編輯導(dǎo)讀：Aha時刻是指，用戶第一次認識到產(chǎn)品價值時，脫口而出“啊哈，原來這個產(chǎn)品可以幫我做這個啊”。再底層一點，為什么用戶會發(fā)出贊嘆，是因為：用戶發(fā)現(xiàn)產(chǎn)品能夠為他們解決問題，并為之眼前一亮，這就是產(chǎn)品的核心價值。如何在數(shù)據(jù)中尋找Aha時刻呢？本文作者對此展開分析，與你分享。

01?前言

作為產(chǎn)品經(jīng)理，一定聽說過 Aha Moment(Aha 時刻)，一個經(jīng)典的案例是Facebook 將10天之內(nèi)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標進行（在各種地方都會提示用戶添加好友），從而實現(xiàn)了10億級用戶的增長。那么Facebook 是如何找到這樣的Aha時刻？

• ?為什么這個行為是添加好友，而不是發(fā)布照片？
• ?為什么是10天，
• ?為什么是 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 這么龐大的一個產(chǎn)品，它可以是一個功能模塊中的Aha，也可能是產(chǎn)品某個階段的Aha。尋找Aha時刻的方法也不止本文一種。經(jīng)驗有限，拋磚引玉，各位讀者我們一起來學習。

02?什么是Aha時刻

“Aha Moment”并非互聯(lián)網(wǎng)原創(chuàng)，它是德國心理學家、現(xiàn)象學家卡爾·布勒(Karl Buhler)在100年前創(chuàng)造的詞匯，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(dǎo)向的體驗會突然出現(xiàn)，讓你對之前不透明的環(huán)境有了深刻的了解?！?/p>

是否你曾經(jīng)在使用某個App的某個時刻，會發(fā)出“哇哦” ，“太棒了”的贊嘆，盡管這樣的產(chǎn)品并不常見（我本人在體驗shopify、Google ads的時候曾經(jīng)有過這樣的體驗）。

再底層一點，為什么用戶會發(fā)出贊嘆，是因為：用戶發(fā)現(xiàn)產(chǎn)品能夠為他們解決問題，并為之眼前一亮，這就是產(chǎn)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(guān)注了30人，而其中至少1/3 回關(guān)）。
• Slack: A team sends 2000 messages in a workspace（一個組織在一個workspace里發(fā)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產(chǎn)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(jīng)常知曉好友動態(tài)的需求。
• Slack: 突出企業(yè)社交價值，解決企業(yè)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：

• 關(guān)鍵行為
• 關(guān)鍵數(shù)字：包含行為次數(shù)、一定時間段等等

需要提出的是，Aha時刻的核心是尋找產(chǎn)品對用戶的核心價值，我們并不是為了數(shù)字而找數(shù)字，而是為了尋找一個能體現(xiàn)出產(chǎn)品核心價值的一個普遍適用的數(shù)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(guān)性分析的方法尋找Aha時刻，這也是硅谷領(lǐng)先的產(chǎn)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(yōu)質(zhì)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(zhuǎn)換成這樣的用戶，比如電商網(wǎng)站中那些經(jīng)常購買東西的用戶，或者社交產(chǎn)品中留存時間超過兩周的用戶。

追溯優(yōu)質(zhì)用戶的行為。

即優(yōu)質(zhì)客戶做了哪些行為事件，假設(shè)這些事件可能就是你要找的Aha 時刻中的關(guān)鍵行為。

對這些行為和優(yōu)質(zhì)用戶進行相關(guān)性分析。

即在眾多假設(shè)的事件中得出：

• 哪些事情（關(guān)鍵行為）
• 在多長時間內(nèi)做多少次（關(guān)鍵數(shù)字）

對促成優(yōu)質(zhì)用戶的相關(guān)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時刻的準確性，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. 產(chǎn)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(yōu)質(zhì)用戶及行為記錄，作為樣本來追溯行為，這樣做出的相關(guān)性分析才可能是準確的。

滿足前提后，我們按照這個思路一步步走。

4.1?找到優(yōu)質(zhì)用戶

定義優(yōu)質(zhì)用戶：要看不同的業(yè)務(wù)目標和產(chǎn)品，常見的可以有：

• 交易類產(chǎn)品：一定時間段內(nèi)完成一定交易次數(shù)或交易金額的用戶
• 耗時類產(chǎn)品: 一定時間段內(nèi)達到一定停留時長，或者訪問次數(shù)的用戶
• 效率類產(chǎn)品：一定時間段內(nèi)使用某項功能達到一定次數(shù)的用戶將這些優(yōu)質(zhì)用戶作為一個用戶分群。

4.2?追溯優(yōu)質(zhì)用戶的行為

優(yōu)質(zhì)用戶的行為那么多，要追溯并非易事，在這里列出兩種種方法：

方法一：看桑吉圖，做假設(shè)。定義一個結(jié)果頁面，比如設(shè)定最后一步為訂單成功頁面，生成桑吉圖，觀察用戶到達最后一頁前經(jīng)歷了哪幾個步驟，把來源最多的那幾步作為需要追溯的行為。

方法二：觀察優(yōu)質(zhì)用戶分群的用戶旅程桑吉圖（下圖1為例），把優(yōu)質(zhì)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(yōu)質(zhì)用戶進行相關(guān)性分析

