问食客会不会想念这道菜——用 Sean Ellis 测试识别 PMF 信号

可视化演示

三步交互演示PMF验证方法：40%阈值问卷分析、用户分群响应对比、PMF信号光谱解读与应对策略。

核心概念

你一开始做菜全凭自己口味：喜欢辣就多加辣，结果客人只是客气地说“还行”。开餐厅最怕的不是没人尝，而是没有人记住这道菜。产品也一样，最怕用户用完就走，却说不清哪里不好。产品市场匹配（PMF）要回答的，就是“是否有一群用户，少了你就难受”。

Sean Ellis 测试就是为这个问题发明的一把尺子。它来自增长黑客圈一个朴素观察：与其分析一堆行为数据，不如直接问用户“如果不能再使用这个产品，你会多失望”。这个测试在创业圈里被反复验证，特别适合早期产品——当产品还未形成稳定留存、方向还没定型时，用它可以低成本判断方向对不对。

要注意，它不是替代留存率、收入等指标，而是补充一个“用户情感依赖”的视角。Sean Ellis 测试的真正价值在于：它把模糊的“感觉有需求”变成了一串数字，让团队在继续投入和及时转向之间，有一个冷静的参考。就像老板不再问自己“我爱不爱吃”，而是问熟客“你离不离得开”。

问卷设计

做这道“招牌菜检验”时，最忌问“菜怎么样”。客人都说“不错”，但下个月还是没人点。真正有用的问法是：“如果明天菜单上没有这道菜，你会失望吗？”只有把问题逼到“失去”的边界，才能听到真心话。

问卷设计要从四个口子把好。第一，筛选条件：只让真正用过产品的人答题，至少体验过一次核心功能。第二，核心问题：一句话——“如果明天不能继续使用这个产品，你会？”选项要给出明显的程度差。第三，选项设计：通常使用“非常失望、有点失望、不失望、不再使用”四档，方便后续只把“非常失望”算作正面信号。第四，开放追问：在选择题后加一个“为什么”，让用户用一句话解释，方便做归因。

设计时还要守住中立性。不能在问题前加“我们产品最近优化了很多功能”之类的介绍，那等于暗示用户说好话。也不能用“很失望吗”这种带倾向的语气。问卷就像匿名意见簿，客人们只有觉得安全，才敢写“这道菜太咸了”。否则你回收的每条答案都是礼貌的谎言。

用户分群

假如店门口排着两类人：一类是路过打卡的游客，一类是每周都来的熟客。游客说“还行”可能只是给个面子，熟客说“失望”才是真正的生意晴雨表。Sean Ellis 测试同样不能把所有注册用户混在一起算。

所以分析时要先分群。付费用户是最值得关注的群体，他们真金白银投票；高频活跃用户是潜在的核心食客，他们离不开的可能性更高。而那些注册后只打开过一次、或者连核心功能都没用过的人，就像刚进店就走的客人，他们的回答不该和熟客平均。样本抽样也要注意，不能只挑客服反馈里说好的人，也不能只在粉丝群里发问卷。

避免偏差还有一层意思：亲友、同事、早期投资人往往因为关系而给好评。真正的测试应该匿名、随机，并覆盖不同渠道来源的用户。分群不是为了让数字好看，而是为了看清——如果把游客都赶出平均分，剩下的熟客到底爱不爱这道菜。

阈值判定

你问了一圈熟客，有人说“会失望”，有人说“无所谓”。到底多少人失望才算这道菜立住了？Sean Ellis 给出的经验线是：40%。也就是说，如果十个目标用户里，有四个及以上表示“非常失望”，产品就释放出很强的 PMF 信号。

这里有两个口径必须咬死。第一，分子只能是“非常失望”，不能把“有点失望”也算进去。第二，分母是完整填写问卷的目标用户，不是所有注册用户。否则分母灌水，比例会虚低；分子放宽，比例会虚高。由此可以得到核心指标：

为什么是 40% 而不是 80%？因为早期产品总有不完美，只要四成核心用户觉得离不开，就说明需求真实存在。剩下的六成可能只是还没被完全打动，那是产品迭代要解决的问题。反之，如果连四成都凑不齐，说明这道菜还没成为熟客的“心头好”，老板应该先改菜谱，而不是急着开分店。

信号解读

比例算出来了，但 40% 只是绿灯，不是终点。就像你发现四成熟客说离不开这道菜，还要看看这四成人是谁、为什么离不开、下次还来不来。信号解读通常分三档：40% 以上是强信号，值得加速投入；25% 到 40% 是中信号，说明有需求但不够强烈，要找出阻碍；25% 以下是弱信号，最好重新审视方向。

解读时要结合留存率。如果失望比例高，但用户的次月留存很低，可能是“嘴上说很想、身体很诚实”，说明产品没有被真正使用。还要做分群对比：付费用户失望比例是否明显高于普通用户？活跃用户是否比沉默用户更舍不得？开放问题里的高频词，比如“便宜”“方便”“省时间”，会告诉你用户离不开的具体原因。

最终这些信号要落到行动决策上。强信号不是马上烧钱扩张，而是集中资源把核心体验做深；中信号要去排查是新用户没理解价值，还是功能某处卡住体验；弱信号则要考虑换人群还是换产品定位。数据不会替你做决定，但它能让你在岔路口不再靠掷硬币。

