企业官网建设流程全解析

先讲一个我遇到过无数次的场景：一个曾经每个季度都在稳定增长的产品，突然某个月曲线就平了，然后开始往下走。团队的第一反应通常是开一个长长的会，有人说是竞品发力，有人说是功能体验不行，有人说是投放预算被砍了，最后每个人带着自己那套"我觉得"散会，问题还在那里。这种场面我太熟了。直到我听完了Lenny‘s Podcast上关于增长停滞的那期节目，又在自己经手的几个项目里反复验证，才慢慢把这套方法收敛成一套可以照着做的5步诊断框架。这篇文章不是播客的逐字稿搬运，而是我把这套框架落到实际操作中之后，整理出来的一份可以直接抄作业的完整流程。

它适合谁？如果你是SaaS产品、内容型App、电商工具类的产品经理、增长负责人或者创业者，正遇到"用户数没怎么涨""活跃度在掉""付费率说不清楚为什么变差"这类问题，那你今天可以把这篇文章当一份看病指南来用：先定位，再归因，最后动手修。整个过程不靠玄学，不靠拍脑袋，每一步都有明确的数据动作和结论判断。

1. 增长停滞的真正含义：先搞懂你失的是什么速

1.1 停滞不是单一问题，先判断失速发生在哪个环节

很多团队找我做增长诊断时，开场白都是同一句话："我们的产品突然不增长了。"但当我问"你说的不增长，具体是哪里不增长"时，大部分人答不上来。这就是问题的核心——增长从来不是一个单一指标，而是一串指标共同构成的链条。

一个典型的产品增长链条长这样：用户看到你、点进来、完成注册、体验到核心价值、持续回来、付费、把产品推荐给别人。如果某一天你发现"增长停了"，它可能停在这条链上的任何一个环节。是没有人扫码进来了？还是进来的人不注册了？还是注册了但从来没有真正用起来？还是用了几天就不回来了？还是什么都正常但付费那一步突然卡住了？

一个特别贴切的类比是开餐厅。如果你的餐厅生意变差，你得先搞清楚是门口那条街没人流量了，还是路过的人看了菜单不想进，还是进来的人觉得难吃再也不来了。这三种情况的处理方案完全不同——没人流量你要换地址或者做街边引流；菜单不吸引人你要改招牌菜；菜难吃你要换厨师。你不可能在没搞清楚是哪一种的情况下，就盲目去投广告或者装修店面。

所以在聊任何优化动作之前，先做一件事：把"增长"这个词，拆成具体环节。这是整条诊断路线的起点。

1.2 用净增长公式确认你的"病根方向"

有一次我在播客里听到一个非常冷静的提醒：很多所谓的增长停滞，根本不是产品出了问题，而是增长的自然规律。这个规律可以用一个简单的公式来看：

净增活跃用户 = 新增 × 激活率 + 回归用户 - 流失用户

我拿一个具体数字演算给你看。假设某产品每月新增10000人，激活率30%，也就是每月有3000人真正用起来，月流失率10%。那活跃用户数会怎么走？

• 第1个月：3000
• 第2个月：3000 × 0.9 + 3000 = 5700
• 第3个月：5700 × 0.9 + 3000 = 8130
• 第4个月：8130 × 0.9 + 3000 = 10317
• 第5个月：10317 × 0.9 + 3000 = 12285

你会发现，即使新增一直保持不变，活跃用户的增速也会逐月递减，最终会稳定在 3000 / 0.1 = 30000 附近，然后增长率趋近于零。注意，在这个过程里，产品没有任何变化，竞品也没有任何动作，纯粹是因为"流失"在持续吃掉你每个月的新增。这就是很多产品"增长两年后自动变平"的数学真相。

这个计算能给你什么启发？当你看到增长放缓，别急着下结论说产品坏了。先回去把公式里的三个变量——新增、激活、流失——的近期趋势拉出来。如果新增没变、激活没变、流失也没变，那这个"不增长"大概率不是突发的病，而是基数变大后的自然平台期。这时候应该调整的是增长目标和策略，而不是跑去改产品。