我們先普及一下相關(guān)性分析的知識，需理解以下三點：

相關(guān)性分析不是因果分析。相關(guān)性分析僅僅代表被分析的兩個變量X，Y之間是正相關(guān)，負相關(guān)或者無相關(guān)。并不代表是有X 導(dǎo)致Y。比如我們拿到一組數(shù)據(jù)，冰淇淋的銷量和啤酒的銷量正相關(guān)，這就是相關(guān)性。但是很快發(fā)現(xiàn)二者都是隨氣溫變化的，二者沒有因果關(guān)系。

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

圖2?從-1到1的相關(guān)性變化

相關(guān)性系數(shù)計算方法：

常見的相關(guān)性系數(shù)有馬修斯相關(guān)性系數(shù), Pearson correlation等。馬修斯相關(guān)性系數(shù)參見該文章，馬修斯相關(guān)性系數(shù)也經(jīng)常用來做生物學研究，比如昆蟲與植物疾病的相關(guān)性，也是本文中用到的計算方法。簡單的說來，馬修斯相關(guān)性系數(shù)是二進制版本的相關(guān)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(lián)網(wǎng)產(chǎn)品來舉個例子：對某個CRM SAAS服務(wù)，我們需要分析：“在試用期頭三天內(nèi)創(chuàng)建客戶人數(shù)>=10次”，和“成為付費用戶” 之間的相關(guān)性。在這里，真陽性，假陽性，真陰性，假陰性的定義分別如下：

假設(shè)我們看到：

• 試用期頭三天內(nèi)創(chuàng)建客戶人數(shù)>=10次的人中，絕大多數(shù)成為了付費用戶。
• 而試用期頭三天內(nèi)創(chuàng)建客戶人數(shù)小于10次的人中，絕大多數(shù)沒有成為付費用戶。

那么可以認為“在試用期頭三天內(nèi)創(chuàng)建客戶人數(shù)>=10次”，和“成為付費用戶” 之間存在正相關(guān)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(shù)量，如果真陽性、真陰性的數(shù)量遠大于假陽性、假陰性的數(shù)量（如圖3中所示），那么不難看出，我們可以類似回歸分析一樣擬合出一條線性正相關(guān)曲線, 如圖中藍色直線所示(需要特別申明一下，這里只是為了便于理解所以拿回歸分析來做類比，相關(guān)性和回歸分析是兩個不同的概念，不可混淆)。

圖3??相關(guān)曲線

了解相關(guān)性分析之后，我們再回到Aha時刻的兩個“關(guān)鍵”：

• 關(guān)鍵行為
• 關(guān)鍵數(shù)字：包含行為次數(shù)、一定時間段等等

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

• 下圖左半部分是我們猜測的可能和優(yōu)質(zhì)用戶正相關(guān)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(yōu)質(zhì)用戶之間的馬修斯相關(guān)系數(shù)。

比如下圖中馬修斯相關(guān)系數(shù)中左上角的第一個數(shù)字0.47（綠色圓圈所示）代表的是第一天內(nèi)Edit Profile 的次數(shù)>=1 與成為優(yōu)質(zhì)用戶之間的相關(guān)系數(shù)為0.47，一般情況下0.47 可以認為是正相關(guān)。依此類推，Amplitude 里將馬修斯相關(guān)系數(shù)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(guān)性較強的行為，作為Aha時刻中備選的關(guān)鍵行為。

圖4??馬修斯相關(guān)系數(shù)

那么關(guān)鍵數(shù)字怎么體現(xiàn)出來的呢，在上圖中，我們們可以點擊任何一個相關(guān)系數(shù)，就可以下鉆到詳情中（如下圖5所示）。

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

圖5?相關(guān)系數(shù)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(xiàn)在高興為時過早。不得不說，上述的分析都是假設(shè)，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內(nèi)創(chuàng)建客戶人數(shù)>=10次的行為和付費用戶的確是正相關(guān)。那么在A版本中，我們可以將創(chuàng)建客戶這一功能放在最顯眼的位置，鼓勵用戶多創(chuàng)建客戶，B版本作為參照，最后對比A/B版本的付費轉(zhuǎn)換率，即可驗證該假設(shè)是否有效。

05?總結(jié)

回顧一下，本文講述了用相關(guān)性分析的方法來尋找產(chǎn)品中Aha時刻，尋找Aha時刻也是尋找產(chǎn)品對于用戶的核心價值的過程。對于一個互聯(lián)網(wǎng)產(chǎn)品，Aha時刻也并不唯一，它可能存在于不同的功能模塊，也可能在產(chǎn)品最初的計劃之外。Aha時刻也并不固定，它也會隨著產(chǎn)品演進和用戶的不同而產(chǎn)生變化。尋找Aha時刻也不止相關(guān)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(guān)系數(shù)（Matthews correlation coefficient）

2.?Amplitude help: Interpret your Compass chart

3.?理解皮爾遜相關(guān)系數(shù)

4.?增長黑客進階三：找到產(chǎn)品的AHA時刻

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

作者：Simba，IBM資深商業(yè)分析師，IT老兵，終生學習者。

本文由@一個數(shù)據(jù)人的自留地 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議。