如何在数据中寻找Aha时刻

作为产品经理，一定听说过 Aha Moment(Aha 时刻)，一个经典的案例是Facebook 将10天之内添加7个好友定义为Aha时刻，于是当时Facebook的增长都围绕这一目标进行（在各种地方都会提示用户添加好友），从而实现了10亿级用户的增长。那么Facebook 是如何找到这样的Aha时刻？

•  为什么这个行为是添加好友，而不是发布照片？

•  为什么是10天，

•  为什么是 7个好友，而不是4个、5个？

今天我们就来研究一下。需要说明的是Aha时刻并不局限于Facebook 这么庞大的一个产品，它可以是一个功能模块中的Aha，也可能是产品某个阶段的Aha。寻找Aha时刻的方法也不止本文一种。经验有限，抛砖引玉，各位读者我们一起来学习。

“Aha Moment”并非互联网原创，它是德国心理学家、现象学家卡尔·布勒(Karl Buhler)在100年前创造的词汇，大概意思是：“a peculiar, pleasure-oriented experience within the course of thought that pops up with the sudden insight into a previously un-transparent context.在思考过程中，以独特的、快乐为导向的体验会突然出现，让你对之前不透明的环境有了深刻的了解。”

是否你曾经在使用某个App的某个时刻，会发出“哇哦” ，“太棒了”的赞叹，尽管这样的产品并不常见（我本人在体验shopify、Google ads的时候曾经有过这样的体验）。

再底层一点，为什么用户会发出赞叹，是因为：用户发现产品能够为他们解决问题，并为之眼前一亮，这就是产品的核心价值。

再举两个aha时刻的例子：

Twitter: A user follows 30 users with at least 1/3 of them following back（关注了30人，而其中至少1/3 回关）。

Slack: A team sends 2000 messages in a workspace（一个组织在一个workspace里发了2000条信息）。

反过来，我们可以很容易通过这些定义看出各个产品的核心价值和所要解决的问题：

Twitter：突出社交价值，解决了解，经常知晓好友动态的需求。

Slack: 突出企业社交价值，解决企业间信息沟通的需求。

从上述例子中不难看出，定义Aha时刻有两个要素：

关键行为

关键数字：包含行为次数、一定时间段等等

需要提出的是，Aha时刻的核心是寻找产品对用户的核心价值，我们并不是为了数字而找数字，而是为了寻找一个能体现出产品核心价值的一个普遍适用的数字。

寻找Aha时刻的方法并不唯一，在不同的场景中有不同的方法，甚至最直接的用户访谈也可能帮助你找到Aha时刻。而寻找aha时刻也可能是一个漫长的过程，本文主要讲述使用相关性分析的方法寻找Aha时刻，这也是硅谷领先的产品分析工具Amplitude中使用的方法，供大家参考。

总的思路是：

找到优质用户。

即这些用户做了你期望的事情，你希望其他用户也能转换成这样的用户，比如电商网站中那些经常购买东西的用户，或者社交产品中留存时间超过两周的用户。

追溯优质用户的行为。

即优质客户做了哪些行为事件，假设这些事件可能就是你要找的Aha 时刻中的关键行为。

对这些行为和优质用户进行相关性分析。

即在众多假设的事件中得出：

- 哪些事情（关键行为）

- 在多长时间内做多少次（关键数字）

对促成优质用户的相关性最强，这就是所谓的Aha 时刻。

验证Aha 时刻。

上述三步都是对Aha 时刻的猜想，无论何种方法，我们都不能保证Aha时刻的准确性，必须要针对猜想去验证。

不难看出，这种方法要有两个前提：

产品中对用户的行为有比较完备的记录。

要有一定量级的优质用户及行为记录，作为样本来追溯行为，这样做出的相关性分析才可能是准确的。

满足前提后，我们按照这个思路一步步走。

定义优质用户：要看不同的业务目标和产品，常见的可以有：

a) 交易类产品：一定时间段内完成一定交易次数或交易金额的用户

b) 耗时类产品: 一定时间段内达到一定停留时长，或者访问次数的用户

c) 效率类产品：一定时间段内使用某项功能达到一定次数的用户将这些优质用户作为一个用户分群。

优质用户的行为那么多，要追溯并非易事，在这里列出两种种方法：

方法一：看桑吉图，做假设。定义一个结果页面，比如设定最后一步为订单成功页面，生成桑吉图，观察用户到达最后一页前经历了哪几个步骤，把来源最多的那几步作为需要追溯的行为。

方法二：观察优质用户分群的用户旅程桑吉图（下图1为例），把优质用户参与度较高的行为定义为需要追溯的行为。

 图1 用户旅程桑吉图

我们先普及一下相关性分析的知识，需理解以下三点：

a) 相关性分析不是因果分析。相关性分析仅仅代表被分析的两个变量X，Y之间是正相关，负相关或者无相关。并不代表是有X 导致Y。比如我们拿到一组数据，冰淇淋的销量和啤酒的销量正相关，这就是相关性。但是很快发现二者都是随气温变化的，二者没有因果关系。

b) 我们用相关性系数来度量两个随机变量X，Y之间的相关性强弱， -1代表100% 负相关，1 代表完全正相关，0代表不相关。我们用下图简单的表述一下从-1 到 1 的相关性变化。