2. 五步诊断框架总览：从现象到根因的检查路线

2.1 框架的设计原则：数据定位、访谈归因、实验验证

诊断增长停滞和诊断身体疾病非常像。你身体不舒服，不会直接给自己开一盒抗生素吃，而是先去医院做检查，拿到报告，医生根据指标判断是什么问题，再决定用药。但很多产品团队在遇到增长问题时，完全反着来：连检查报告都没有，就急着开药——出个新功能、改个首页、做场大促。

这套5步框架的核心原则，是先花80%的精力搞清楚"问题到底是什么"，再用最后20%的精力去解决问题。具体来说就是三个关键词：数据定位、访谈归因、实验验证。

用数据定位，是为了回答"病在哪一个环节"，避免把力气用错方向；用访谈归因，是为了回答"为什么病"，理解用户行为和态度背后的真实动机；用实验验证，是为了确认"这个原因是不是真的"，而不是拿着一个听起来合理的猜测就去大改产品。三步缺一不可。

我见过太多团队栽在最后一步上：数据分析也做了，用户访谈也聊了，得出的结论看似合理，但等到真正改动上线后，数据没有任何变化，甚至更差了。为什么？因为从头到尾没有做过一次小规模的验证实验。合理的假设不等于正确的假设，只有被实验数据证明过的假设，才能作为产品决策的依据。

2.2 五步全景地图：每一步解决什么问题

为了方便你收藏和复现，我先给出整套框架的全景图，后面每一章再展开讲实操细节。

这五步的执行周期因人而异。以我自己的经验，Step 1和Step 2可以在一到两天内完成，因为你只需要拉数据和画图；Step 3和Step 4大概需要一周，因为访谈和分群分析需要时间积累样本；Step 5通常需要两到三周，因为实验要跑完一个完整的用户周期才算数。整个过程走下来，两到四周是一个正常的节奏。不要指望一天内出结果，那种速度得到的结论通常不可靠。

3. Step 1~2：数据定位与假象排查，先回答"停在哪"

3.1 把增长链条拆成六个可观测环节

现在开始动手。第一步，先把你的增长链条拆成六个环节，并且为每个环节找到最能代表它的那个指标。这里以SaaS或内容产品为例，你可以替换成自己的业务场景。

• 流量触点：周访客数、渠道来源分布
• 注册转化：访客到注册的转化率
• 激活：完成核心行为的用户比例，也就是所谓Aha moment
• 留存：次周留存、次月留存
• 付费：免费用户到付费用户的转化率
• 推荐：推荐率、邀请率、K因子

你可能会说，这些数据我们后台不是都有吗？但你仔细回想一下，你的团队是不是默认盯着DAU和MRR这种"大数"在看？大数的问题在于，它太综合了。DAU掉了，你根本分不清是新增少了、流失多了还是老用户不再回来了。而拆成六个环节之后，任何一个环节的异常都会直接暴露出来。

实操时，我会把过去8到10周的这六个环节数据全部拉出来，做成一张增长体检表。每个环节用当周值、前四周均值、环比变化三列来展示。只要扫一眼这张表，基本就能看出断裂点在哪里。

3.2 用拐点分析找到那个"事发时间"

环节定位之后，下一步是定位时间。我要强调一个经验：任何增长异常，几乎都有一个精确的"拐点时间"。找到它，你就成功了一半。

具体做法画一张复合折线图：把六个环节指标按周绘制，然后在图上标出三条时间线——产品发版日期、营销投放或活动日期、竞品的重要动作日期。这三条线是给数据配的"坐标轴"，用来对照拐点发生在哪个事件前后。

举个例子。我接过一个B2B SaaS项目，免费试用到付费的转化率从12%掉到了5%，团队讨论了很久没有结论。我做的第一步就是把这个转化率画成周度折线，再叠加发版记录，结果非常直观——拐点恰好出现在新版定价页上线的那一周。整个团队此前都没有把这次发版和转化下降联系起来，因为定价页的改版当时被认为是"提升页面美观度"的优化，没人想到它会直接干扰用户的付费决策。

