一位做增长的朋友跟我说过一句话：做产品最难受的时刻，不是没量，而是“不知道为什么不涨了”。数据上周还在涨，这周突然停下来，团队已经开始做实验，但每个人对原因的判断都不一样。你问产品，他说是新用户引导的问题；你问运营，他说是渠道质量下降了；你问老板，他说是竞品在搞事。争论一天，毫无结论，增长停滞的恐慌却在蔓延。
如果你也是产品经理、增长负责人、独立开发者，或者任何一个需要为增长负责的人，我强烈建议你听一听 Lenny‘s Podcast 上关于增长停滞诊断的那几期节目。Lenny 本人做过多年增长，访谈过大量一线操盘手，他反复提到一个观点：产品突然不增长，绝大多数时候不是“没努力”，而是“没诊断”。问题没有定位清楚，所有努力都是散弹打鸟。
所以这篇文章我想把这套在节目和业界多次被验证的5步诊断框架完整展开，揉进我自己的实操经验。它不能帮你一步登天，但能帮你在几天之内找到“病根”，而不是继续在会议室里拍桌子。
1. 先别急着做实验，先把“病”定义清楚
1.1 增长停滞不是一种病，而是多种病共用的“症状”
很多团队一听到“不增长了”，第一反应就是“我们要做一个增长实验”。这个反应本身就很危险。增长停滞不是一个“病”，它是一个“症状”，背后可能是获客问题、激活问题、留存问题、变现问题，甚至是产品体验问题，病因完全不同，药方也不同。
我通常会把增长停滞拆成三种典型症状：
| 症状 | 典型表现 | 最容易藏病根的位置 |
|---|---|---|
| 新增下滑 | 新用户注册数、下载量、访问量持续走低 | 渠道投放、ASO、内容营销、自然流量入口 |
| 激活下滑 | 新增没跌，但注册到关键行为的转化率掉了 | 新手引导、落地页、注册流程、首屏体验 |
| 留存下滑 | 新增和激活都正常，但用户留不下来 | 产品价值、核心体验、内容/供给质量、竞品分流 |
举个例子。我之前接触过一个内容社区产品，日活突然停止了增长。团队一开始都在讨论“要不要做个签到功能”来刺激日活。我把数据拉出来一看，新增完全没跌，但新用户次日留存从35%掉到了18%。签到功能根本解决不了问题——病根在新用户激活，不在老用户活跃。这个例子很典型：症状一样，病因完全不同，如果不对“病”做定义，后续所有工作都会跑偏。
1.2 先找到“是哪一天开始坏的”
定义症状之后，最关键的下一步是把时间点找出来。我见过太多团队讨论了半天原因，却没人愿意先看一眼数据到底是从哪天开始变的。
具体操作不复杂：
- 把核心指标（新增、激活、次日/7日/30日留存、周活跃）过去3到6个月的趋势图全部拉出来；
- 在同一张时间轴上，标注所有可能影响增长的事件：版本发布、功能上线、运营活动、渠道调整、技术变更；
- 找到一个尽可能精确的“下跌起点”，精确到天。
这里有个判断标准值得记下来：核心指标周环比下跌超过5%，或者连续两周不再增长，才值得启动一次完整诊断。如果只是日常波动，不需要大惊小怪。很多团队对“今天比昨天少了100个用户”过度反应，反而会制造噪音。
还要提醒一点：确保这段时间内的数据口径没有变化。埋点升级、统计口径调整、渠道归因规则变化，都可能造成“假下跌”。我有一个朋友曾经花了整整一周排查增长问题，最后发现是数据平台把“注册用户”的定义从“手机号验证成功”改成了“完成个人资料填写”，那个星期谁做诊断都做不出真结果。
1.3 数据基建没到位时的“备降方案”
也许你会说，我这边没有完善的数据后台，也没有埋点体系，那我是不是没法诊断？不是。数据基建不完善，不代表不能诊断，只是需要更聪明的“备降方案”。
至少你可以做的事情有：
- 抽出最核心的3到5个指标（比如日活、新用户次日留存、核心功能使用率），单独做一个简单的 Excel 或看板；
- 把过去3个月的所有发版记录、活动记录手工整理成一张事件表；
- 如果连埋点都缺，就从支付记录、客服工单、应用商店评论里寻找信号。
不要因为数据不完美就放弃诊断，关键不是“完美归因”，而是“先知道哪个环节坏了”。有一个粗略的方向，比在黑暗里乱撞强一百倍。
2. 内部变量 vs 外部变量：先分清是“自己坏了”还是“天变了”
2.1 给关键事件做一张时间轴
定位到下跌起点之后，第二个动作是把“内部变量”和“外部变量”分开。我习惯的做法是：把所有内部事件做成一张时间轴，先看自己的变化能不能对上下跌的时间点。
内部事件包括很多项，很容易漏，我列个清单你对照着查：
- 产品发版、功能上线、页面改版；
- 推荐算法、排序策略调整；
- 定价、套餐、付费墙变化；
