想象你经营一间私家侦探社，破案就是让用户完成一次注册或付费。你的线人遍布城市各处：广告牌推销员、搜索引擎的耳目、社交平台上的八卦精、邮件里的老熟人。案件告破，人人邀功，社长该怎么办？如果只给“最后一个汇报线索的人”发奖金，线人们就会争相在最后关头冒领功劳——这就是没做归因的后果。后来，侦探社建立了完整的情报记录系统，统一论功行赏的标准，把预算花在最值得培养的线人身上，破案率直线飙升。这个故事里的“论功行赏”，就是 AI 产品增长领域的多渠道归因分析。

岗位关联

学会多渠道归因分析，你就能从杂乱的行为数据中看清每个渠道的真实贡献，把有限的预算和人力砸在刀刃上，这是增长产品经理和数据分析师最核心的硬技能。

目录
  1. 可视化演示
  2. 归因认知基础
  3. 常见归因模型
  4. 数据驱动增长
  5. 激活率优化
  6. 增长实验设计
  7. 增长团队组织
  8. 落地实践框架
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示SEM、SOC、EML、DSP、DIR五个营销渠道的转化归因流程，切换归因模型观察各渠道贡献权重变化，识别核心转化路径。

本节配有交互动效（进入视口后自动加载，约 3KB）。

多渠道归因流程图 五个营销渠道的转化流汇入转化漏斗，粒子流量代表各渠道贡献度 Attribution = Σ wᵢ × Convᵢ 切换滑块选择归因模型观察权重变化

归因认知基础

侦探社最初的论功行赏堪称灾难：谁嗓门大谁拿得多，社长根本分不清谁是破案关键。于是老侦探提议——先给每个线人建立“情报档案”，记录他提供的信息在何时、以何种方式影响了破案进程，再按统一规则分配奖金。这里的“情报档案”，就是产品侧的用户触点数据；而“统一规则”正是归因模型。一句话，归因分析就是回答：“这位用户最终转化了，功劳到底算谁的？”

在真实业务中，用户从认识产品到完成转化，往往要经历广告曝光、搜索点击、社交内容浏览、邮件唤醒等多个触点。这条路径叫多触点路径。归因分析要做的，就是给路径上的每一个渠道分配一个功劳权重 wᵢ，权重大小表示该渠道对这次转化贡献了多少。

为了保证公平，所有渠道的权重之和必须等于 100%，不能出现两个渠道各分 80% 的笑话。这在数学上叫归一化条件：

侦探社装好摄像机（埋点系统）、记录每条证词（行为日志）之后，论功行赏才有了依据。做归因也一样，没有完整的数据采集链路，任何模型都是空中楼阁。

∑i=1Nwi=1,0≤wi≤1\displaystyle \sum_{i=1}^{N} w_i = 1,\quad 0 \le w_i \le 1
通俗地说：一颗功劳的蛋糕只有一整块，分给所有渠道后必须不多不少刚好分完，而且谁也不能拿负数。
  1. 功劳总盘固定无论路径上有多少个渠道，所有渠道拿到的功劳加在一起必须等于 100%。
    ∑i=1Nwi=1\displaystyle \sum_{i=1}^{N} w_i = 1
  2. 单份功劳非负每个渠道分到的功劳份额都在 0 到 1 之间，即 0% 到 100%。
    0≤wi≤10 \le w_i \le 1
  3. 路径渠道总数N 表示这条用户路径上一共出现了多少个渠道触点，分母决定了分配的粒度。
    N=渠道触点总数N = \text{渠道触点总数}

常见归因模型

侦探社定了四种论功行赏的标准。第一种是“首条线索论”：谁第一个提供有效情报，奖金全给他；第二种是“临门一脚论”：谁在破案前最后一刻提供关键信息，奖金全归他；第三种是“人人有份论”：所有参与者平均分；第四种是“接近真相论”：越靠近破案时刻提供情报的人拿得越多，越久远的记忆越被遗忘。