这里还要补充一个判断技巧：不要只看"降没降"，要看"降了多久"。偶发波动可能是噪声，但连续三周处于负增长区间，基本可以排除偶然因素。你可以简单计算一下每周环比增长率：本周数值减去上周数值再除以上周数值，连续三周为负，就应该拉响警报。

3.3 排查假象的三张"照妖镜"

在我做过的诊断里，有相当大比例的项目，最后发现所谓"突然不增长"其实是数据假象。所以第二步，我强烈建议你先做一次数据可信度筛查，再进入用户分析。这里有三个高频干扰源：

举一个真实的教训。有一个团队告诉我产品新增用户突然腰斩，他们怀疑是素材创意衰退，准备马上重做投放素材。结果我去查数据的时候发现，腰斩那天应用商店的统计归因链接正好做了迁移，所有新下载用户被记到了"未归因"那一类，报表上看就是新增骤降。如果当时他们按原计划去优化素材，浪费还是小事，更可怕的是从此会把一个错误结论当成团队的共识，后面所有决策都会被带偏。

所以我的原则是：先怀疑数据，再怀疑产品。这个问题不排除，后面所有分析都是建立在沙子上的。

4. Step 3~4：用户分群与动机挖掘，找到"谁变了"和"为什么变"

4.1 同期群分析：区分新增断裂与老用户流失

确认数据没问题之后，开始进入用户分析阶段。这里最重要的工具是同期群分析，也就是cohort analysis。很多人一听到"分群"就想到按性别、年龄来分，但在增长诊断这个场景里，最有价值的分群维度永远是"用户是什么时候进来的"。

操作方法并不复杂：把用户按注册的自然周分成不同群组，然后跟踪每一群在注册后第1天、第7天、第30天的留存率。这样一张同期群留存表，能帮你回答一个分水岭级的问题：到底是"新用户留不住"还是"老用户也在跑"。

判断逻辑很直接：

• 如果只是最近几周注册的新用户留存率在下降，老用户留存基本平稳，那问题出在激活环节，比如新手引导变复杂、核心价值体验门槛变高。
• 如果所有同期群的老用户留存同步下滑，那问题更深，要么核心体验在退化，要么有外部力量在系统性挖走你们的老用户。

我用一个案例来说明这个画面的价值。某内容型App在新版本发布后，DAU连续五周下滑。好几个产品经理提了一堆猜测，有人说推送策略变了，有人说是内容质量下降。但同期群数据一拉，真相完全不一样：三个月前注册的老群留存基本稳定，只有最近六周注册的新用户群D1留存从40%掉到了25%。问题明显出在新用户激活上。后来团队发现新版本在注册流程里强行插入了一个"选择兴趣标签"的步骤，很多人还没看到内容就被卡在了这一步。把步骤改成可选之后，新用户D1留存很快回到了40%附近。这就是同期群分析的力量——不是靠猜，而是让数据自己说出问题在哪一段。

4.2 访谈问题怎么设计，才不会得到一堆废话

数据告诉你"是什么"，访谈要告诉你"为什么"。但访谈是最容易翻车的环节。很多团队的访谈方式是这样的：直接问用户"你为什么不用我们产品了"，用户通常只会给出一个听起来很合理的答案，比如"太忙了""不需要了""你们竞品更好"。这些答案不一定错，但它们是用户事后合理化解释，而不是真实的行为驱动因素。

我推荐的做法是场景回忆法，不要问态度，要问行为。一套我反复使用的流失用户访谈提纲长这样：

• 请描述你最近一次使用这个产品的完整过程，从打开到关闭。
• 你当时想完成一件什么事？你完成了吗？
• 是哪一步让你觉得不值得再继续花时间？
• 如果这个产品只能改进一个地方，你最希望改哪里？
• 如果要你用一句话跟朋友描述这个产品，你会怎么说？

