您的仪表盘显示，发布成功了。注册人数增加，登录人数飙升，团队感到放心。
然后两周过去了。支持票减少，但不是因为产品运行顺畅。人们只是不再回来。少数强大的用户活跃。新账户的大多数人都很安静。您提供了访问权限，而不是采纳。
那就是差距 用户采纳指标 旨在填补这一差距。它们可以帮助您回答一个比“人们是否来过？”更难的问题。它们回答了“人们是否达到了价值，回来了，并且将产品纳入了他们的日常习惯？”这一转变很重要，因为原始注册和登录往往是虚荣指标。它们告诉您有人触摸了门把手，但并没有告诉您他们是否完全搬了进去。
对于产品团队来说，这通常在实践中表现为一项发布看起来很不错，但在实际操作中却很弱。一个协作工具可能会获得大量的账户创建，但只有少数用户创建了第一个项目，邀请了团队成员或后来返回。一个移动应用程序可能会看到下载，但很少用户完成了入门流程或完成了第一个使产品有用的事情。如果您一直在凝视这种不匹配，您已经在问正确的问题了。
更好的框架是将采纳视为从访问到习惯的旅程。这意味着关注用户第一次理解产品、第一次获得结果并重复行为的时刻。负责入门、激活和应用用户体验改进的团队 应用用户体验改进 通常会发现同样的事情。用户的第一次成功比用户的第一次登录更重要。
目录
- 上下文：Capgo营销网站。角色：短的UI标签或导航项。见于：页面blog/[slug].astro。消息键`table_of_contents`（目录）。
- 介绍：超越注册到真正的采纳
- 有效地衡量和跟踪采纳
- 解读你的指标并设定基准
- 超出基础的用户级别与账户级别采纳
- 构建您的采用仪表板并采取行动
- 人工智能和自动化的采用指标未来
介绍：超越注册到真正的采用
许多团队仍然以商店统计步行人流量的方式衡量成功。更多的访客一定是好事。但是，产品并不是因为人们只来了一次而获胜的。它们获胜的原因是用户完成了有意义的动作并重复它们。
采用指标的存在就是为了解决这个问题。它代替了对原始获取的浅表关注，转向了产品价值的行为视图。有用的问题不是“有多少创建了账户？”而是“有多少到达了产品变得足够有用以返回的阶段？”
实用规则： 如果一个指标与用户价值没有联系，它可能不会帮助您提高采用率。
想象一下一个项目管理应用。一次登录就像走进健身房大厅一样。它并不意味着有人锻炼过。创建第一个项目、分配任务并返回下一天更新进度。这些行为表明采用率正在开始。
通常最重要的三个问题是什么？
- 价值发现: 用户是否完成了首次有意义的操作?
- 重复行为: 他们是否在第一次成功之后回来了?
- 工作流适配: 使用是否从好奇心转变为习惯?
本指南的其余部分围绕着这些问题构建。一些指标告诉你是否成功的上线。其他指标告诉你产品是否形成了习惯。更高级的指标可以帮助B2B团队回答一个更复杂的问题：一个人是否采用了产品，还是整个客户账户都采用了它?
8个关键用户采用指标的解释
简化的采用方式
最简单的类比是健身会员。注册不是采用。第一次上课更接近。每周都去上课才证明健身成为某人的生活的一部分。
软件也一样。根据 ClickLearn的用户采用指标概述，采用率通常被定义为目标人口中达到有意义使用里程碑的百分比，而不是原始注册或登录。同样的框架包括公式如 采用率 = (新活跃用户 / 总用户) × 100 和 特性采用率 = (使用特性的用户 / 总活跃用户) × 100.