这四种标准对应四种经典归因模型：首次触点、末次触点、线性归因和时间衰减。首次结构把所有功劳记给第一个渠道，适合衡量品牌曝光的“种草”价值；末次触点把功劳记给最后一个渠道，适合衡量搜索、直接访问这类“收割”渠道；线性归因让所有渠道平均分，简单但粗糙；时间衰减则按照触达时间与转化时刻的接近程度分配权重。

时间衰减模型的权重计算方式是：每过一个半衰期 h，情报价值折半。假设用户在时间点 tᵢ 被渠道 i 触达，在 tₙ 时刻完成转化，那么渠道 i 的权重为：

侦探社后来发现，没有完美的论功标准，“首条线索论”会让人抢着抢功，“临门一脚论”又让真正的情报源头被埋没。选择哪种模型，取决于你想激励哪种行为——归因模型没有绝对的对错，只有适不适合当前的业务目标。

wi=2−(tn−ti)/h∑j=1n2−(tn−tj)/h\displaystyle w_i = \frac{2^{-(t_n - t_i)/h}}{\sum_{j=1}^{n} 2^{-(t_n - t_j)/h}}
直观理解：距离转化时间越近的渠道，权重越大；每间隔一个“半衰期”，功劳就减半。公式末尾的归一化让所有渠道权重之和恰好等于 1。
  1. 计算时间差先算出转化时刻 tₙ 与该渠道触达时刻 tᵢ 之间隔了多久，隔得越久，说明触达越“陈旧”。
    tn−tit_n - t_i
  2. 换算半衰期个数用时间差除以半衰期 h，得到“过了几个半衰期”，h 是一个可调的参数，通常按天计。
    (tn−ti)/h(t_n - t_i) / h
  3. 功劳指数衰减以 2 为底取负幂次，每过一个半衰期权重变为原来一半，呈现快速衰减。
    2−(tn−ti)/h2^{-(t_n - t_i)/h}
  4. 整体归一化分母对所有渠道的原始衰减值求和，把原始值压缩成加起来等于 1 的合法权重。
    ∑j=1n2−(tn−tj)/h\sum_{j=1}^{n} 2^{-(t_n - t_j)/h}

数据驱动增长

侦探社有了归因标准后，社长开始关注一个总指标：“本月破案率”。这不只是口号，他还把它拆成三块：新发展的线人带来的案件、老线人持续提供情报破的案、以及重新拉回来的流失线人破的案。每一块都有对应的负责人。这个“破案率总指标”就是增长领域的北极星指标，它是整个团队一切动作指向的那颗星。

在 AI 产品增长中，最常用的增长公式是 DAU（日活跃用户）拆解。每天活跃的人，要么是新来的，要么是老用户今天又来了，要么是流失后又被召回的老朋友。用符号表示：

北极星拆解完成后，侦探社在总台挂了一块大屏，每天滚动播放三个分项的完成情况，这就是数据看板。看板让每个侦探都清楚自己该盯哪块，也让“碰运气破案”变成了“按数据推进增长”。

DAUt=At+Rt×St+Bt\displaystyle DAU_t = A_t + R_t \times S_t + B_t
其中 Aₜ 是当日新增用户，Rₜ 是昨日的活跃存量，Sₜ 是今日留存率，Bₜ 是当日召回的流失用户。抓住了这三块，增长动作就有了明确的抓手。
  1. 新增用户Aₜ 是当天第一次进入产品的新用户，如同侦探社今天刚发展的线人。
    At=当日新增用户数A_t = \text{当日新增用户数}
  2. 老用户留存Rₜ 是昨天的活跃用户总数，乘上今天的留存率 Sₜ，得到今天仍活跃的老用户。
    Rt×StR_t \times S_t
  3. 流失用户召回Bₜ 是已经沉默一段时间、又被活动或邮件唤回的用户，是容易被忽视的第三增长源。
    Bt=当日召回用户数B_t = \text{当日召回用户数}

激活率优化

侦探社发现一个诡异现象：很多线人被登记在册，却从未真正提供过有价值的情报——他们只是“注册”了，并没有“干活”。破案率要提升，光靠多拉人不够，还得让这些线人尽快发挥效用。这个“头一回提供关键情报”的时刻，在产品增长里叫魔法时刻，也就是激活。

