产品生命周期与下架策略(decide-kill)

可视化演示

展示AI产品4阶段生命周期曲线（引入→成长→成熟→衰退）与Kill决策点、decide-kill四维评估雷达图（趋势/财务/战略/成本）与健康度评分、以及6步下架执行流程与5类资源释放再分配。

生命周期四阶段

老王的面馆菜单就像一个小小的产品货架。每一道新菜从后厨端出来的那一刻起，就走上了一条注定有起有伏的路。刚推出那周，只有几位敢尝鲜的老顾客点它；过了两周，有顾客在朋友圈晒了图，店门口居然排起了队；半年后，它成了熟客闭着眼都会点的招牌；再后来，点单量开始悄悄下滑——隔壁新开的麻辣烫店抢走了年轻顾客。菜品的起落，就是产品生命周期的缩影。

产品生命周期（Product Life Cycle）把这条路划分为四个阶段：引入期、成长期、成熟期、衰退期。在AI产品里这样理解：引入期是模型刚上线，只有少量种子用户试用；成长期是口碑传播带来用户激增，服务器开始告急；成熟期是用户规模趋稳，团队把重心从拉新转向精细化运营；衰退期是活跃用户持续流失，留存率跌破警戒线。判断产品处于哪个阶段，最直观的方式是看周环比增长率。

老王每周翻看点菜单，就像产品经理盯着增长曲线。看到哪道菜连续三周点单量下滑，他心里就有数：这道菜已经开始“衰退”了。不过，光知道阶段还不够，他还得知道这道菜到底还值不值得留——这就得翻翻账本了。

核心指标监控

老王有个习惯，每晚打烊后在柜台前翻三个数：今天有多少老顾客回头——回头客比例；菜单上每道菜一周被点了多少次——活跃度；这道菜刨去食材和人工还赚多少——营收。他说：“顾客说好吃是客气，数据不会客气。”这三个数，比任何人的口味评价都靠谱。

对应到AI产品，这三个数就是留存率、活跃率和营收增速，它们共同构成产品的“健康度”。留存率回答“用户用了一次还会不会回来”，活跃率回答“用户是不是还在持续使用”，营收增速回答“产品到底有没有商业价值”。只看单一是危险的——一款产品可能留存不错但成本倒挂，也可能活跃很高但没有任何收入模式。将三个指标加权，就得到健康度评分：

其中 L 为留存率（0~1），A 为活跃率（相对上周的活跃用户变化），G 为营收增速（归一化到0~1）。权重体现了“留存比拉新更重要”的产品共识——留得住的用户才是产品价值的真正证据。

老王每晚的账本让每道菜的“健康状态”一目了然。有了这份账本，他才能回答那个最难的问题：什么时候该把一道菜撤下菜单？这就到了 decide-kill 决策的核心——下架标准。

下架决策标准

老王立了三条“撤菜铁律”：第一，一道菜连续四周点单量下滑超过两成；第二，食材成本加上后厨工时已经超过卖价，卖一份亏一份；第三，店里准备转型做轻食，这道重油菜和未来的方向拧着来。三条里中了两条，他就把菜撤了，绝不含糊。

AI产品的下架评估同样需要三条量化标准：数据恶化、成本收益失衡、战略方向偏移。数据恶化不是某周的自然波动，而是趋势性的持续下滑；成本收益失衡要看整体运营成本（算力、人力、推广）与商业回报的比值；战略偏移则要判断产品是否还服务公司的核心目标。三者共同构成下架评分：

其中 D_trend 为数据恶化度（留存降幅与持续周数的乘积），C_ratio 为成本收入比（运营成本/营收），S_fit 为战略匹配度（0~1，越高越契合当前战略方向）。K_score 超过阈值 K_threshold 时，产品进入下架评估流程。

老王的三条铁律，本质就是把“我感觉这道菜不行”翻译成了“数据、成本、战略三个维度都给出了负分”。但有了标准还不够——谁来拍板？多久评一次？这就要说到决策流程了。

决策流程机制

老王不是一个人拍脑袋撤菜的。每个月的第一个周一，他都会关店半天，把主厨、前台领班、常客代表叫到一起开“菜品评审会”。主厨报食材成本，领班报点单数据，常客代表说说客人的吐槽。老王负责拍板，但每条决定都记在本子上——哪天撤的、为什么撤、谁同意的，白纸黑字。

AI产品团队同样需要一套制度化的下架决策流程：定期评估、角色分工、决策留档。定期评估保证决策不是临时起意；角色分工让产品经理、运营、研发各司其职；决策留档让每一次 kill 都有据可查、可复盘。决策频率可以由产品健康度来决定——健康的产品月度评审即可，亚健康的产品要周度跟踪。评估节奏如下：

有了固定的评审会、明确的角色和留档的习惯，老王的菜单管理渐渐从“凭感觉”变成了“靠制度”。不过，真正到了下架那天，最难的不是做决定，而是怎么让老顾客不失望地接受“这道菜没了”——这就需要一套体面的执行策略。

下架执行策略

老王撤“酸菜鱼面”那天，没有突然把菜牌撕掉。他提前两周在门口贴了告示：“酸菜鱼面将于月底下架，期间照常供应，想吃的朋友抓紧；喜欢酸辣口味的可以试试新品酸汤肥牛面。”他把这道菜的老客都引导到了替代品上，还特意让主厨做了三天“告别专场”。

