资讯详情用户增长陷入停滞，很多产品都在面临这个头疼的问题。随着人口红利和流量红利的萎缩，获取新用户的成本越来越高。相比之下，通过确立增长指标快速试验迭代的“增长黑客”来激活用户，或许是实现用户增长的有效方法。为什么我们的产品会留不住用户呢？
在调研用户流失的原因时，用户通常会说“找不到想看的内容”、“时间忙忘了用”。留存率低，可能主要在这三个方面：
① 产品功能问题：产品无法满足用户需求，用户找不到使用价值，市场需求不够刚性
② 用户渠道问题：拉新渠道有问题，引入的用户不符合产品定位
③ 用户还没发现产品的价值就流失了，产品没有引导用户产生持续使用的动力
针对第三种问题，可以让用户通过体验产品功能，意识到产品的价值所在，产生持续使用的动力。这个价值发现的节点就是Aha Moment，意味着用户留存下来转化为忠实用户的转折点。一旦我们捕捉到有助于留存的用户行为操作，就可以推动和激励所有用户去进行尝试，从而提高用户留存率。
通过Aha Moment去驱动用户增长，是一个另辟蹊径的视角。换句话说，在产品和用户都靠谱的情况下，我们的当务之急，是尽快帮用户找到让他们眼前一亮、为之一振的点。
Aha Moment（顿悟时刻、惊喜时刻）是由德国心理学家卡尔·布勒提出的。预料之外、喜极而泣、茅塞顿开……很多词都可以用来描述内心欢呼“Aha”时这种心态的转变。用在产品上，描述的是用户发现产品价值后形成粘性，继而留存下来的那一瞬间。
虽然用户留下的原因各有千秋，但可以找到用户有过哪些行为会更容易留存下来，这些行为对产品留存率有着决定性影响。作为用户向留存转化的关键节点，Aha Moment意味着用户有过某种行为操作，我们可以借鉴一些产品的Aha Moment指标：
Facebook：在10天内添加7个好友
Twitter：关注用户数都在30以上
LinkedIn ：添加一定数量的联系人
Dropbox ：上传存放一个文件
唱吧：首次唱歌后回放被处理的优质效果
将用户从轻度用户转化为忠诚用户，Aha Moment更像是一种上瘾机制。通过研究留存用户行为的共同点，优化产品设计，让更多用户能更直接地触达这个操作，从而提高留存意愿。
那么，如何捕捉到用户的Aha Moment，通过行为操作找到用户爽点？
在研究之初有一套操作方法，对于探索Aha Moment是至关重要的，通常采用如下流程：
磨刀不误砍柴工，在研究之前不妨先梳理一些概念：如何定义留存和流失？时间周期多久算流失？界定活跃的关键行为是什么？
不同产品可以依据自身特点进行界定，比如可以以设备维度连续30天未打开APP界定为流失。
为了有针对性地提出假设，可以通过问卷进行产品功能调查，了解用户对功能的偏好、操作场景及深层动机。比如：哪些功能或页面给用户留下了深刻印象？用户常用操作的背后是出于什么心理？用户在哪个环节考虑过放弃或换用其他产品？
当然，也可结合流失用户调研，筛选对比流失/留存用户的典型行为操作，提出相应假设，比如我们以阅读类产品为例提出假设：用户的关注、分享、评论等行为对留存有正向影响。（下文所引用数据非真实数据，仅供参考理解）
同期群分析（Cohort Analysis）可以通过控制变量的方式对比不同用户群组的流失程度，避免其他因素干扰，分析不同行为指标对用户留存的影响。
根据假设提取关键行为，创设不同操作行为的用户子集。比如提取同一天注册的用户，分别分析有关注行为、分享行为、写评论的用户在后续几天内的留存率，绘制留存曲线图。
比如，为了验证收藏是否对留存有影响，我们提取有收藏行为用户的留存率，与当月新增用户的平均留存情况进行对比，发现收藏对用户留存确实存在影响，尤其改善了前几天的留存情况。
当然，与留存有正相关的行为不止一个，为了高效甄别出与留存相关的典型行为，节省分析的时间成本，避免漫无目的的碰运气，可以先对比留存与流失用户的行为数据，找到留存用户最显著的特定行为，更加有的放矢，也可以根据产品战略、技术开发的难易程度、用户调研进行综合评估，将功能可以快速优化的行为指标作为 Aha Moment 的首选假设。
需要注意的是，假设留存用户中有很大比例用户有搜索行为，但不见得搜索与留存正相关，因为同时流失用户中也有大比例的用户也用过搜索，搜索是流失和留存用户共有的行为，并非是Aha Moment合适的行为指标。
问题来了：我们是鼓励用户收藏1部作品，还是10部？该如何把握这个度？在明确了行为指标后，还需要确定用户至少完成多少次操作才能达到最佳的留存效果。
通过数据分析发现，收藏量和留存率正相关。收藏10部作品的用户，比收藏1部的更可能留下来，行为指标似乎应该越大越好（如下图）。
但这只能说明，有过此操作的人中有多少人留下来了。我们发现，收藏10部作品的用户在留存用户中的占比很低。很多留存用户根本没有收藏过10部作品，因此指标并非越大越好。
同时，收藏量越多，留存率的波动也越大（每条曲线代表不同注册时间的同期用户群）。收藏量越小，对留存率稳定提升的效果也越明显。那么行为指标是越小越好吗？