实施流程

一次可靠的“试菜”不能随手抓客就问。真正的实施流程分为四步：准备、投放、收集、分析。每一步失误，都可能让最后 40% 的数字失去意义。

准备阶段，先明确测试目的和对象：你想验证哪个假设？你的核心用户是谁？然后设计问卷，把核心问题、选项和开放追问写好，同时定好样本量——通常回收 100 到 300 份有效问卷，足以看出趋势。投放阶段，通过邮件列表、App 内弹窗或目标用户社群邀请用户，尽量覆盖不同渠道，避免只触达最忠诚的一批人。

收集阶段，要看回收率和完成率。如果大量用户填到一半退出，说明问卷太长或问题太怪；如果答案清一色好评，要警惕是不是投放渠道偏了。分析阶段，先算总比例，再做分群对比，最后结合开放回答和留存数据输出决策建议。整套流程就像后厨的品控：菜单、食材、试吃、复盘，缺一环都可能上了假招牌。

常见误区

很多创业团队把 Sean Ellis 测试当成万能开关，结果在错误的时间用错误的方式，得到了漂亮的伪信号。这就像老板特意挑喜欢夸人的朋友来试菜，最后菜单上全是自我感动。

第一个误区是过早测试。产品还没让用户体验到核心价值，就急着发问卷，用户自然说“不失望”，带回来的不是方向判断，而是噪音。第二个误区是样本偏差。只问老用户、亲友团，或者只挑活跃用户里的积极分子，失望比例当然虚高。第三个误区是问卷诱导。问题前加一堆产品亮点，选项里写“我们真的很想帮你”，用户出于礼貌就会说好。第四个误区是误用阈值。40% 适用于早期 PMF 验证，不代表成熟期、B 端或高客单价产品可以照搬；在中信号情况下不做留存分析就盲目扩张，同样危险。

这些误区的共同点，是让测试服务于“证明我是对的”，而不是“搞清楚真相”。测试的价值在于诚实，哪怕是难看的数字，也比漂亮的谎言更能帮你活下去。

应用延伸

回到 AI 小馆：智能菜单推荐这个功能是不是招牌菜？你同样可以问用户“如果明天不能使用 AI 推荐，你会不会很失望”。在 AI 创业场景里，Sean Ellis 测试特别适合回答一个现实问题：用户到底是因为 AI 能力离不开，还是只是来薅按钮的羊毛。

延伸使用时，可以把它和留存率、使用频次、付费意愿等指标组合起来看。例如 AI 写作工具可以先测“非常失望”比例，再看这群失望用户是否保持了高活跃；如果失望回答者集中在付费用户，说明产品对核心人群有价值。同时要记得它的边界：Sean Ellis 测试只说明需求强度，不回答商业模式是否成立、渠道能不能复制、成本能不能覆盖。它适合在早期验证中做“筛查”，但之后还要靠留存曲线和单位经济模型来长期追踪。

就像不能靠一道菜开遍全国，PMF 是起点，不是终点。用 Sean Ellis 测试找到“少吃一口就难受”的核心用户之后，你要做的是把这道菜做深、做透，让更多人成为舍不得离开的熟客。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""Sean Ellis PMF Test: 计算总体与分群的非常失望比例""" THRESHOLD = 0.40 def generate_responses(total, seed_value):    """模拟一份问卷结果: 每个用户有是否付费/是否活跃/是否非常失望"""    import random    random.seed(seed_value)    responses = []    for i in range(total):        responses.append({            "user_id": i,            "is_paying": i % 3 == 0,            "is_active": i % 2 == 0,            "very_disappointed": random.random() < 0.42,        })    return responses def very_disappointed_ratio(group):    """返回一组用户中'非常失望'的比例"""    if not group:        return 0.0    hit = sum(1 for r in group if r["very_disappointed"])    return hit / len(group) def filter_group(responses, key):    """按某个字段过滤出目标分群"""    return [r for r in responses if r.get(key)] def main():    responses = generate_responses(240, 7)     all_ratio = very_disappointed_ratio(responses)    print("总样本: {} 人, 非常失望比例: {:.1%}".format(len(responses), all_ratio))    print("Sean Ellis 阈值: {:.0%}".format(THRESHOLD))    print("PMF 信号: {}".format("通过" if all_ratio >= THRESHOLD else "未通过"))     paying = filter_group(responses, "is_paying")    active = filter_group(responses, "is_active")    print("付费用户: {} 人, 比例: {:.1%}".format(len(paying), very_disappointed_ratio(paying)))    print("活跃用户: {} 人, 比例: {:.1%}".format(len(active), very_disappointed_ratio(active))) if __name__ == "__main__":    main()

1. random.seed(seed_value)固定随机种子，让每次运行得到相同结果，便于复盘和演示。
2. responses.append({...})生成一条问卷记录，包含用户是否付费、是否活跃、是否非常失望三个字段。
3. hit = sum(1 for r in group if r["very_disappointed"])统计分群中回答“非常失望”的人数。
4. return hit / len(group)算出该群组的失望比例，作为 PMF 指标。
5. all_ratio >= THRESHOLD用 40% 阈值判断总体是否发出 PMF 信号。
6. filter_group(responses, "is_paying")过滤出付费用户分群，检查核心用户的表现。
7. print("PMF 信号: {}".format("通过" if ... else "未通过"))把判断结果转化为团队能直接看懂的结论。

常见误区

面试题