# 4.3 为用户创造【惊喜时刻】的秘诀

> 解释 Aha Moment（惊喜时刻）的定义与维恩图判断法，梳理 Slack、Facebook 等知名产品的惊喜时刻，并演示用 Excel 相关性分析找到驱动留存的关键行为，附 Pinterest 激活优化完整案例。

---

LLMS 索引： [llms.txt](/llms.txt)

---

## 一、用户为什么离开：HubSpot 的调研

宣传自己的产品时，偶尔会看到有人吹得天花乱坠。但不管怎么吹，大部分理智的用户还是倾向于**眼见为实**，不会轻易被广告词蛊惑。美国科技公司 **HubSpot** 曾做过一项用户调研，研究用户为什么离开、不再使用产品，结果道出了一个非常残酷的现实：

- **30%** 的人因为没有感受到产品的价值而离开；
- **30%** 的人因为不知道怎么操作而离开；
- 少部分（**10%**）的人因为使用中有失败的体验而离开；
- 剩下不到 **30%** 的人，出于产品兼容性差、或有了更好的竞争对手等原因离开。

其中总共有 **60%** 的人，是因为用了产品却不知道怎么操作、或不知道产品的实际价值在哪而选择离开。这说明产品没有让用户知道应该怎样正确使用产品、从而得到所期望的价值——这就涉及**客户的期望管理**以及**产品价值如何凸显**的问题。

## 二、什么是 Aha Moment

做产品时常见一个词：**惊喜时刻（Aha Moment）**。词典里对它的解释是：思考过程中一种特殊的愉悦体验——经历 Aha Moment 时，会对之前不明朗的某个局面产生更深入的认识。现在它常用来表示某个问题的解决方案突然明朗化、豁然开朗的时刻。

> 最经典的例子是阿基米德：他在浴缸里洗澡时看到水位的变化，理解并想出了**浮力定律**，困扰多年的问题最终被解决。他非常激动，光着身子跳出浴缸，大喊了一声 "Eureka"（希腊语"发现了"）。人们往往把这样的体验称为 Aha Moment。

一个产品的 Aha Moment 不会这么夸张，但一定会让用户有意外的惊喜，最好能让用户心里想着："哇，原来还有这样的功能，太好用了。"用户感知到这个点之后，就会更认同产品，也更容易被激活与留存。

从产品体验角度，它还有另一个说法叫 **Magic Moment**，指用户使用产品中的"**爽点**"。从产品优化方向来说，它相当于**有价值的用户行为**——这些行为将决定用户是继续使用产品、还是选择竞争对手，对用户留存及产品稳步增长有决定性影响。普通用户在使用过程中通过哪些行为留存下来、成为优质用户，是无法准确预知的；但一旦设法找到这些行为，它就可以成为实现产品增长的秘密武器。即使再优秀的产品，也会在发展方向中经历迷失或反复挫折，如果在这个阶段没有及时找到正确方向引导用户，产品的留存和增长就很难实现。

需要注意的是，Aha Moment 不一定字面上指某一个时刻，而可能是一个**关键行为节点**——用户执行了某个功能、甚至细化到点击了某个按钮。以是否使用该功能为界，就可以区分用户是否发现了产品的价值：发现的人会留存，反之就会流失。需要做的，就是找到那些可以让用户被激活、留存下来的**共性动作**；或者反过来说，**多数流失的用户都不会采取的动作**。

## 三、如何判断：维恩图与知名产品的 Aha Moment

通过三张维恩图可以理解判断方法：图中**青色**代表留存用户人群，**红色**代表采取了某个特定动作的人群。

- 左上角的图：很多用户会发 8 条消息，更多用户会留存，但留存用户与"发 8 条消息"的用户之间交集很小——无法判断发 8 条消息是不是让用户留下来的关键动作、关键功能；
- 左下角的图：大多数用户会发 1 条消息，这个行为能覆盖大部分留下来的用户——但"发一条消息"可能只是用户普遍会采取的共性，与是否留存没有太大关联，不能轻易下结论；
- 右边的图：留存用户与采取某个动作的用户有相当一部分交集，交集之外各自的份额都比较小——说明这个动作与留存有极大的关联性，其他因素的影响占比较低。这个较大交集所代表的用户行为，就是用户达到 Aha Moment 的行为：当用户执行这个行为时，他就达到了 Aha Moment。

