Aha Moment自动工程化

核心原则

1. Aha是因果非相关：Aha Moment必须是行为与留存的因果关系，而非仅仅是相关性
2. 到达率决定上限：再强的Aha Moment，如果到达率低就无法规模化，必须同时优化到达路径
3. 最短路径优先：从注册到Aha Moment的路径越短，激活率越高

交互模式

🤖→👤 AI建议人类审批

输入

Aha Moment定义

Aha Moment是用户首次体验到产品核心价值的关键时刻。当用户完成这个行为后，他们更有可能长期留存并成为活跃用户。

Aha Moment = 特定行为 + 特定时间窗口 + 留存提升效果

执行步骤

Step 1: Aha Moment候选搜索

#### 候选行为穷举 扫描所有用户行为，寻找与留存高度相关的行为：

1. 行为类型分类:

• 核心功能使用
• 关键路径完成
• 社交互动行为
• 内容创建行为
• 设置配置行为

1. 时间窗口分析:

• 注册后1小时内
• 注册后24小时内
• 注册后7天内

1. 相关性计算:

   相关性 = 用户执行行为与留存的相关程度
   提升 = 执行该行为用户的留存率 - 未执行用户的留存率

#### 候选筛选标准

• 相关性 ≥ 0.5
• 到达率 ≥ 10%
• 留存提升 ≥ 15%

Step 2: 到达率测量

分析每个候选Aha Moment的实际到达情况：

Step 3: 最短路径识别

分析如何让用户最快到达Aha Moment：

1. 路径分析: 识别从注册到Aha Moment的典型路径
2. 摩擦识别: 找出路径中的摩擦点和流失点
3. 优化建议: 设计更短的到达路径

Step 4: Onboarding优化建议

基于Aha Moment分析，生成Onboarding优化建议：

#### 直接引导策略

• 在Onboarding流程中直接引导用户完成Aha Moment行为
• 设计"一键体验核心功能"的快捷路径

#### 激励策略

• 为完成Aha Moment行为的用户提供奖励
• 降低完成Aha Moment的门槛

#### 教育策略

• 强化Aha Moment的价值展示
• 在到达Aha Moment前提供价值预览

输出

存储路径：output/pm-growth/activation-aha/

输出文件：aha_moment.json

输出Schema：

{
  "type": "object",
  "required": ["candidates", "primary_aha"],
  "properties": {
    "candidates": {"type": "array", "description": "Aha Moment候选列表，包含行为、相关性、到达率和留存提升"},
    "primary_aha": {"type": "object", "description": "主Aha Moment，包含行为、到达率、留存提升和置信度"},
    "secondary_ahas": {"type": "array", "description": "次要Aha Moment列表"},
    "onboarding_optimization": {"type": "object", "description": "Onboarding优化建议，包含目标行为和优化漏斗"}
  }
}

aha_moment

{
  "candidates": [
    {
      "behavior": "首次创建在线课程并发布",
      "behavior_type": "action|feature_engagement",
      "retention_lift": 0.35,
      "correlation": 0.78,
      "reach_rate": 0.45,
      "time_to_aha": "注册后24小时",
      "recommendation": "在Onboarding中引导用户使用课程模板快速创建首门课程"
    }
  ],
  "primary_aha": {
    "behavior": "首次创建在线课程并发布",
    "reach_rate": 0.45,
    "retention_lift": 0.35,
    "confidence": 0.92
  },
  "secondary_ahas": [
    {
      "behavior": "首次邀请学员加入课程",
      "reach_rate": 0.25,
      "retention_lift": 0.28
    }
  ],
  "onboarding_optimization": {
    "target_behaviors": ["创建在线课程", "发布课程", "邀请学员"],
    "current_funnel": {...},
    "optimized_funnel": {...},
    "expected_activation_lift": "15%"
  }
}

Aha Moment分析示例

候选Aha Moment分析:

1. "首次创建第一个项目"
   - 相关性: 0.82
   - 到达率: 35%
   - 留存提升: +42%
   - 建议: 优化项目创建流程，降低创建门槛

2. "首次分享内容给好友"
   - 相关性: 0.65
   - 到达率: 18%
   - 留存提升: +28%
   - 建议: 引导用户分享，增加分享激励

3. "首次使用核心分析功能"
   - 相关性: 0.75
   - 到达率: 25%
   - 留存提升: +35%
   - 建议: 在Onboarding中演示核心功能价值

输出校验规则

决策规则

质量检查

• [ ] Aha候选通过相关性筛选（≥0.5）和显著性检验
• [ ] 到达率分析包含时间分布和路径分析
• [ ] 最短路径识别包含摩擦点分析
• [ ] Onboarding优化建议可直接执行

降级策略

上游文件缺失降级方案

• 若用户未提供用户分群数据，提示用户提供或跳过该输入相关步骤

数据获取说明

当上游文件缺失时，需用户提供以下信息以支撑降级生成：

• 用户行为列表：产品中用户可执行的核心行为
• 留存率数据（可选）：不同行为用户的留存率差异
• 新用户典型路径（可选）：新用户最常见的操作序列

上游变更响应

上游变更影响表

下游通知机制表

注意事项

• Aha Moment可能随产品迭代而变化，应定期重新评估
• 不同的用户分群可能有不同的Aha Moment
• Aha Moment的优化需要平衡到达率和留存提升