激活和注册是两码事。注册只是拥有了账号，激活是用户第一次从这个产品里体验到“啊哈，这东西有用”。比如一款会议转录 AI 产品，用户的魔法时刻可能是“第一次完整看到带说话人标签的会议纪要”。为了让更多新用户走到这一步，需要定义激活指标并持续优化：

为了让线人快速“上岗”，侦探社尝试了各种破冰话术：缩短入职培训（简化注册）、首日派简单任务（新手任务清单）、派老侦探带教（产品内引导气泡）。每一次尝试都记录在案、对比效果，这就是激活率优化的核心打法：定义魔法时刻，拆漏斗，做实验，反复迭代。

Pact=NahaNnew\displaystyle P_{act} = \frac{N_{aha}}{N_{new}}
激活率 = 完成魔法时刻的新用户数 ÷ 新增用户总数。这个比率越高，说明新手引导把用户带向价值的速度越快。
  1. 分子是完成魔法时刻的人数N_aha 是新增用户中真正完成关键行为的人数，关键行为需要你用数据去探索和定义。
    Naha=完成关键激活行为的新用户数N_{aha} = \text{完成关键激活行为的新用户数}
  2. 分母是新增用户总数N_new 是同期进入产品的全部新用户，包含注册后立即流失的人。
    Nnew=同期新增用户总数N_{new} = \text{同期新增用户总数}
  3. 比率衡量转化效率两者相除得到激活率，范围从 0 到 1，越接近 1 说明引导流程越顺畅。
    0≤Pact≤10 \le P_{act} \le 1

增长实验设计

侦探社想验证“给新线人派双人搭档”能否提高情报产出率。但直接全员推行风险太高——万一没效果，成本全打了水漂。于是他们把新线人随机分成两组：一组安排搭档，一组维持原状。跑两周后对比两组的破案贡献。这就是AB 实验：用随机分流制造可对比的对照组和实验组，让数据代替拍脑袋。

AB 实验的四个关键步骤是：提出假设、定义变量、随机分流、判断显著性。其中最容易翻车的是最后一步。两组转化率看起来有差异，但到底是真效果还是抽样波动？这需要用 z 检验来量化。当我们比较实验组 A 和对照组 B 的转化率时：

侦探社的这个“对照实验”思维，本质上是给每个归因结论上一道保险。没有对照组，你分不清业绩提升到底来自新策略还是恰好赶上了案件高发期；有了实验，你才能公正地给每项优化论功行赏。

z=p^A−p^Bp^(1−p^)(1nA+1nB)\displaystyle z = \frac{\hat p_A - \hat p_B}{\sqrt{\hat p(1-\hat p)\left(\frac{1}{n_A}+\frac{1}{n_B}\right)}}
分子是两组转化率之差，分母是差异的标准误。当 |z| 大于 1.96，说明差异在 95% 置信水平下显著，不太可能是运气。
  1. 转化率之差的分子p̂_A 和 p̂_B 分别是实验组和对照组的样本转化率，两者相减得到观测差异。
    p^A−p^B\hat p_A - \hat p_B
  2. 合并转化率把两组样本合在一起算一个总转化率 p̂，作为差异的基线参照。
    p^=xA+xBnA+nB\hat p = \frac{x_A + x_B}{n_A + n_B}
  3. 计算合并标准误分母描述了“如果真没差异，偶然看到这么大差异的标准波动幅度”。
    p^(1−p^)(1nA+1nB)\sqrt{\hat p(1-\hat p)\left(\frac{1}{n_A}+\frac{1}{n_B}\right)}
  4. 判断显著性|z| > 1.96 则拒绝“无差异”的原假设，认为改动真的有效。
    ∣z∣>1.96|z| > 1.96

增长团队组织

侦探社能持续破案，靠的不是一个超级侦探，而是一套分工体系：侦探负责定义案子值不值得查（找机会）、情报科负责调取数据验证线索（做分析）、行动组负责把方案落地执行（开发上线）。三个角色各司其职、互相配合，这就是增长团队的三角色模型：产品经理、数据分析师、工程师。