一些世界知名产品的 Aha Moment：

- **Slack**（办公协同软件）：使用它的团队发送的消息超过 **2000 条**。一旦超过，这个团队就倾向于留下来，成为忠实用户；
- **Dropbox**（云端文件存储工具）：用户在一个设备的一个文件夹里存储了一个文件，就达到了它的 Aha Moment；
- **Zynga**（依附于 Facebook 的社交游戏平台，开心农场产品鼻祖的开发商）：用户的 Aha Moment 是注册完成后的第二天重新返回使用；
- **Twitter**：关注了多少用户、以及多高比例的用户回关。这个数字一直在动态变化，官方也没有公布具体数值，但由此可以大致了解它的 Aha Moment 是什么；
- **Facebook**：新注册用户在**七天之内添加十个以上好友**——也就是前文案例中"你可能感兴趣的人"功能的由来；
- **LinkedIn**：注册完之后的多少天之内加了多少个好友，其实跟 Facebook 很像。

总结出产品的 Aha Moment 之后，就可以采取对应的产品策略来强化用户的使用行为，帮助用户达到 Aha Moment。例如 Facebook 希望用户在一周之内添加十位好友，就在各个产品模块功能中引导用户添加好友（"你可能感兴趣的人"）；Dropbox 的 Aha Moment 是用户在设备上存放第一个文件，它就在产品当中各个地方引导新用户完成首次上传的流程。

再看两个国内产品：

- 一款照片美化产品的 Aha Moment 是用户**首次利用滤镜功能完成一张照片的美化**。对应的产品策略叫"**滤镜体验前置**"：不是拍完照片之后再选滤镜，而是在取景准备拍摄时就能体验滤镜叠加的效果，从而缩短新用户使用滤镜的路径；
- 唱歌软件**唱吧**的 Aha Moment 是**首次唱歌之后回放被处理过的优质效果**——用户唱完之后一听，"哇，我唱的歌这么好听"，甚至可能比真人唱得更好听（经过了特殊处理），顿时觉得自己简直是一代歌神，也就感受到了产品价值。对应策略就是赶紧引导用户唱一首歌，唱完之后回放听一听。

## 四、在自己产品中寻找：行为相关性分析

在自己的产品中找 Aha Moment，说简单也简单、说难也很难，可以归结为几步：

- **先想产品的核心功能是什么。** 很多时候核心功能就代表了产品希望用户采取的关键操作：视频网站的核心功能是让用户看视频，最核心的操作就是播放视频，这也是用户最容易感到产品价值的点；社交软件是用户互加好友、发消息产生聊天；电商网站很自然就是产生交易、买到心仪的商品。可以根据产品不同的业务形态、通过什么功能模块对用户和商业产生价值来判断。
- **承认例外。** 有些产品的 Aha Moment 可能与核心功能没有太直接的关系，可能是一个边边角角、不太引人注意的功能，但它吸引了用户不断回来使用。这时就要去找究竟是什么样的行为促使用户愿意留下来。
- **做取舍。** 找到一些用户愿意因此留下来的功能后，思考在有限的预算框架和时间节点之内，哪一项功能能让用户更快速、更低成本地感受到产品价值，把重心放在优化、突出、强化这个功能上。
- **用实验和数据验证猜测**，把它提炼成一种产品功能——这就是增长黑客的精神。

### 用 Excel 做相关性分析

下面通过一个具体的操作案例，看怎样通过数据找到产品功能与激活、留存的相关性。用到的工具是 **Excel**，其中有一个**相关性分析**工具，能非常方便地分析某个产品行为动作与最终留存之间的关联度。

先用一个现实生活中的简单案例（暂不涉及产品数据）。小麦这种农作物包含不同的性状——由于植物基因不同，会演化出很多不同的特征。假设有九株不同的小麦，按顺序编号 A1 到 A9；小麦有很多性状，这里选出六种：**冬季分蘖、株高、每穗粒数、千粒重、抽穗期、成熟期**（具体含义不必深究，知道是小麦的不同性状即可）。不同性状之间是否存在关系——是不是有些性状同时出现、有些此消彼长——就可以通过 Excel 的相关性来验证。