核心用户采用率指标一览
| 指标 | 公式 | 它告诉你什么 |
|---|---|---|
| 激活 | 根据产品里程碑而异 | 用户是否达到了第一个真正价值的时刻 |
| DAU/MAU | 每日活跃用户/月活跃用户 | 用户在一个月内返回的频率 |
| 留存率 | 根据返回窗口而变化 | 用户是否会继续使用产品 |
| 流失率 | 根据流失定义而变化 | 用户停止使用产品的数量 |
| 粘性 | 常用DAU/MAU来衡量 | 使用是否变成习惯 |
| 功能采用率 | (使用者使用功能人數 / 總活躍使用者人數) × 100 | 是否某個功能在實踐中具有重要性 |
| 時間到價值 | 從註冊到首次產生價值的時間 | 使用者獲得有意義結果的速度 |
| 採用率 | (新活躍使用者人數 / 總使用者人數) × 100 | 使用者從訪問到活躍使用的速度 |
為了讓團隊將採用率與忠誠度進行比較，幫助將這些指標與 應用程式使用者留存模式進行比較 . 採用率讓使用者獲得價值。留存率則是顯示他們是否會留在那裡。
每個指標真正告訴你的內容
激活 激活指标
判断用户是否跨过了起跑线。对于笔记应用，可能是创建第一笔记。对于Slack，可能是发送一条消息。具体公式取决于您的产品，但原则是稳定的。选择第一个证明产品已被点击的动作。 DAU/MAU
比较每日活跃用户与每月活跃用户。它是一个频率信号。如果许多月活跃用户也活跃于每日，产品很可能已成为日常习惯的一部分。 留存率
询问用户是否在初始时间段后返回，因为某些产品可能会给出良好的第一印象，但在成为有用产品方面失败。 流失率
是镜像。它显示了停止参与的人。流失率是有用的，但它最好作为警告灯，而不是您的主要方向盘。到流失率上升时，原因通常已经在激活或价值交付中开始了。
跟踪流失率，但在产品中花费更多的精力来解释它的指标。 粘性
通常与DAU/MAU一起讨论。在许多团队中，人们几乎将术语混淆。实际想法是简单的。粘性产品会经常被访问到，以至于用户不需要提醒自己。 将焦点从整个产品缩小到一个功能。 如果您发布了工作流程设计器、文件共享工具或审批流程，这个指标会显示是否有活跃用户在使用它。 该公式从早期的来源中清晰可见： (使用特定功能的用户 / 总活跃用户) × 100.
到达价值 衡量用户到达第一个有意义的结果所需的时间。 这个指标经常揭示了入门阻力。如果用户需要太多的设置步骤才能让产品有用，采用就会在早期停滞不前。
采用率 总结了大局。 它询问了多少用户变得有意义地活跃，而不是仅仅注册。 这就是为什么它比仅仅注册的指标更强大的商业指标。
一个好的工作规则是将指标配对而不是单独阅读：
- 激活 + 到达价值 显示入门是否会带来有用的第一个胜利。
- DAU/MAU + 留存率 显示使用是否浅表还是习惯性的。
- 功能采用 + 流失率 帮助您确定核心功能是否吸引用户还是无法产生影响。
有效地衡量和跟踪采用
从事件仪表盘开始
采用度衡量从打开仪表盘之前就开始了。它始于您决定要跟踪的用户行为。
如果您的团队使用Amplitude、Mixpanel、Heap、PostHog或Google Analytics，关键决策在所有这些工具中都是相同的。围绕价值而不是界面点击定义产品事件。 “项目创建”、“邀请发送”、“模板应用”和“报告导出”是有用的事件。 “页面浏览”通常不足以。
一个简单的事件设置通常包括：
- 入口事件： 注册、首次登录、引导开始
- 价值事件： 首次创建项目、首次上传文件、首次完成工作流
- 习惯事件： 重复登录、重复任务完成、重复协作行动
团队还会使用控制发布来测试是否有改进这些里程碑的变化。特性标志系统可以帮助隔离登录页面复制、默认设置或UI变化的影响。如果您的团队正在实验阶段性发布，这个指南是实用的补充。 实施特性标志的指南 使用同龄组来查看时间变化
同龄组分析是避免自欺欺人的最清晰的方法之一。相比之下，不要将所有用户都捆绑在一起，而是根据他们开始使用的时间或接收的体验将他们分组。
这有助于您回答这些问题:
那些看到新登录页面的用户是否更频繁地完成激活?
- 重新设计后创建的账户是否更具可靠性?
- 新计划等级是否与自助用户有所不同?
