編輯導讀：Aha時刻是指，用戶第一次認識到産品價值時，脫口而出“啊哈，原來這個産品可以幫我做這個啊”。再底層一點，為什麼用戶會發出贊歎，是因為：用戶發現産品能夠為他們解決問題，并為之眼前一亮，這就是産品的核心價值。如何在數據中尋找Aha時刻呢？本文作者對此展開分析，與你分享。

01 前言

作為産品經理，一定聽說過 Aha Moment(Aha 時刻)，一個經典的案例是Facebook 将10天之内添加7個好友定義為Aha時刻，于是當時Facebook的增長都圍繞這一目标進行（在各種地方都會提示用戶添加好友），從而實現了10億級用戶的增長。那麼Facebook 是如何找到這樣的Aha時刻？

• 為什麼這個行為是添加好友，而不是發布照片？
• 為什麼是10天，
• 為什麼是 7個好友，而不是4個、5個？

今天我們就來研究一下。需要說明的是Aha時刻并不局限于Facebook 這麼龐大的一個産品，它可以是一個功能模塊中的Aha，也可能是産品某個階段的Aha。尋找Aha時刻的方法也不止本文一種。經驗有限，抛磚引玉，各位讀者我們一起來學習。

02 什麼是Aha時刻

“Aha Moment”并非互聯網原創，它是德國心理學家、現象學家卡爾·布勒(Karl Buhler)在100年前創造的詞彙，大概意思是：“a peculiar, pleasure-oriented experience within the course of thought that pops up with the sudden insight into a previously un-transparent context.在思考過程中，以獨特的、快樂為導向的體驗會突然出現，讓你對之前不透明的環境有了深刻的了解。”

是否你曾經在使用某個App的某個時刻，會發出“哇哦” ，“太棒了”的贊歎，盡管這樣的産品并不常見（我本人在體驗shopify、Google ads的時候曾經有過這樣的體驗）。

再底層一點，為什麼用戶會發出贊歎，是因為：用戶發現産品能夠為他們解決問題，并為之眼前一亮，這就是産品的核心價值。

再舉兩個aha時刻的例子：

• Twitter: A user follows 30 users with at least 1/3 of them following back（關注了30人，而其中至少1/3 回關）。
• Slack: A team sends 2000 messages in a workspace（一個組織在一個workspace裡發了2000條信息）。

反過來，我們可以很容易通過這些定義看出各個産品的核心價值和所要解決的問題：

• Twitter：突出社交價值，解決了解，經常知曉好友動态的需求。
• Slack: 突出企業社交價值，解決企業間信息溝通的需求。

03 如何定義Aha時刻

從上述例子中不難看出，定義Aha時刻有兩個要素：

需要提出的是，Aha時刻的核心是尋找産品對用戶的核心價值，我們并不是為了數字而找數字，而是為了尋找一個能體現出産品核心價值的一個普遍适用的數字。

04 如何尋找Aha時刻

尋找Aha時刻的方法并不唯一，在不同的場景中有不同的方法，甚至最直接的用戶訪談也可能幫助你找到Aha時刻。而尋找aha時刻也可能是一個漫長的過程，本文主要講述使用相關性分析的方法尋找Aha時刻，這也是矽谷領先的産品分析工具Amplitude中使用的方法，供大家參考。

總的思路是：

找到優質用戶。

即這些用戶做了你期望的事情，你希望其他用戶也能轉換成這樣的用戶，比如電商網站中那些經常購買東西的用戶，或者社交産品中留存時間超過兩周的用戶。

追溯優質用戶的行為。

即優質客戶做了哪些行為事件，假設這些事件可能就是你要找的Aha 時刻中的關鍵行為。

對這些行為和優質用戶進行相關性分析。

即在衆多假設的事件中得出：

對促成優質用戶的相關性最強，這就是所謂的Aha 時刻。

驗證Aha時刻。

上述三步都是對Aha 時刻的猜想，無論何種方法，我們都不能保證Aha時刻的準确性，必須要針對猜想去驗證。

不難看出，這種方法要有兩個前提：

1. 産品中對用戶的行為有比較完備的記錄。
2. 要有一定量級的優質用戶及行為記錄，作為樣本來追溯行為，這樣做出的相關性分析才可能是準确的。

滿足前提後，我們按照這個思路一步步走。

4.1 找到優質用戶

定義優質用戶：要看不同的業務目标和産品，常見的可以有：

• 交易類産品：一定時間段内完成一定交易次數或交易金額的用戶
• 耗時類産品: 一定時間段内達到一定停留時長，或者訪問次數的用戶
• 效率類産品：一定時間段内使用某項功能達到一定次數的用戶将這些優質用戶作為一個用戶分群。

4.2 追溯優質用戶的行為

優質用戶的行為那麼多，要追溯并非易事，在這裡列出兩種種方法：

方法一：看桑吉圖，做假設。定義一個結果頁面，比如設定最後一步為訂單成功頁面，生成桑吉圖，觀察用戶到達最後一頁前經曆了哪幾個步驟，把來源最多的那幾步作為需要追溯的行為。

方法二：觀察優質用戶分群的用戶旅程桑吉圖（下圖1為例），把優質用戶參與度較高的行為定義為需要追溯的行為。

圖1 用戶旅程桑吉圖

4.3 對行為和優質用戶進行相關性分析

我們先普及一下相關性分析的知識，需理解以下三點：

相關性分析不是因果分析。相關性分析僅僅代表被分析的兩個變量X，Y之間是正相關，負相關或者無相關。并不代表是有X 導緻Y。比如我們拿到一組數據，冰淇淋的銷量和啤酒的銷量正相關，這就是相關性。但是很快發現二者都是随氣溫變化的，二者沒有因果關系。