操作步骤（以 Mac 版为例，Windows 版原理如出一辙；Excel 的基础操作不在此展开，感兴趣可上网搜索相关教程，很快就能学会）：

1. 先加载数据分析模块：菜单"**工具 → Excel 加载项**"，勾选**分析工具库**（Windows 里也需要加载分析工具库）；
2. 加载完成后，"**数据**"标签下会多出一个"**数据分析**"功能模块（不加载就不会出现）；
3. 点击数据分析工具，选择"**相关系数**"，点击确定；
4. 选择**输入区域**，即要分析的数据（准备好的小麦数据），**分组方式选择"逐行"**——比较不同行之间的相关性；
5. 指定**输出区域**（为了便于展示，直接选当前表格里任意一个位置），点击确定。

Excel 呈现出结果：这张表体现不同行之间的相关性。相关系数的取值范围是 **-1 到 1**：-1 最小、1 最大；1 代表完全正相关，-1 代表完全负相关（行一与行一的相关性是 1，因为一模一样）；处于其间的数值代表存在一定的相关性。看表格中相关性较高的：**-0.8965**，即行一与行三——行一是冬季分蘖、行三是每穗粒数，可以看到冬季分蘖越小、每穗粒数越大，冬季分蘖变大、每穗粒数变小，这就是负相关（"一个大另一个就小"）。而对比行一与行六（相关系数 -0.32），既不是同涨同落，也不是一增一减，就没有太大相关性。这个工具可以帮我们发现不同性状（不同 feature）之间是否存在一定的相关性。

### 应用到产品数据

同样的方法用到产品数据上。假设一款产品共有九个不同的用户，列举他们的一些行为：第一个行为是**当月登录次数**（可以理解为统计产品活跃度或留存率的指标）；剩下要做的，是把其他猜测与该指标有关联的行为与它做相关性系数分析。这里列举猜测相关的动作：**签到天数、加好友数量、播放视频数、发表评论数、点赞数**。

仍用上述方法：选中所有的数值区域，在数据中选择数据分析，进行相关系数分析（选定区域不变），分组方式仍是逐行，指定输出区域，点击确定。看结果：

- 相关系数最高的是**行一与行三，即当月登录次数与加好友数量**——跟 Facebook 的案例一样，登录次数和加好友数量存在相当高的正相关：登录次数越多、加好友数量越多；反过来理解，加越多好友也预示着会有更多登录次数；
- 其次是 **0.8304**（行一与行二），即**每月登录次数与签到天数**：用户登录得多、签到就多；反过来，有些用户为了签到不停使用签到功能，对应也会频繁登录。因此可以考虑在产品中**强化签到功能**，通过更好的引导或签到奖励刺激用户经常来签到，以此带动日常使用；
- 再往下是 **0.8**（行一与行四），即**登录次数与播放视频数**：用户登录得多、看视频也多；反过来，如果能给用户推更多视频、让用户更多消费视频，很多用户会因此更多使用产品；
- 后面是 0.7、0.4；最低的是**行一与行六，即登录次数与点赞数**——用户登录多少次和点赞数没有太大关联性，不需要去优化点赞功能。

通过这张表，筛选出最适合的三个功能就是行二、三、四，即**签到天数、加好友数量、播放视频数**。接下来从产品开发的角度考虑哪个开发成本最小：如果觉得签到天数最容易优化（签到完给一个反馈、发一点积分），就优先强化这个功能；觉得加好友数量比较容易实现，就设计一些邀请用户加更多好友的模块；觉得播放视频对产品实现来说最简单，就尽可能多给用户推视频。当然，这一切都是基于数据得到的猜测，最终还是要靠上线的实验数据来验证假设。

如果觉得麻烦、自己导出数据不方便，希望采用现成工具，国内也有厂商提供这样的服务，比如数据分析服务 **GrowingIO**，它有一个"**留存魔法师**"功能模块，能很智能地指出哪些功能或哪些动作对产品留存率有最高的相关性，值得一试。