- 没有同龄组，您的采用图像就会变得模糊。现有的高级用户可以掩盖影响新用户的问题。上涨的总线条指标可以使弱势的发布看起来健康。
运营者的视角:
在更改登录页面、定价、打包或核心工作流时，请始终比较行为的开始日期。 __CAPGO_KEEP_0__
绘制路径的漏斗
漏斗显示用户停滞的位置。它们很有用，因为大多数采用问题并不是神秘的。它们发生在特定的步骤。
对于大多数产品，采用漏斗的外观如下:
- 到达: 有人访问了网站或安装了应用
- 账户创建: 他们注册了账户
- 首次使用: 上下文:Capgo Builder/原生云构建产品页面。角色:短的UI标签或导航项。消息键`native_build_builder_credit_first` (原生构建构建器积分首次)。
- 他们完成了初始核心动作 关键动作完成：
- 重复使用: 他们会再次回来做
不是为了让漏斗看起来漂亮。关键是要确定哪一步骤会失败。如果有很多用户注册但很少完成首次使用，说明你的引导流程有问题。如果用户达到首次使用但不返回，说明产品可能是可理解的但不够吸引人。
解读你的指标并设定基准
上下文胜过孤立的数字
一个单独的指标可能会误导你。好的解读从产品的职责开始。
一个日程安排应用和一个月度报告工具会有不同的使用节奏。一个团队协作产品与一个个人工具应用会有不同的工作流程。所以，当团队问一个数字是‘好’还是‘不好’时，通常有用的答案是‘好’于什么行为？’
不过，一个基准值变得尤为重要。根据 Stonly关于用户采纳指标的讨论，DAU/MAU比率 被广泛用作粘性度指标，一个 ratio 50% DAU/MAU 比率 意味着平均用户每月打开产品大约 15 次于 30 天 一个月。因此，团队将其作为习惯形成的替代品，而不是一次性使用。
stickiness 是强大的，因为它区分了广泛但浅表的使用和更深入的参与。一个产品可以有很多用户，但仍然很弱，如果大多数用户几乎不返回。
但是 stickiness 不是一个独立的判决。它变得更有用时与保留和行为质量一起使用。如果 DAU/MAU 上升，而有意义的动作保持不变，用户可能会打开应用程序而没有做太多的事情。如果 stickiness 低，但您的产品是自然的偶尔使用，那么该指标可能仅反映了使用案例。
因此，性能解释应该包括产品背景、发布历史和体验质量。改进
应用程序性能优化 的团队经常看到，加载速度更快和延迟更少可以支持更好的重复使用，但该指标仍然需要与用户完成的内容一起阅读。 您的最佳benchmark通常是内部
Interpreting User Adoption Metrics
外部benchmark有助于定位。内部benchmark更适合决策。
比较不同时间段的用户群。比较已完成和未完成onboarding的用户。比较不同计划或设置路径的账户。这些比较可以告诉你你的工作是否改变了用户行为。
一个实用的benchmark系统通常包括:
- 基线: 你当前行为的状态
- 预期移动: 实验成功时应该改变的指标
- 决策规则: 如果实验失败你将采取的后续行动
当指标移动时，问问用户行为是否发生了变化。 当指标不移动时，问问产品变更是否触及了真正的价值来源。
超越基础层级：用户层级vs账户层级的采用
为什么团队产品会造成盲点
许多B2B团队都存在一个常见的陷阱。看似健康的采用率可能掩盖了一个脆弱的账户。
Gainsight关于B2B环境中的采用度测量的讨论 指出主流指导中存在一个常见的缺口。大多数解释都集中在激活、DAU/MAU、价值时间和特性采用度上，但它们并没有清晰地告诉你何时采用度采用度、采用度采用度或两者都采用度。
这个区别很重要，因为这两个视图回答了不同的问题。用户级别的采用度告诉你个人是否参与。账户级别的采用度告诉你客户组织是否将产品嵌入其工作流程。
同时追踪广度和深度