很快也可以否定这一假设：因为仅有一两次收藏操作的用户，大部分都流失了。
问题的解决方案就十分明朗了：只需要找到留存用户和某行为操作用户的最大交集。这个交集最大的重合部分就对应着Aha Moment的最佳时刻。
回到维恩图，我们的目标是找到“大多数留存用户采取过、并且流失用户没有过的行为”。通俗的讲，就是大多数有此操作的用户都留了下来，并且大多数留存用户都有此操作。以采取行动的用户和留存用户的交集最大化作为处理准则。
在统计分析时，计算既有动作又留存的用户占比，该占比即为上图的重叠面积。比如，我们把留存用户按不同的收藏次数进行统计，判断用户至少收藏多少次时，有该动作又留下来的用户占比能达到最大值。
通过图表，操作的次数问题就迎刃而解了，重叠率最高的次数即为采取的最佳操作量。显然，图中当用户的收藏操作至少达到3次，就会触达Aha Moment。
需要说明的是，这种单一指标并不是十全十美的，只是代表大多数用户的转折点，后续也可以根据具体的用户画像将用户分群后继续细化指标，使之更加精准、更有针对性。
我们目前得到的行为指标，仍然只是一种“相关性”，即有过操作行为的人和留存用户是相关的，但并不一定是因果关系，不一定因为执行某操作导致了用户留存。A/B实验可以验证行为指标是否能真正提高留存率，并通过改版效果确定最佳方案。
将Aha Moment指标进行分解和操作化，尝试不同的策略来推动用户达成提升留存率的目标。也可以尝试竞品分析借鉴经验，制定产品优化方向及运营策略。比如，为了引导用户至少能收藏3部作品，我们制定了一系列引导方案：
某阅读类产品的核心价值是让用户发现感兴趣的内容，通过阅读习惯产生粘性。因此收藏作品能方便持续阅读，显著影响留存。为了实现这个目标，可以从视觉设计、新手引导、激励机制等方面进行操作化分解，设计引导策略。只有把用户尽快导向收藏作品，才能激励用户在接下来的使用中不断发现感兴趣的内容，体验到产品的核心价值，继而发现Aha Moment增加粘性，转化为忠实用户。
通过上线不同的优化方案，对比留存率变化，可以明确每种优化策略与留存之间的因果关系，以及带来的留存效果。将不同版本随机推送给用户，确保控制组作为对比的基准数据，消除实验偏差。通过对比不同方案，促进整体留存率的提升。需要注意的是，每个版本最好仅包含一种变动，如果一个方案同时存在多个改版，难以控制变量追溯是哪一种变动引起的留存率变化。
如果一个产品让用户在经历 Aha Moment 之前需要消化太多东西（如辗转多个页面、强制观看视频），用户就越容易过早跳出导致流失。
举个例子，很多内容向产品并不会一开始就要求用户登录，而是先让用户去发现自己感兴趣的内容，在阅读的过程中不经意产生Aha Moment，然后才让用户登录或者付费，这个时候用户为了能连贯阅读后续内容会心甘情愿的多。
一些新手引导，恨不得让新用户马上能够熟悉产品的所有功能，一下子全交代给用户，这就好比硬塞给小白用户一本复杂的产品说明书，效果可能适得其反。我们更应该引导用户去完成那些能够产生Aha Moment的行为，提高这些行为的优先级，尽早让产品触达用户的爽点。
到这一步还远没有大功告成，万一用户的Aha Moment随着时间变迁和产品迭代而转移了呢？我们该如何为用户创造更多的Aha Moment？想要产品可持续发展，就需要为产品提供源源不断的竞争力。
这种竞争力，来源于对用户的洞察。用户为什么在某些操作之后更愿意留下来？是因为内容，还是社交，还是满足了一些隐藏的需求？如何挖掘出用户更多的兴奋点？这需要我们对用户需求进行深入调研，分析用户决策心理，挖掘用户行为操作的根本动机以及留存的深层原因。
同时，为了满足不同目标群体的差异化需求，也可以制定用户画像，为不同用户群量身定制产品优化方案，使Aha Moment指标更加精细化、更行之有效。问卷调查、深度访谈等经典的用户研究方法在这一过程中都有用武之地，具体在此不再赘述。
Aha Moment就像在游戏里意外发现了埋设的彩蛋，玩家get到设计者的 “别有用心”之后会心一笑。往大了讲，就是满足用户更多潜在需求，让用户感知到产品的价值所在。而重中之重，就是把产品最核心的价值快速呈现给用户，让用户发现产品很酷、很满足、很有价值，让用户念念不忘，必有回响。
最后，祝大家早日创造和找到属于自己产品的Aha Moment。
参考文献：
The Ultimate Guide to Getting Your Users to Their Aha Moment
How to conduct Aha-moment (aka Magic moment) analysis without knowledge of statistics or data science!
This Is How You Find Your App’s Aha! Moment
分享者介绍 项宇，网易产品发展部用户研究员，在不断学习探究用户群体背后的微观动机和宏观行为。刺激战场一级长跑运动员，社会学专业背景，学过金融，研究过中国股市，后来成功被A股收割。