增长团队的高效运转还依赖两件事：一是 OKR 对齐，全社上下围绕同一颗北极星设定目标；二是固定实验节奏，比如每周一次实验评审、每周固定上线实验。团队的“破案速度”本质上由三个因子决定：

侦探社花了大价钱搭建这套组织，换来的是稳定的破案率增长。增长团队也一样，孤胆英雄式地“碰运气”比不上机制化的实验飞轮——好组织让普通人也能持续产出增长。

G=E×P×I\displaystyle G = E \times P \times I
增长速率 = 实验数量 E × 实验胜率 P × 单次实验平均提升幅度 I。想加快增长，要么多开实验，要么提高胜率，要么做大单次收益。
  1. 实验数量E 是单位时间内完成的实验总数，代表团队的迭代速度，是飞轮的转速。
    E=单位时间实验数量E = \text{单位时间实验数量}
  2. 实验胜率P 是达到显著正向效果的实验占比，反映团队提出好假设的能力。
    P=显著有效的实验数实验总数P = \frac{\text{显著有效的实验数}}{\text{实验总数}}
  3. 平均提升幅度I 是每个获胜实验带来的平均指标提升，代表单个实验的“含金量”。
    I=平均每个有效实验的收益提升I = \text{平均每个有效实验的收益提升}

落地实践框架

侦探社最终把破案方法论沉淀成了四个步骤，每个季度复盘一次：第一步，装好摄像头打通数据链路；第二步，选定归因模型给各线人分功劳；第三步，对照真实投入产出校准各线人价值；第四步，把预算从低效线人挪向高效线人，进入下一轮循环。这套流程，就是归因落地的实践框架。

在预算再配置环节，侦探社最关心的是每个线人的“投入产出比”。对应到投放场景，就是渠道的 ROI（投资回报率）。当某个渠道的归因收入算清楚后，它的 ROI 可以这样表达：

侦探社每季度开一次复盘会，把“论功行赏”的标准和实际破案质量反复对照，动态调整下季度的人员布局。归因落地永远不是一次性工程，而是一个“建链路 → 选模型 → 算价值 → 调预算”再回到建链路的持续迭代闭环。

ROIi=GMVi−CiCi\displaystyle ROI_i = \frac{GMV_i - C_i}{C_i}
GMVᵢ 是通过归因模型算出的渠道 i 贡献的成交金额，Cᵢ 是该渠道的投放成本。ROI 越高，说明每一块钱投入换回的产出越多。
  1. 归因收入GMVᵢ 是把所有用户的转化金额按归因权重分配给渠道 i 之后的那部分收入，这是校准的基准。
    GMVi=∑u∈UiOrderuGMV_i = \sum_{u \in U_i} Order_u
  2. 扣除投放成本从归因收入中减去该渠道总花费 Cᵢ，得到净收益。
    GMVi−CiGMV_i - C_i
  3. 除以成本得到回报率净收益除以成本，得到每花一元钱净赚多少，衡量资金使用效率。
    GMVi−CiCi\frac{GMV_i - C_i}{C_i}

AI 应用场景

投放预算再分配

阶段：增长与变现阶段（数据驱动决策）

解决的问题：传统预算分配靠经验拍脑袋，“哪个渠道呼声高就投哪个”。引入多渠道归因后，团队能把每一分钱的产出追溯到具体渠道，看到末次触点模型下搜索渠道“虚胖”，而社交渠道才是用户认知的第一来源，从而把预算从收割渠道挪向种草渠道。

具体案例：某 AI 绘画 App 发现，用户通常先看到社交平台上的成品图（首次触点），再通过搜索下载。末次触点模型下搜索渠道 ROI 虚高，切换时间衰减模型后，社交渠道贡献被正名，团队将 30% 搜索预算转移至社交内容合作，双周新增激活提升 18%。

新用户激活优化实验

阶段：用户生命周期管理阶段（激活率优化）

解决的问题：注册用户多、真正上手体验核心功能的少，留存持续走低。通过定义“魔法时刻”（如 AI 产品中第一次生成可用内容），配合 AB 实验验证新手引导改版是否有效。