- 渠道投放策略、素材更换、落地页修改；
- 技术架构迁移、接口重构；
- 客服策略、审核策略变化。
为什么强调要做成时间轴？因为人的记忆是极不靠谱的。经常出现的情况是：团队开了半天会，没人记得“上线过什么”，然后我打开代码提交记录，发现下跌前三天刚好灰度了一个新版新手引导。所以请务必去还原事件，而不是凭印象讨论。
我还建议一个判断技巧：如果某个内部事件的发生时间，和下跌起点相差超过两周，那它大概率不是直接原因。但这不代表它没有关系，只是说因果关系链条更远，需要额外证据来连接。
2.2 外部环境排查清单
如果内部事件对不上，或者对上了但解释不了全部下跌，就该看外部变量了。很多产品人容易陷入“过度自责”：数据跌了就觉得是自己的问题，忽视了外部环境的变化。
外部排查清单我至少有这四类：
- 季节性与节假日：教育类产品寒暑假的波动、电商大促前后的回落，都是自然规律；
- 行业水位：竞品是否也在跌，整个赛道是不是进入瓶颈期，可以通过行业报告、上市公司财报、同行交流去验证；
- 渠道规则变化：买量成本上升、应用商店算法调整、平台政策变化，都可能直接砍掉一大块新增；
- 竞品异动：对手发版、大规模投放、推出免费替代品，都会抢走你的用户注意力。
这里有一个实操习惯值得养成：每周维护一份“外部变量周报”，把看到的行业动态、竞品动作、渠道变化随手记进去。平时看着没用的记录，等到增长停滞需要诊断时，就是最宝贵的线索。我见过好几个增长团队，都是靠这份“随手记”在半天内就排除了外部因素，节省了大量时间。
2.3 一个经常被忽略的“组织变量”
内部和外部之外，还有一类变量很容易被忽略：组织变量。它不在数据看板上，但直接影响用户体感。
比如：客服团队换人了、响应速度变慢；运营活动的奖励政策变了；绩效目标调整导致团队不再关注某个体验指标。这些变化会在1到2周之后，悄无声息地反映到留存数据上。
我有一次帮一个电商类产品做诊断，数据跌得莫名其妙，新增没变、激活没变、老用户活跃也正常，唯独复购率持续走低。排查到最后发现，是售后团队因为换负责人，平均响应时间翻了一倍。用户收到货有问题，找不到人解决，就不再来第二次了。这个变量不在任何增长看板里，但它才是真正的病根。
所以诊断到这一步，一定要拉上客服、运营、销售的同学一起聊一遍。增长的锅，从来不只属于增长团队，病根往往藏在你不常看的那块业务里。
3. 分群下探：找到“病根”藏在哪种用户里
3.1 队列分析：新用户流失还是老用户流失
外部变量和内部变量排查完，你已经知道“什么时候坏的”，接下来要知道“坏在哪群人里”。这时候最有效的工具是队列分析（Cohort Analysis）。
按周或者按月的维度，拉出新用户队列的次日留存、7日留存、30日留存。观察的重点是：坏掉的是“新用户”还是“老用户”。
这两类人群病了，病根是完全不同的：
| 人群 | 常见病根方向 |
|---|---|
| 新用户 | 获客质量下降、激活路径受阻、新用户体验坏掉了 |
| 老用户 | 产品价值下滑、内容/供给质量下降、核心体验恶化、被竞品分流 |
我自己的经验是：很多增长停滞都发生在“新用户队列”上。比如某个工具类产品，老用户的留存曲线一直很稳定，说明产品价值没有垮，但近4周新拉来的用户，7日留存一路走低。问题基本就锁定在获客端或激活端：要么渠道买来的用户不精准，要么新手引导没有把核心价值传达到位。
3.2 按渠道、平台、版本、地区拆解
锁定了新老用户之后，还要继续往下拆。不要急着下结论，至少要做几个常见的二维交叉：
- 渠道 × 新老用户：是不是某个渠道带来的用户质量明显变差？素材、落地页、投放人群是否需要更新？
- 平台 × 新老用户：iOS、Android、Web 是同步下跌还是单端下跌？单端下跌可能是个版本兼容问题或特定平台体验问题；
- 版本 × 用户行为：是升级到新版本之后才开始流失的吗？灰度发布事故最常见的数据信号就是某版本段留存断崖。
- 地区 × 渠道：是不是某个地区的网络、政策、文化习惯导致特定用户群受影响？
这里要给一个非常实用的建议：先做二维，不要一上来就多维建模。你把“渠道×新老用户”交叉一下，通常就会看到明显的异常组了。等锁定异常组，再往下单独深挖它的次级维度。上来就搞复杂模型，容易陷进数据处理里出不来。
3.3 高价值用户优先诊断原则
还有一个原则我要单独拿出来说：优先看高价值用户。不管你的产品是付费制、广告制还是订阅制，高价值用户的异动都值得最高优先级处理。