想象一下一个被大公司购买的销售平台。一个运营负责人每天登录，建立报告，爱上产品。账户看起来活跃。但是，如果没有人使用它，推广仍然很弱。如果那位倡导者离开，账户突然处于风险之中。
一个更好的模型是同时追踪:
- 广度的采用度： 一个账户内有多少人活跃
- 深度的采用度： 那些人如何意义地使用产品
- 分段： 是否采用率因角色、计划或用例而异
特别是在多人产品中，这一点尤为重要。一个账户可能会显示功能使用情况，但仍然无法在团队中广泛使用。反之亦然。许多用户可能会登录，但只浅尝辄止。
一种实际的方法是通过分段查看账户而不是作为一个巨大的平均值来表达这一点。团队通常通过 按计划和渠道分段用户，然后在此基础上添加基于角色使用情况的层次。这样可以避免将一个热情的倡导者误认为是组织层面的采用。一个强大的B2B推广通常会显示出广泛和实质性的采用。缺少其中一个是不可靠的。
构建您的采用率仪表板并采取行动
一个有用的仪表板不会试图显示所有内容。它会讲一个关于用户是否达到了价值、重复使用并在账户内部传播使用的短故事。
截图来自https://__CAPGO_KEEP_0__.app
对于大多数产品团队来说，仪表板应该围绕一个小组的行为信号展开:
激活趋势:
- Activation trend: 新用户是否能达到首个重要里程碑?
- 价值时间趋势: 首次成功的路径是否变得更短或更复杂?
- 保留视图: 用户是否在首次成功后返回?
- 功能采用视图: 关键能力是否被活跃用户使用?
- 账户采用切片: 团队是否广泛采用，还是使用集中?
仪表板还需要分段。新用户与已有用户。自助式与企业式。个人用户与账户。没有这些切分，平均值会扁平化故事。
将指标转化为产品决策
每个指标都应触发特定的响应。如果激活度弱，需要加强引导并减少设置阻力。如果价值时间慢，需要减少用户在看到核心结果之前所需的步骤。如果功能采用度低，问题可能是发现、相关性或工作流适配性。
这里的发布速度很重要，因为产品团队通过快速的反馈循环来学习。像Amplitude和Mixpanel这样的工具可以帮助您读取行为。交付工具可以帮助您测试与行为相关的更改。在移动和跨平台团队中， Capgo 在移动和跨平台团队中，Capacitor是将JavaScript、CSS、配置、副本和资产更新发送到应用商店而无需等待应用商店审核的方法，可以缩短观察到采用问题并测试修复之间的周期。
在工作流程的后期，演示视频可以帮助团队围绕什么改变了以及为什么改变。
一个实际的运营节奏如下：
- 每周查看仪表板。
- 确定一个采用瓶颈。
- 发送一个专注的更改。
- 将下一个队列与之前的队列进行比较。
- 基于行为而不是意见来决定是否保留或回滚。
这就是如何使采用工作可管理的。不是一次性追求每个指标，而是通过在测量和产品行动之间建立一个稳定的循环来实现的。
人工智能和自动化的采用指标未来
人工智能开始使得用户采纳的概念变得复杂。传统的用户采纳指标假设人类登录，进行操作，并返回。然而，当 AI agent 自动完成内容、触发工作流或完成任务时，这个模型就会变得摇摆不定。
As Userpilot 的一篇文章关于改变采纳测量的写作 指出，新的指南已经提出了“人类 vs. AI Agent”的问题。这个实际问题很简单。指标如 DAU/MAU、会话持续时间和首次关键操作所需时间可以看起来更强大，即使活动是由自动化而不是人类来实现的。
团队需要更清晰的归因。谁启动了任务？AI Agent 帮助了什么？什么是完全自动化的？这些区分会变得更加重要，因为自动化成为正常产品使用的一部分。北极星指标仍然是相同的。测量人们和组织是否获得了真正的、持续的价值。只是不要假设每个操作都来自人类。
如果您的团队部署 Capacitor 或 Electron 应用，并希望在采纳分析和产品变化之间建立更紧密的联系 Capgo 是值得一看的。它让团队能够快速交付 code 和内容更新，目标特定发布频道，监控发布行为，以便产品、工程和支持团队可以更快地响应采纳停滞。