具体案例：一款 AI 播客剪辑工具，团队假设“用户上传自己录音后 5 分钟内听到成稿”是激活关键。于是把注册后的空白页改为一步录音引导，并做 AB 实验验证，实验组激活率从 21% 提升至 34%，且差异显著。

渠道触达效果评估

阶段：营销触达阶段（用户召回与转化）

解决的问题：产品同时通过推送、邮件、短信触达沉默用户，无法判断哪条触达路径真正促成了回流。借助时间衰减归因，按触达时间远近对渠道分配功劳，识别出“邮件”是召回转化中最有效的最后触点。

具体案例：某 AI 写作助手对沉默 30 天的用户发起召回，用户通常先收到推送再收到邮件才回访。归因结果显示邮件承担了 68% 的召回功劳，团队据此把召回预算向邮件文案优化倾斜，召回转化率提升 12%。

Python 演示

python66 行
# 多渠道归因模型计算器from datetime import datetime, timedelta MODELS = ('first', 'last', 'linear', 'time_decay')TOUCHES = [    {'channel': '广告', 'time': '2024-01-01 09:00'},    {'channel': '搜索', 'time': '2024-01-02 20:00'},    {'channel': '社交', 'time': '2024-01-03 12:00'},    {'channel': '邮件', 'time': '2024-01-05 10:00'}]CONVERT_TIME = '2024-01-05 11:00'VALUE = 599.0CHANNELS = ('广告', '搜索', '社交', '邮件')  def _ts(s):    return datetime.strptime(s, '%Y-%m-%d %H:%M')  def first_last(touches, last=False):    if not touches:        return {}    hit = touches[-1] if last else touches[0]    return {hit['channel']: 1.0}  def linear(touches):    w = 1.0 / len(touches)    return {t['channel']: w for t in touches}  def time_decay(touches, convert_time, half_life_days=2):    ct = _ts(convert_time)    raw, total = {}, 0.0    for t in touches:        gap = (ct - _ts(t['time'])).total_seconds() / 86400        raw[t['channel']] = 2 ** (-gap / half_life_days)        total += raw[t['channel']]    return {k: v / total for k, v in raw.items()}  def model_param():    params = {}    params['first'] = first_last(TOUCHES, last=False)    params['last'] = first_last(TOUCHES, last=True)    params['linear'] = linear(TOUCHES)    params['time_decay'] = time_decay(TOUCHES, CONVERT_TIME)    return params  def main():    result = model_param()    print('模型       | 各渠道归因权重(广告/搜索/社交/邮件)')    for m in MODELS:        row = result[m]        line = ' | '.join('%.2f' % row.get(c, 0.0) for c in CHANNELS)        print('%-10s| %s' % (m, line))    print('')    for m in MODELS:        row = result[m]        revenue = {c: round(row.get(c, 0.0) * VALUE, 2) for c in CHANNELS}        print('%-10s 归因收入: %s' % (m, revenue))  if __name__ == '__main__':    main()
目的：复现同一个用户路径在四种归因模型下的权重分配与收入归属，帮助理解模型选择如何改变结论。
  1. def first_last(touches, last=False):实现首次/末次触点模型，last=False 取路径首渠道，否则取末渠道，功劳记 1.0。
  2. w = 1.0 / len(touches)线性模型的核心逻辑，总功劳除以渠道数，人人均分。
  3. gap = (ct - _ts(t['time'])).total_seconds() / 86400把触达时刻与转化时刻的差换算成“天”，作为衰减计算的自变量。
  4. raw[t['channel']] = 2 ** (-gap / half_life_days)时间衰减原始权重：每过一个半衰期功劳减半。
  5. return {k: v / total for k, v in raw.items()}对原始权重做归一化，保证所有渠道权重之和为 1。
  6. row.get(c, 0.0)取各渠道权重，未参与路径的渠道权重视为 0，避免 KeyError。
  7. print('%-10s| %s' % (m, line))格式化输出对齐，让读者一眼比较四个模型的分配差异。