问"最近一次做了什么"而不是"你平时怎么用"，是因为前者能唤起真实记忆，后者只会得到含糊的概括。实际操作中，访谈样本不需要太多，但也不要太少。一个比较可靠的样本组合是：5到8个流失用户，5到8个沉默用户，3到5个活跃用户。流失用户告诉你"为什么离开"，沉默用户告诉你"为什么留着但不用"，活跃用户告诉你"是什么让他们回来"，三组对照才拼得出完整画面。

还有一个成本很低的免费素材来源：客服工单和应用商店差评。最近30天里，客服工单中反复出现的关键词，差评里高频提到的槽点，往往和你在访谈里听到的结论高度一致。这些用户不会粉饰，说的话更难听，但也更真实。

4.3 竞品与环境检查：别把所有责任都揽到自己产品头上

有一类增长停滞，根因既不在你的产品，也不在你的用户，而在你身处的外部环境。所以第四步里还有一项必须做的检查：竞品和环境扫描。清单我整理过，通常包含五条：

• 竞品是否发布了有竞争力的新版功能？
• 竞品是否有降价、折扣或更便宜的套餐？
• 竞品在投放和宣传上是否突然加力？
• 你在应用商店和行业社区里的口碑是否有恶化趋势？
• 市场上是否出现了功能替代性更强的新工具？

这些因素叠加到你的产品上，会以各种形式体现出来：新用户获取成本变高，老用户被低价方案吸引走，或者口碑被对比后显得不够好。我经常提醒自己，有些下滑不是你自己做错了什么，而是风向变了。在这种情况下，你光改产品没用，需要调整的是竞争策略和定位，而不是一味地怪自家的激活率或留存率。

5. Step 5：根因验证与修复回归，让增长机制不再依赖运气

5.1 把根因写成一句可以证伪的假设

走到这一步，你已经做了大量数据分析和用户访谈，脑子里大概率已经有一个或几个关于病根的猜想。现在你要做的不是立刻改产品，而是把这个猜想写成一个可以测试的假设。

我用的假设句式是固定的：因为X，导致Y人群的Z指标恶化；如果修复X，Z指标应回升到W基准。

举几个例子你就知道怎么写：

• 因为强制兴趣标签步骤增加了新手摩擦，导致最近6周新用户D1留存从40%降到25%；如果改为可选，D1留存应回升至35%以上。
• 因为新版定价页让用户无法快速估算费用，导致免费试用到付费的转化率从12%降到5%；如果恢复费用预估模块，转化率应回到10%以上。

写假设的过程，实际上是逼你自己把模糊的想法变成一个可量化、可验证的预测。如果你连W这样的基准数值都写不出来，说明你对问题的理解还不够清晰，那就应该回到前面的步骤再补充信息。

5.2 最小验证实验：小流量、短周期、带护栏

假设写好了，下面进入验证环节。这一步的核心原则是：用最小的成本、最小的流量，获得足够可靠的结论。我把实验设计的要点归纳为四条：

第一，一次只改一个变量。很多团队喜欢在实验里同时优化三个地方，结果数据变好了也不知道是哪个起的作用，数据变差了也不知道该砍掉哪个。控制变量是实验有效性的底线。

第二，用小流量验证。一般取10%到20%的用户进入实验组，对照组保持原样。如果B2B产品用户量小，无法做到统计显著，可以采用时间窗对比法，或者把所有新用户都切换到新方案，但与历史数据做对照。前提是你要知道自己面对的是哪种情况。

第三，跑完整周期。有些团队实验只跑三天，看到实验组指标上升就急着全量，结果一周后留存崩了。正确的做法是让实验至少覆盖你最关注的用户生命周期节点，比如观察次留就至少跑7天，观察月留就得跑足30天。

第四，带上护栏指标。不要只盯着你想提升的那个目标指标。举个例子，你优化新手引导把激活率拉高了20%，但同时发现这波新用户的付费率反而下降了，这就是典型的局部优化导致全局受损。每个实验至少要带1个目标指标和2到3个护栏指标，比如次留、付费率、客诉率。