## 五、完整案例：Pinterest 的激活优化

**Pinterest** 是一个以兴趣为基础的图片社交社区，也是瀑布流产品形态的首创者。在硅谷，Pinterest 一直走在增长的前沿，用了很多数据分析工具和先进手段来分享增长理念。截至本文撰写时，它的月活用户已将近 **2 亿**。

Pinterest 做用户激活工作时，第一件事就是选择什么功能作为激活用户的功能模块和激活目标。在这个过程中，他们问了自己三个问题：

1. Pinterest 的核心功能是什么？
2. 什么能让用户留在 Pinterest 上使用得更多、更久？
3. 到底哪些功能可以迅速反映出 Pinterest 的价值？

经过反复筛选，他们选择了一个功能：**Pin It 按钮**（注意：这个按钮原名 Pin It，后来通过数据分析调查发现改叫 Save——保存——更容易理解，现在 Pinterest 网站上已完全改叫 Save；以下案例中说的都是当年的 Pin It 按钮）。这个按钮实际上就是**收藏功能**，点击之后可以将图片收藏到自己的图片画板里。Pinterest 认为 Pin It 按钮是最适合的激活目标，理由有四：

- **曝光率和使用率都很高**：按钮展现在每一张照片的最顶端，属于最核心的功能，是 Pinterest 最希望用户使用的功能；
- **操作熟悉、学习成本非常低**：用户只要点一下就可以完成后续操作；
- **经过数据验证**：凡是用 Pin It 收藏过图片的新用户，最后都留存了下来——即前文所说的相关性分析，发现点这个按钮与最后留存的相关性非常高；
- **是转化路径的顶端**：只有收藏了照片，才能创建属于自己的收藏夹、才能分享给好友等等。它是起始动作，是很多其他功能的入口。

Pinterest 如何激活用户、让人更多使用这个功能？它发现很多新用户都来自搜索引擎，而搜索引擎来的用户目的性很明确，就是着陆页面上那张明确的图片。为了让从搜索引擎来的站外用户不只收藏他搜索时想得到的那张图、更多去收藏其他图片，Pinterest 的想法是尽可能多推荐相关图片，随后进行了一系列版本迭代：

- **图一**：原本复仇者联盟的照片是用户搜索得来的，主图很大；优化后在右边增加了一组推荐其他相关照片的图片。上线后数据分析发现，激活新用户的转化率很低——分析可能是因为页面功能太分散，也可能是相关图片太小、不显眼，无法获得用户注意；
- **图二**：很快进行了新一次版本迭代，但很遗憾，激活转化率仍然没有起色。据此 Pinterest 分析，可能是推荐的 pin 图片尺寸太小，于是假设：把推荐图片变大一点，会不会提升激活率？
- **图三**：相关推荐图片不仅出现在主图上方，尺寸也变大了一些。实验结果显示，激活转化率的确开始有所提升；
- **图四**：Pinterest 由此得到启发——pin 图片尺寸大一点、展示得更正式大气一点，不要"畏畏缩缩"藏在一边，效果可能更好。于是把相关推荐图片从主图上方挪到主图右方，给了更大的屏幕占比，更好地凸显出来。这个版本上线后，激活转化率又有了一些提升。

通过这几个实验迭代可以分析出：**点击推荐 pin 图的群体，更容易在注册后完成激活行为**。基于此得出的假设是：**推荐的 pin 图和主图片的差异越小，越利于提升激活转化率**。于是 Pinterest 不断迭代：减小主图的大小、将主图和推荐 pin 图的风格保持一致、给推荐的相关图片更多的位置。经过多番迭代，Pinterest 的激活转化率最终提升了 **25%**。这家公司善于做各种各样的实验、采用各种增长手段，在这个案例之后又前后迭代了六个版本，后来在官方技术博客上公布：通过不断的实验尝试，他们最终成功将"注册并收藏"的激活转化率提升了 **200%**。

这就是 Pinterest 如何通过用户行为的相关性分析，找出最容易让新用户注册、激活并转化留存的功能，再围绕这个功能不断优化迭代、让它成为用户活跃度增长引擎的非常好的案例。