常见误区

误区用户是在点了搜索广告之后才注册的，所以搜索广告是最大功臣，钱应该全部砸给搜索。末次触点覆盖了真正的功劳吗？把功劳全给最后的渠道，其他渠道岂不是白干了？

正解末次触点只是“临门一脚”，它负责收割，不负责种草。用户是先被社交平台上的内容激发兴趣，才去搜索的。如果只看末次触点，你就会停止投放真正培育用户心智的渠道，长期增长受损。归因要回到“用户为什么知道并想要这个产品”这一根本问题。

为何常见：转化数据最容易和最后一个渠道挂钩，直觉上“最后一击”最像直接原因，几乎不需要额外分析成本。

误区为了让每个渠道都开心，我让广告、搜索、社交各拿 80% 的功劳，汇报时大家都好看。反正领导只看汇总。

正解这种“重复归因”会让总功劳超过 100%，直接破坏预算分配的数学基础。某个渠道的真实 ROI 会被严重高估，而正确的归因一定满足所有渠道权重之和等于 1 的归一化条件。可以按“主归因 + 辅助归因”的方式拆分，但总和必须可控。

为何常见：人对“让所有人满意”有天然偏好，且多个部门同时拿高绩效时短期矛盾少，掩盖了资源错配的长期代价。

误区用户下载 App 并注册了账号，说明他已经激活了，接下来只需要等他自然留存。注册当天用户就流失了？那说明产品本身不行吧。

正解注册只是激活的开始。激活的定义是用户第一次体验到产品核心价值（魔法时刻），比如 AI 工具第一次生成可用结果。很多产品的注册到激活漏斗流失率超过 60%，正是因为把“注册”误当终点。正确做法是定义关键行为、计算激活率、用新手引导优化漏斗。

为何常见：注册数据最容易采集、最直观可见，而“魔法时刻”需要数据分析才能定位，人们倾向于用容易看到的指标替代真正重要的指标。

误区实验跑了三天，收集了十万用户，实验组转化率 5.2%，对照组 4.9%，高了 0.3 个百分点，肯定有效，立即全量上线。

正解样本量足够不等于差异显著。0.3 个百分点的差异可能落在随机波动范围内，必须计算 z 值或 p 值。正确的做法是实验前定好最小样本量、实验后验证显著性，如果 |z| < 1.96 就不能下“有效”的结论，冒然全量上线只是把随机波动当作增长。

为何常见：人脑天然对“数字差异”敏感，看到数字大小之分就容易产生因果叙事，忽视了统计检验这层“防火墙”。

误区广告展示给了用户一次，就算一个有效触点，归因时必须算上它。用户真的看到了吗？也许他根本没注意到那个横幅。

正解曝光（Impression）不等于有效触达。用户可能滚动页面直接跳过广告，或者根本没看到。实务中要对“可见曝光”做过滤，比如 Google 的可见曝光标准是至少 50% 区域可见且持续 1 秒以上。把无效曝光计入归因，会系统性高估展示类渠道的贡献。

为何常见：曝光数据很容易从广告平台取到，数字庞大且有冲击力，而“真正被看到”需要额外的可见性测量，多数团队怕麻烦就省略了。

面试题

Q1. 用户路径为“广告→搜索→邮件→购买”，末次触点归因会把全部功劳记给哪个渠道？

单选题 · easy

  • A.广告渠道
  • B.搜索渠道
  • C.邮件渠道← 正确答案
  • D.社交渠道

答案：C。末次触点模型只看转化前最后一个触点。本例中用户购买前最后触达的是邮件，因此功劳 100% 归邮件。广告与搜索虽然是旅程起点和中间站，但在末次模型中被完全忽略，这正是该模型的偏科所在。

Q2. 线性归因模型为路径上的各渠道分配功劳时遵循什么原则？

单选题 · easy

  • A.平均分配所有功劳← 正确答案
  • B.按时间先后加权
  • C.按转化距离加权
  • D.只给首末两个渠道

答案：A。线性归因把所有渠道一视同仁，总功劳除以渠道数量后均分，计算公式为 w = 1/N。它不区分先后、不区分强弱，优点是简单透明，缺点是无法体现不同渠道在旅程中的差异化作用。