AI产品下架的“体面告别”同样有标准动作：提前通知、替代引导、数据迁移。提前通知让用户有心理预期和缓冲期；替代引导把用户平稳导入替代方案，减少流失；数据迁移保证用户的个人数据可以导出或自动同步到新平台——这是产品下架的基本伦理。执行效果可以用“平滑过渡指标”来衡量：

Q 为迁移率，N_migrated 为成功迁移到替代方案的用户数，N_total 为下架前活跃用户总数。迁移率越高，说明告别越体面，用户损失越小。

酸菜鱼面下架后，老王没有把那页菜谱扔进垃圾桶。他把这道菜的研发记录、定价策略、用户反馈、以及“为什么最后会没人点”的原因分析都收进了一个牛皮纸档案袋。他知道，这些压箱底的记录，将来会帮他少走很多弯路——这就是复盘的价值。

复盘与沉淀

那个牛皮纸档案袋，老王坚持了十年。每次撤菜后，他都会在袋子里放三样东西：这道菜为什么会卖不动的原因分析——是口味太腻、定价太高，还是被竞品抢了风头；释放出来的灶台时间和预算去了哪里；以及这次的教训被写进“新菜研发避坑指南”。下一次研发新菜前，全店都要先翻一遍这本指南。

AI产品的下架复盘同理，落在三件事上：归因分析、资源重分配、经验入库。归因分析要区分“市场原因”“产品原因”“战略原因”，避免把所有失败都归给产品功能；资源重分配确认被释放的工程师、算力、预算流向新方向；经验入库把决策过程沉淀为团队知识库，让下一条产品线不再踩同一个坑。复盘是否做得到位，可以用归档完整性来衡量：

C_doc 为归档率，D_archived 为实际归档的文档数，D_total 为应当归档的文档总数——包括决策记录、数据报告、用户反馈、代码与模型快照等。归档率达到95%以上，复盘才算真正闭环。

老王的面馆越开越稳，不是因为他的菜永远不出错，而是因为每次撤菜，都让他下一次上新菜更懂顾客。产品经理也一样：decide-kill 从来不只是“结束一个产品”，而是通过一次体面的告别，把资源、经验和判断力都留给下一个更有希望的产品——这正是 AI 产品迭代中最硬核的能力。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""产品生命周期与下架决策演示以老王面馆的菜品为例, 用健康度评分决定一道菜的 keep / watch / kill"""  class Product:    """一个产品(面馆里的一道菜)"""     def __init__(self, name, launch_week):        self.name = name        self.launch_week = launch_week        self.weekly_list = []     def add_week(self, users, revenue, cost):        self.weekly_list.append({            'users': users,            'revenue': revenue,            'cost': cost        })     def retention_rate(self):        """留存率: 本周用户 / 上周用户"""        if len(self.weekly_list) < 2:            return 1.0        before = self.weekly_list[-2]['users']        now = self.weekly_list[-1]['users']        return now / before if before > 0 else 0.0     def cost_ratio(self):        """成本收入比: 本周成本 / 本周营收"""        last = self.weekly_list[-1]        if last['revenue'] <= 0:            return 1.0        return last['cost'] / last['revenue']     def health_score(self):        """健康度: 留存50% + 成本健康30% + 稳定期20%"""        retention = min(self.retention_rate(), 1.0)        cost_health = 1.0 - min(self.cost_ratio(), 1.0)        maturity = min(len(self.weekly_list) / 52, 1.0)        return 0.5 * retention + 0.3 * cost_health + 0.2 * maturity     def decide_x(self, threshold=0.6):        """返回 (keep/watch/kill, 健康度分数)"""        score = self.health_score()        if score < threshold:            return 'kill', score        if score < 0.75:            return 'watch', score        return 'keep', score  def simulate():    """模拟一道菜: 前8周快速增长, 第9周客流骤降"""    dish = Product('BeefNoodles', 1)    dish.add_week(50, 500, 600)    for week in range(2, 9):        dish.add_week(50 * week * 2, 500 * week * 2, 300 + 50 * week)    dish.add_week(80, 800, 700)     print('Product:', dish.name)    print('Retention:', round(dish.retention_rate(), 2))    print('CostRatio:', round(dish.cost_ratio(), 2))    print('Health:', round(dish.health_score(), 2))    action, score = dish.decide_x()    print('Decision:', action, 'score=', round(score, 2))  if __name__ == '__main__':    simulate()

1. self.weekly_list.append(...)每周把用户数、营收、成本记入菜品的“账本”。
2. return now / before if before > 0 else 0.0留存率就是本周回头客占上周的比例，上周没人则记0。
3. cost_health = 1.0 - min(self.cost_ratio(), 1.0)成本收入比越高，成本健康度越低；超过1按1计算。
4. return 0.5 * retention + 0.3 * cost_health + 0.2 * maturity健康度加权求和，留存占半数权重。
5. dish.add_week(50 * week * 2, ...)模拟成长期每周用户翻倍式增长。
6. action, score = dish.decide_x()输出最终决策：kill/watch/keep。

常见误区

面试题