我們用相關性系數來度量兩個随機變量X，Y之間的相關性強弱， -1代表100% 負相關，1 代表完全正相關，0代表不相關。我們用下圖簡單的表述一下從-1 到 1 的相關性變化。

圖2 從-1到1的相關性變化

相關性系數計算方法：

常見的相關性系數有馬修斯相關性系數, Pearson correlation等。馬修斯相關性系數參見該文章，馬修斯相關性系數也經常用來做生物學研究，比如昆蟲與植物疾病的相關性，也是本文中用到的計算方法。簡單的說來，馬修斯相關性系數是二進制版本的相關性分析，其計算公式如下：

其中：

• TP: 真陽性（True positive）
• TN: 真陰性（True Negative）
• FP: 假陽性（False positive）
• FN: 假陰性（False Negative）

我們還是拿互聯網産品來舉個例子：對某個CRM SAAS服務，我們需要分析：“在試用期頭三天内創建客戶人數>=10次”，和“成為付費用戶” 之間的相關性。在這裡，真陽性，假陽性，真陰性，假陰性的定義分别如下：

假設我們看到：

• 試用期頭三天内創建客戶人數>=10次的人中，絕大多數成為了付費用戶。
• 而試用期頭三天内創建客戶人數小于10次的人中，絕大多數沒有成為付費用戶。

那麼可以認為“在試用期頭三天内創建客戶人數>=10次”，和“成為付費用戶” 之間存在正相關性。

為了更好理解，我們用下圖來表述，氣泡的大小代表四種用戶的數量，如果真陽性、真陰性的數量遠大于假陽性、假陰性的數量（如圖3中所示），那麼不難看出，我們可以類似回歸分析一樣拟合出一條線性正相關曲線, 如圖中藍色直線所示(需要特别申明一下，這裡隻是為了便于理解所以拿回歸分析來做類比，相關性和回歸分析是兩個不同的概念，不可混淆)。

圖3 相關曲線

了解相關性分析之後，我們再回到Aha時刻的兩個“關鍵”：

我們參考Amplitude工具中的圖表來看如何得出兩個“關鍵”，如下圖所示。

• 下圖左半部分是我們猜測的可能和優質用戶正相關的行為。
• 下圖右上第一行是進行這一行為的時間段。
• 下圖右下部分藍色陰影就是上述行為和成為優質用戶之間的馬修斯相關系數。

比如下圖中馬修斯相關系數中左上角的第一個數字0.47（綠色圓圈所示）代表的是第一天内Edit Profile 的次數>=1 與成為優質用戶之間的相關系數為0.47，一般情況下0.47 可以認為是正相關。依此類推，Amplitude 裡将馬修斯相關系數以熱力表的方式很直觀的表達出來，使我們能很明顯的看出哪些是相關性較強的行為，作為Aha時刻中備選的關鍵行為。

圖4 馬修斯相關系數

那麼關鍵數字怎麼體現出來的呢，在上圖中，我們們可以點擊任何一個相關系數，就可以下鑽到詳情中（如下圖5所示）。

• 圖表左半部分是關鍵行為的次數和相對應的馬修斯相關系數。
• 其中Amplitude會将相關系數最高的次數突出顯示出來，如下圖中>=2次的相關性最高，相關系數為0.52， amplitude将其定義為Highly predictive，即強相關。
• 圖表右下方，Amplitude還會直觀的顯示出做過關鍵行為次數>=2的用戶和新用戶的留存曲線對比。該例中，做過關鍵行為次數>=2的用戶的留存率明顯高于新用戶留存。

圖5 相關系數詳情

4.4 驗證Aha時刻

好了，按照這個方法，我們看似找到了Aha時刻，可現在高興為時過早。不得不說，上述的分析都是假設，還有待驗證。最常見的用A/B test 來驗證Aha時刻。比如，上述例子中，我們看到試用期頭三天内創建客戶人數>=10次的行為和付費用戶的确是正相關。那麼在A版本中，我們可以将創建客戶這一功能放在最顯眼的位置，鼓勵用戶多創建客戶，B版本作為參照，最後對比A/B版本的付費轉換率，即可驗證該假設是否有效。

05 總結

回顧一下，本文講述了用相關性分析的方法來尋找産品中Aha時刻，尋找Aha時刻也是尋找産品對于用戶的核心價值的過程。對于一個互聯網産品，Aha時刻也并不唯一，它可能存在于不同的功能模塊，也可能在産品最初的計劃之外。Aha時刻也并不固定，它也會随着産品演進和用戶的不同而産生變化。尋找Aha時刻也不止相關性分析方法一種。但唯一不變的是，尋找Aha時刻的步履永不停歇。

參考文獻：

1. 【機器學習】馬修斯相關系數（Matthews correlation coefficient）

2. Amplitude help: Interpret your Compass chart

3. 理解皮爾遜相關系數

4. 增長黑客進階三：找到産品的AHA時刻

5. Facebook’s Aha Moment Is Simpler Than You Think

作者：Simba，IBM資深商業分析師，IT老兵，終生學習者。

本文由@一個數據人的自留地 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部