dashboard。 不是每个问题都需要做成博士论文。
84. 最后必须“回写确认”
聊完以后，分析师用几行重述： 我理解这次要解决的是： 判断 8 月 retention 下滑主要来自 acquisition mix 还是产品自身。 分析对象：Activated ICP users 主指标：Activation-based D30 retention 重点 segments：Channel / ICP / Sales-assisted 最终决策：判断优先调整渠道还是产品 retention。 然后确认： 对，这就是你要回答的问题吗？ 这一步可以极大避免做完 3 天后对方说： “我其实不是想看这个。”
Part XXIII｜需求澄清模板
A. Business Context
B. Decision
- 分析支持什么决策？
- 不同结果分别导致什么动作？
C. Analysis Question
- 最终要回答的具体问题是什么？
- 当前有哪些 hypothesis？
D. Population / Grain
- User / Workspace / Account / Revenue？
- 包含 / 排除谁？
E. Metrics
- Primary Metric？
- Numerator / Denominator / Window / Anchor？
- Guardrail / Secondary？
F. Comparison
- 和谁比？
- Baseline / Control / Cohort / Segment？
G. Segmentation
- Must-have segments？
- Exploratory segments？
H. Data Feasibility
- 数据存在吗？
- 历史多久？
- Tracking 靠谱吗？
- 已知缺口？
I. Time
- Calendar Range
- Cohort Maturity
- Deadline
J. Deliverable
- One-off / Dashboard / Dataset / Experiment Readout？
- 深度？
- Decision Owner？
Part XXIV｜高频分析师脑回路
别人说：
注册率 12% 问： 然后这些人 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？
Summary｜最终复习版
1. PLG 业务
Acquire
→ Activate / Retain
→ Monetize
→ Expand
Growth Loops 横跨全程
Activate
产品定位 → Value Event → Activation Metric → Retention 验证
PQL
Value Realized + Commercial Intent
Monetization
Value Creation ≠ Value Capture
Value / Pricing
Value 是主轴，Pricing Metric 是 proxy，Cost 是 guardrail
Expansion
Seat / Usage / Workflow / Org / Compound Value
Growth Loop
产品使用本身制造下一轮增长输入
2. PLG Data Analyst
Business Question
→ Grain
→ Value Event
→ Metric Definition
→ Event Model
→ Funnel / Cohort / Segment
→ Bias Check
→ Validation
→ Experiment
→ Decision
Funnel
掉在哪里？
Cohort
后来怎么样？
Segmentation
为什么总体变化？
PQL / Predictive
什么行为预测商业结果？
Time-to-Event
多久发生？
Revenue Decomposition
收入为什么变化？
Experiment
X 是否真的导致 Y？
3. Bias
必须熟悉： Mix Shift；Selection Bias；Confounding；Survivorship Bias；Look-ahead / Leakage；Simpson’s Paradox；Attribution Bias。
4. PQL
必须看： Base Rate；Lift；Coverage；Precision；Recall；Observation Window；Outcome Window。 PQL 不是找“最活跃用户”，而是：
在一个可行动的时间点，用已经发生的产品行为预测未来商业价值。
5. Experiment
Business Problem
→ Causal Hypothesis
→ Eligible Population
→ Randomization Unit
→ Treatment
→ Primary Metric
→ Guardrail
→ Baseline + MDE
→ Sample / Observation
→ Success / Failure / Gray Zone
→ Data Quality / SRM
→ Effect + CI
→ Ship / Kill / Iterate / Continue
最重要的实验纪律：
实验结果出来之前，就定义好怎么根据结果做决策。
6. 需求澄清
最重要的一句话： 数据分析师做需求澄清，不是问清“对方想要什么数据”，而是问清“对方要做什么决策，以及什么证据足够改变这个决策”。 一个好需求最终应该被改写成：
业务问题
+ 决策
+ 分析对象
+ 指标口径
+ Comparison
+ Segmentation
+ 时间成熟度
+ 数据可行性
+ Deliverable
最后一张脑图
PLG
├─ Acquire
│ ├─ ICP
│ ├─ Value 前移
│ ├─ Channel Quality
│ └─ Growth Input
│
├─ Activate / Retain
│ ├─ Value Event
│ ├─ Activation Metric
│ ├─ TTV
│ ├─ Retention
│ └─ Cohort / Plateau
│
├─ Monetize
│ ├─ PQL
│ ├─ Free Tier
│ ├─ Paywall
│ ├─ Value Metric
│ ├─ Pricing Metric
│ └─ Sales-assist
│
├─ Expand
│ ├─ Seat
│ ├─ Usage
│ ├─ Workflow
│ ├─ Org
│ ├─ Compound Value
│ └─ NRR / Expansion Distribution
│
└─ Growth Loops
├─ Horizontal Growth
└─ Vertical Growth
PLG Data Analyst
├─ Clarify Decision
├─ Define Grain
├─ Define Value Event
├─ Lock Metric Contract
├─ Build Event Model
├─ Funnel
├─ Cohort
├─ Segmentation
├─ Bias Check
├─ PQL / Predictive
├─ Monetization / Expansion
├─ Experiment
└─ Decision
需求澄清
├─ Business Context
├─ Decision
├─ Analysis Question
├─ Population / Grain
├─ Metrics
├─ Comparison
├─ Segmentation
├─ Data Feasibility
├─ Time
└─ Deliverable
最终一句
PLG 数据分析的本质，不是“看数字”，而是沿产品价值链建立证据；数据分析师需求澄清的本质，不是“接数据需求”，而是把业务方的模糊诉求压成一个可验证、可比较、可归因、可改变决策的问题。