metrics-tree

指标树

工作流

复制此清单并跟踪进度：

Metrics Tree Progress:
- [ ] Step 1: Define North Star metric
- [ ] Step 2: Identify input metrics (L2)
- [ ] Step 3: Map action metrics (L3)
- [ ] Step 4: Select leading indicators
- [ ] Step 5: Prioritize and experiment
- [ ] Step 6: Validate and refine

步骤 1：定义北极星指标

如果未提供背景信息，请向用户询问：

• 产品/业务：我们要衡量什么？
• 当前指标：是否已有关键指标？
• 目标：怎样才算成功？

根据以下标准选择北极星指标：

• 能体现为客户创造的价值
• 反映商业模式（如何赚钱）
• 可衡量、可跟踪
• 可采取行动（团队能够影响该指标）
• 不是虚荣指标

按类型查看 常见模式 中的北极星指标示例。

步骤 2：确定输入指标（L2）

将北极星指标拆分为 3-5 个直接驱动因素：

• 哪些因素会直接推动北极星指标上升？
• 使用加法或乘法进行拆分
• 尽可能确保各组成部分互不重叠
• 每项输入指标都应由某个团队控制

有关拆分框架，请参阅 resources/template.md。

步骤 3：映射行动指标（L3）

针对每项输入指标，确定具体的用户行为：

• 哪些行为会推动该输入指标？
• 聚焦于可衡量、可观察的行为
• 每项输入指标最多列出 3-5 个行为
• 行为应在用户可控范围内

如果情况复杂，请参阅 resources/methodology.md 了解多层级体系。

步骤 4：选择领先指标

找出能够预测北极星指标变化的早期信号：

• 哪些指标会先于北极星指标发生变化？
• 关注漏斗前端的行为（引导、激活）
• 在高留存群组中寻找模式
• 测试这些指标与未来北极星指标值之间的相关性

步骤 5：确定优先级并开展实验

根据以下因素对机会排序：

• 影响：推动该指标会对北极星指标产生多大影响？
• 信心：我们对两者之间的关系有多确定？
• 难度：推动该指标有多难？

选择 1-3 个实验，测试优先级最高的假设。

有关质量标准，请参阅 resources/evaluators/rubric_metrics_tree.json。

步骤 6：验证并完善

验证指标之间的关系：

• 检查指标之间的相关性强度
• 验证因果方向（是 A 导致 B，还是反过来？）
• 测试领先指标的时效性（它能提前多久预测？）
• 根据数据和实验结果进行完善

常见模式

不同商业模式的北极星指标：

订阅/SaaS：

• 月经常性收入（MRR）
• 周活跃用户（WAU）
• 净收入留存率（NRR）
• 付费用户增长

市场平台：

• 商品交易总额（GMV）
• 成功交易数
• 已完成预订数
• 平台抽成率 × 交易量

电子商务：

• 每位访客带来的收入
• 订单频率 × 平均订单价值（AOV）
• 客户终身价值（LTV）

社交/内容：

• 平台使用时长
• 创建/消费的内容
• 参与互动的用户（而非仅活跃用户）
• 网络密度

拆分模式：

加法拆分：

North Star = Component A + Component B + Component C

Example: WAU = New Users + Retained Users + Resurrected Users

• 适用场景：组成部分是相互独立的细分项
• 优势：团队可以分别负责各个组成部分

乘法拆分：

North Star = Factor A × Factor B × Factor C

Example: Revenue = Users × Conversion Rate × Average Order Value

• 适用场景：组成部分彼此相乘
• 优势：清晰展示杠杆点

漏斗拆分：

North Star = Step 1 → Step 2 → Step 3 → Final Conversion

Example: Paid Users = Signups × Activation × Trial Start × Trial Convert

• 适用场景：转化过程按顺序进行
• 优势：找出瓶颈

群组拆分：

North Star = Σ (Cohort Size × Retention Rate) across all cohorts

Example: MAU = Sum of retained users from each signup cohort

• 适用场景：留存是关键驱动因素
• 优势：将获客与留存区分开来

防护措施

避免虚荣指标：

• ❌ 注册用户总数（无法反映价值）
• ❌ 页面浏览量（无法体现参与度）
• ❌ 应用下载量（不代表活跃使用）
• ✓ 活跃用户、参与时长、已完成的交易

确保因果关系清晰：

• 不要混淆相关性与因果关系
• 检验是 A 导致 B，还是 B 导致 A
• 考虑混杂变量
• 通过实验验证关系

限制树的深度：

• 最多保持 3-4 层（北极星指标 → L2 → L3 → L4）
• 层级过深 = 分析瘫痪
• 层级过浅 = 缺乏可操作性
• 聚焦杠杆效应最大的层级

平衡先行指标和滞后指标：

• 两者都需要，才能获得完整图景
• 通过先行指标及早采取行动
• 通过滞后指标进行验证
• 不要优化会损害滞后指标的先行指标

避免被指标操纵：

• 考虑意外后果
• 团队可能会操纵哪些行为？
• 添加防护指标（质量、信任、安全）
• 平衡增长与留存率/满意度

快速参考

资源：

• resources/template.md - 包含拆解框架的指标树结构
• resources/methodology.md - 复杂指标体系的高级技巧
• resources/evaluators/rubric_metrics_tree.json - 指标树的质量标准

输出：

• 文件：当前目录中的 metrics-tree.md
• 内容：北极星指标定义、输入指标（L2）、行动指标（L3）、先行指标、优先级实验、指标关系图

成功标准：

• 清晰定义北极星指标并说明理由
• 3-5 个输入指标可完整拆解北极星指标
• 行动指标是具体、可衡量的行为
• 明确先行指标并估算时间
• 按优先级排列前 1-3 个实验，并给出 ICE 评分
• 根据评分标准验证（得分 ≥ 3.5）

快速决策框架：

• 简单产品？ → 使用 template.md，分 2-3 层
• 复杂的多边产品？ → 使用 methodology.md，为各方分别建立指标树
• 不确定北极星指标？ → 回顾上文的常见模式，并用“体现价值 + 预测收入”标准进行检验
• 指标过多？ → 每层限制为 3-5 个，聚焦影响最大的指标

常见错误：

1. 选择了错误的北极星指标：选择虚荣指标，或选择团队无法影响的指标
2. 层级过多：导致分析瘫痪，失去可操作性
3. 因果联系薄弱：指标之间存在相关性，但没有因果关系
4. 忽视权衡：优化一项指标却损害另一项
5. 没有实验：建立指标树，却不检验假设