如果实验组方向正确、量级符合预期、护栏指标没有崩，才进入灰度放量阶段。我习惯按照25% -> 50% -> 100%的节奏逐步放量，每一步至少观察5到7天，确认平稳后再推进。

5.3 把诊断方法沉淀成日常机制，而不是救火一次

用完一次框架并不算完，我更希望你把这套方法变成团队的日常机制。我自己在项目里会落地三样东西：

第一，每周增长体检会。15分钟，固定看增长链条六环节的指标变化，不在会上争论观点，只看数据和拐点。坚持一个月，团队对增长的感知会灵敏很多。

第二，关键事件台账。所有发版、投放、活动、竞品动态，全部记录到一张表格里，写清楚事件发生的时间和预期影响。以后每一次增长波动，都能快速把拐点与事件对应起来，不用再翻聊天记录拼时间线。

第三，根因案例库。每次诊断的最终结论和实验数据写成一页纸的案例，存档留痕。下次遇到相似症状时，先查案例库有没有对得上的历史结论。很多问题其实是周期性复发的，有了案例库，判断速度会快得多。

6. 实战中会踩到的坑与避坑清单

6.1 四个高频翻车现场

这套框架我跑了不止一次，也见过别人跑偏，这里集中列出最容易踩的四个坑，每个都对应一条具体的避坑建议。

第一个坑是"没定位就动手"，最常见。我见过一个工具类产品，DAU连续下滑，团队第一反应是加大老用户召回活动的预算，结果投放花了两周，DAU继续跌。后来一查数据，问题根本不在回流，而在新用户激活率连续五周走低。召回老用户做的是存量，激活才是新增，方向搞反了，动作越大损失越大。

第二个坑是"把自然放缓当病"。很多产品增长到一定规模后，增速必然放缓，这是我在前面提过的净增长公式算出来的数学结果。如果不对这个问题做区分，团队会把宝贵的时间花在"治疗一个不需要治疗的病人"上。

第三个坑是拿访谈意见当事实。用户说"你家的功能不如竞品多"，团队就真的花三个月堆功能。但翻看用户行为数据，发现他们根本没用过你们已有的高级功能。行为数据永远比口头表态更接近真相，访谈的作用是理解行为发生的场景，而不是代替行为数据。

第四个坑是实验只看单一指标。我参与过的一个项目，新用户激活率提升实验效果显著，团队开心得准备全量放，我说你先看一眼付费转化和次周留存，结果两个护栏指标都在跌。也就是说激活率虽然上去了，但进来的用户质量变差了，对整个增长链条反而是负贡献。

6.2 我的几点实战心得

最后分享几个只有踩过坑才能总结出来的体会。第一个心得是，增长诊断最怕的不是慢，而是想当然。我每次做诊断，都会刻意逼自己在没看数据之前，先写下我对问题的猜测，然后等数据出来后做对照。这个习惯经常让我发现，我自以为的答案和真实情况完全是两回事。人脑的天性就是找个理由把现象解释过去，但增长问题偏偏不吃这一套。

第二个心得是，访谈的样本宁可少，也要保证不同群体都有代表。只访谈流失用户，你会得到一堆"你们产品不行"的主观结论；只访谈活跃用户，你会产生产品一片大好的错觉。流失、沉默、活跃三种用户各找几个，你才拼得出完整的用户心智地图。

第三个心得是，这套流程第一次跑会很慢，可能三周才走完，但请相信我这是值得的。因为你不只是在解决一次增长停滞，你在建立团队面对问题的反应模式。第一次花三周，第二次可能只需要一周，到第三次，大家已经习惯先拉数据、再定分群、再写假设、再上实验这条路径了。这种组织能力带来的复利，远比一次修复带来的增长数字重要。

我自己现在遇到增长停滞，几乎条件反射地会把六个环节的表格拉出来看，再看一眼拐点有没有对得上关键事件，然后才开始想"为什么"。这套动作本身已经成了肌肉记忆。所以如果你的产品现在正经历增长困惑，别急着开会，别急着修改，先把前两步的数据看完，你大概率会少走很多弯路。