Q3. 用户路径为“广告（1月1日）→邮件（1月5日转化）”，若时间衰减模型半衰期设为 1 天，邮件原始权重是广告的多少倍？

单选题 · extreme

  • A.约 2 倍
  • B.约 4 倍
  • C.约 8 倍
  • D.约 16 倍← 正确答案

答案：D。广告与转化相隔 4 天，经过 4 个半衰期，原始权重为 2⁻⁴ = 1/16；邮件几乎在转化时触达，权重接近 2⁰ = 1。两者原始权重之比为 16 倍。归一化后广告约占 5.9%、邮件约占 94.1%，体现时间衰减对临门渠道的偏重。

Q4. 用户在产品中第一次体验到核心价值的关键行为，在增长领域被称为什么？

单选题 · easy

  • A.完成注册
  • B.完成激活← 正确答案
  • C.完成付费
  • D.完成转发

答案：B。激活（魔法时刻）指用户第一次真正感受到产品价值，比如 AI 工具第一次生成满意结果。注册只是创建账号，付费是商业化动作，转发是传播行为，三者都不能替代激活作为用户价值体验的里程碑。

Q5. 在增长团队“三角色模型”中，产品经理主要负责哪部分工作？

单选题 · mid

  • A.负责数据洞察
  • B.负责实验设计
  • C.负责问题定义← 正确答案
  • D.负责工程开发

答案：C。三角色模型中，产品经理负责从用户洞察中定义值得解决的问题，数据分析师负责数据指标与实验分析，工程师负责落地实现。问题定义是增长实验的起点，方向错了执行再漂亮也是白费。

Q6. 计算 AB 实验合并转化率 p̂ 的正确方法是？

单选题 · mid

  • A.两版本转化率之差
  • B.总转化数除以总样本量← 正确答案
  • C.对照版转化率值
  • D.实验版转化率值

答案：B。合并转化率 p̂ = (x_A + x_B) / (n_A + n_B)，即两组总转化人数除以总样本人数。它作为显著检验的基线参照，用于计算合并标准误。单独取某一组转化率或用两组之差，都无法正确估计抽样波动。

Q7. 下列哪些做法有助于提升新用户激活率？

多选题 · hard

  • A.优化新手引导流程← 正确答案
  • B.缩短首屏加载时间← 正确答案
  • C.增加注册表单必填项
  • D.定向推送优惠券刺激← 正确答案

答案：ABD。优化新手引导能更快带用户走向魔法时刻，缩短加载时间降低流失，定向优惠券提供即时激励，三者都能提升激活率。增加注册表单必填项则增加用户负担，属于提高摩擦的操作，会降低激活率，因此不选。

Q8. 北极星指标应具备哪一项核心特征？

单选题 · mid

  • A.反映用户核心价值← 正确答案
  • B.只反映公司收入
  • C.与产品价值无关
  • D.波动越大越理想

答案：A。北极星指标必须能刻画用户从产品中获得的核心价值，比如协作工具的“每周发送消息数”。它不等于收入指标，不能与产品价值脱钩，也不应追求大波动——恰相反，理想的北极星指标是稳定可拆解、能被团队动作影响的。

Q9. 进行增长实验时，哪些做法是正确的？

多选题 · hard

  • A.随机分流保证可比← 正确答案
  • B.样本量足够再下结论← 正确答案
  • C.多次查看数据提前停止
  • D.提前确定显著标准← 正确答案

答案：ABD。随机分流保证两组除变量外可比，样本量足够才能降低抽样误差，提前定显著标准避免事后篡改结论，均是正确的。实验过程中反复偷看数据并提前停止，会显著放大第一类错误（假阳性），是不规范做法。

Q10. 关于时间衰减归因模型，下列哪些说法是正确的？

多选题 · mid

  • A.越接近转化的触点权重越高← 正确答案
  • B.所有渠道平分访问功劳
  • C.权重按半衰期指数衰减← 正确答案
  • D.首次访问渠道权重最高

答案：AC。时间衰减模型的核心是“距离转化越近的渠道功劳越大”，且原始权重按 2^(-gap/h) 指数衰减，因此 A、C 正确。线性模型才是平分功劳，末次触点模型是最末渠道权重最高，因此 B、D 描述的是其他模型的特征。