第2章 指标集选择的第一步：定义产品核心假设与验证目标、拆解关键结果

2.1 指标定义与业务含义

MVP阶段指标集选择的第一步，是将模糊的产品构想转化为可验证的假设结构。任何MVP都始于一个核心假设——对用户需求、产品价值或行为模式作出的未经验证的信念。通过定义验证目标并拆解为关键结果，才能构建出可衡量的指标集骨架。

2.2 数据来源与计算口径

每个关键结果必须绑定明确的数据源与计算口径，避免口径不一致导致验证结论失效。以下是典型 MVP 阶段关键结果的数据映射。

计算口径应在产品需求文档 (PRD) 中提前固化，并写入数据仓库的指标字典。以下为口径定义的 JSON 示例：

{
  "kr_id": "KR2",
  "kr_name": "核心功能7日留存率",
  "data_source": "功能使用日志表 · f_usage_log",
  "calculation_logic": "COUNT(DISTINCT user_id) WHERE event='use_feature' AND day_diff=7 / COUNT(DISTINCT user_id) WHERE event='use_feature' AND day_diff=0",
  "dimensions": ["feature_name", "user_type", "platform"],
  "update_frequency": "每日凌晨 T+1"
}

2.3 维度分层与下钻路径

从核心假设到可观测指标，需要经过 假设层 → 目标层 → 结果层 → 指标层 四层拆解。每层向下钻取时，维度逐级细化：从整体表现下钻至用户属性、行为特征、渠道来源、时间周期等细分切片。

• 假设层：产品核心假设（不可直接测量，需转化）
• 目标层：验证目标（定性的成功标准）
• 结果层：关键结果 KR（3-5 个量化刻度）
• 指标层：每个 KR 映射 2-3 个可采集指标

下钻路径遵循 「总量 → 维度 → 个体」 的逐级展开逻辑，帮助团队快速定位假设失效的具体环节。

2.4 看板布局与交互方式

假设验证看板的核心目标是快速判断假设是否成立，而非追求图表美观。看板采用 「假设卡片 → KR 进度 → 指标明细」 三层结构：

• 顶部区域：当前验证中的核心假设陈述与验证目标卡片，支持手动标记「已验证/验证中/已失效」状态。
• 中部区域：每个 KR 以进度条 + 阈值线形式展示达成率，颜色编码：绿（达标）、黄（临界）、红（未达标）。
• 底部区域：KR 对应的原始指标明细表，支持按时间、用户群、渠道下钻。

交互方式：

• 单击 KR 进度条 → 展开该 KR 的维度下钻面板
• 双击指标值 → 跳转至原始事件列表
• 拖拽时间范围选择器 → 切换验证周期（默认 7 天 / 14 天 / 30 天）
• 异常指标自动高亮，并附带归因建议入口

// 看板数据结构示例 (JSON)
{
  "hypothesis_id": "H-001",
  "hypothesis_statement": "职场新人愿为AI简历优化工具付费",
  "validation_target": "付费转化率 ≥ 5% 且 7日留存 ≥ 30%",
  "status": "verifying",
  "key_results": [
    {
      "kr_id": "KR1",
      "kr_name": "周付费用户数 > 200",
      "current_value": 187,
      "threshold": 200,
      "status": "warning",
      "drill_dimensions": ["plan_type", "channel"]
    }
  ]
}

2.5 异常判断规则与归因方法

MVP 阶段数据量小、波动大，需要建立轻量但可靠的异常判断规则，避免误判或漏判。

归因分析方法推荐：

• A/B 验证：将流量分为功能组与对照组，量化假设的真实增量效果
• 同期群分析：按用户首次使用日期分组，追踪各群组的留存与转化曲线
• 漏斗归因：定位假设失效发生在漏斗的哪个步骤，缩小归因范围

2.6 指导业务动作的输出逻辑

假设验证的最终目的是驱动决策，而非仅为观察。根据验证结果，输出明确的业务动作：

复盘分析 Checklist：

1. 假设是否足够具体且可证伪？是否需要重构假设陈述？
2. KR 的阈值设定是否过于激进或保守？是否需要根据基线数据调整？
3. 数据采集是否存在延迟或缺失？口径是否被团队一致理解？
4. 维度下钻是否揭示了某个细分群体的假设成立？
5. 本次验证的最小学习单元是什么？如何应用于下一轮假设？