图2 从-1到1的相关性变化(转自网络，侵权即删)

c）相关性系数计算方法

常见的相关性系数有马修斯相关性系数, Pearson correlation等。马修斯相关性系数参见该文章，马修斯相关性系数也经常用来做生物学研究，比如昆虫与植物疾病的相关性，也是本文中用到的计算方法。简单的说来，马修斯相关性系数是二进制版本的相关性分析，其计算公式如下：

其中

• TP: 真阳性（True positive）

• TN: 真阴性（True Negative）

• FP: 假阳性（False positive）

• FN: 假阴性（False Negative）

我们还是拿互联网产品来举个例子：对某个CRM SAAS服务，我们需要分析：“在试用期头三天内创建客户人数>=10次”，和“成为付费用户” 之间的相关性。在这里，真阳性，假阳性，真阴性，假阴性的定义分别如下：

假设我们看到：

• 试用期头三天内创建客户人数>=10次的人中，绝大多数成为了付费用户。

• 而试用期头三天内创建客户人数小于10次的人中，绝大多数没有成为付费用户。

那么可以认为“在试用期头三天内创建客户人数>=10次”，和“成为付费用户” 之间存在正相关性。

为了更好理解，我们用下图来表述，气泡的大小代表四种用户的数量，如果真阳性、真阴性的数量远大于假阳性、假阴性的数量（如图3中所示），那么不难看出，我们可以类似回归分析一样拟合出一条线性正相关曲线, 如图中蓝色直线所示(需要特别申明一下，这里只是为了便于理解所以拿回归分析来做类比，相关性和回归分析是两个不同的概念，不可混淆)。

图3  相关曲线

了解相关性分析之后，我们再回到Aha时刻的两个“关键”：

• 关键行为

• 关键数字：包含行为次数、一定时间段等等

我们参考Amplitude工具中的图表来看如何得出两个“关键”，如下图所示。

• 下图左半部分是我们猜测的可能和优质用户正相关的行为。

• 下图右上第一行是进行这一行为的时间段。

• 下图右下部分蓝色阴影就是上述行为和成为优质用户之间的马修斯相关系数。

比如下图中马修斯相关系数中左上角的第一个数字0.47（绿色圆圈所示）代表的是第一天内Edit Profile 的次数>=1 与成为优质用户之间的相关系数为0.47，一般情况下0.47 可以认为是正相关。依此类推，Amplitude 里将马修斯相关系数以热力表的方式很直观的表达出来，使我们能很明显的看出哪些是相关性较强的行为，作为Aha时刻中备选的关键行为。

图4  马修斯相关系数

那么关键数字怎么体现出来的呢，在上图中，我们们可以点击任何一个相关系数，就可以下钻到详情中（如下图5所示）。

• 图表左半部分是关键行为的次数和相对应的马修斯相关系数。

• 其中Amplitude会将相关系数最高的次数突出显示出来，如下图中>=2次的相关性最高，相关系数为0.52， amplitude将其定义为Highly predictive，即强相关。

• 图表右下方，Amplitude还会直观的显示出做过关键行为次数>=2的用户和新用户的留存曲线对比。该例中，做过关键行为次数>=2的用户的留存率明显高于新用户留存。

图5 相关系数详情

​

好了，按照这个方法，我们看似找到了Aha时刻，可现在高兴为时过早。不得不说，上述的分析都是假设，还有待验证。最常见的用A/B test 来验证Aha时刻。比如，上述例子中，我们看到试用期头三天内创建客户人数>=10次的行为和付费用户的确是正相关。那么在A版本中，我们可以将创建客户这一功能放在最显眼的位置，鼓励用户多创建客户，B版本作为参照，最后对比A/B版本的付费转换率，即可验证该假设是否有效，具体A/B test方法可参考此文：数据应用系列（1）-ab测试。

回顾一下，本文讲述了用相关性分析的方法来寻找产品中Aha时刻，寻找Aha时刻也是寻找产品对于用户的核心价值的过程。对于一个互联网产品，Aha时刻也并不唯一，它可能存在于不同的功能模块，也可能在产品最初的计划之外。Aha时刻也并不固定，它也会随着产品演进和用户的不同而产生变化。寻找Aha时刻也不止相关性分析方法一种。但唯一不变的是，寻找Aha时刻的步履永不停歇。

参考文献

1. 【机器学习】马修斯相关系数（Matthews correlation coefficient）

2. Amplitude help: Interpret your Compass chart

3. 理解皮尔逊相关系数

4. 增长黑客进阶三：找到产品的AHA时刻

5. Facebook's Aha Moment Is Simpler Than You Think