实际操作中，我习惯先把用户按价值分成几层：核心付费用户、活跃使用者、偶尔使用的用户、注册后流失的用户。然后单独看核心付费用户和活跃使用者的留存与行为曲线。为什么？因为高价值用户往往最懂你的产品，他们的流失通常是产品价值层面出了大问题，而不是某个渠道的小波动。
举个例子。SaaS 产品如果发现付费用户的续费率在下降，哪怕整体活跃还在涨，也要立刻警惕。这说明产品给核心用户创造的价值正在被稀释，或者有更强的替代品出现了。这个时候如果不尽早干预，后续挽回成本会非常高。
需要提醒的是：高价值用户总体量通常不大，数据波动会很明显。不要纠结于统计显著性，只要出现一致性的趋势信号，就应该启动下一步定性调研。
4. 打开黑盒：从激活、留存到关键行为的行为诊断
4.1 激活率是最常见的病灶所在
如果你从分群结果中发现“新增没跌，但新用户留存变差”，那请直接把目光放到激活率上。激活率是增长停滞最常出现的“病灶”之一，而且它常常被团队忽略，因为它藏在注册和留存之间，不上不下，最容易蒙混过关。
先把“激活瞬间”定义出来。每一类产品都有自己的 Aha Moment，或者叫“激活事件”：
- 社交产品：用户关注第一个人，并且收到了内容回流的瞬间；
- 工具产品：用户完成第一次导入、创建第一个项目、导出第一份成果；
- 交易平台：用户完成第一次搜索选择、第一次支付；
- 内容产品：用户看到第一条符合自己兴趣的内容。
定义好激活事件后，去拆漏斗：注册、首次动作、激活事件之间的每一步转化率，再看每步的平均耗时。大概率能发现某个步骤的转化率或者耗时出现了明显恶化。
我处理过的一个案例特别有代表性：某社交类App新增没跌，但新用户次日留存突然掉了近一半。拆完漏斗发现，流失发生在“手机验证”这一步，三分之一的用户卡在验证页面超过5分钟。再往下查，是短信服务商在几天前悄悄调整了通道，验证短信的到达率大幅下降。这个病根，藏在没有任何人关注的第三方服务里。
4.2 留存曲线的形态会告诉你答案
激活率是针对新用户的，那么老用户呢？这个时候要去看留存曲线的形态。
留存曲线通常有三种形态，对应三类不同的问题：
| 留存曲线形态 | 可能的病根 |
|---|---|
| 快速衰减但后段平稳 | 激活问题或者获客质量问题，早期体验没建立好 |
| 逐月缓慢走低 | 产品价值被稀释、供给质量下降、使用场景减少 |
| 突然断崖式下跌 | 重大体验事故、强制改版失败、竞品重大冲击 |
看曲线的时候，不要只看一个月的图，至少拉3个月以上的留存叠图。如果曲线整体在逐步走低，说明不是某一次事故，而是产品端长期的供给能力或体验在退化。如果曲线突然在某一天出现断崖，就沿着那天的时间轴，大概率能找到一个对应的事件。
留存曲线是最诚实的“身体报告”，它会直接告诉你，问题是急性的还是慢性的，是需要开刀还是需要调理。
4.3 定性调研：让用户告诉你“为什么”
数据能告诉你“什么变了”，但不能告诉你“为什么变了”。要回答“为什么”，必须回到用户那里去。
我之前见过不少团队，花了两周时间把数据拆了一百层，最后对“用户为什么不留下了”的答案还是靠猜。正确做法是在数据锁定人群后，立刻启动小规模定性调研：
- 从流失用户清单里，挑20到30个典型用户，做一对一访谈；
- 带上你在数据里发现的异常点，用开放性问题引出用户真实的心理过程；
- 把客服工单、退订问卷、应用商店差评也汇总起来，做一次关键词提取。
不要一上来就问“你对我们的产品有什么建议”，建议通常是廉价且误导的。要问“上次使用产品时，你在做什么？当时为什么停下来？”从使用场景和情绪轨迹里找答案。
一个小经验：做流失用户访谈，不必追求用户数量多。20-30个用户的反馈足以支撑一个假说体系，再多就是边际收益递减。但选人的时候要有代表性：轻度和重度流失用户都要有，不同渠道的用户也都要有，避免被某一类极端用户带偏。
4.4 快、准、狠的“最小诊断实验”
如果定量和定性都做完了，还是无法确定病根，怎么办？这时候可以动用一种“以实验代诊断”的手段，我把它叫做最小诊断实验。
原理不复杂：既然不能从数据上直接定位，那就用几个低成本、可逆的小实验来排除假说。
举个例子。假设你怀疑新手引导有个摩擦点，可以在每日新用户中随机抽样1%，给他们一套简化版引导，观察7日留存是否回升。如果回升了，说明你的怀疑是对的，后续再扩大范围优化。如果没变化，就换下一个假说。
最小诊断实验有三个原则：范围要小、周期要短、可逆性要强。千万不要为了验证一个假说，做一个大版本全量改版。那就不是诊断了，那是赌博。
5. 开出药方：按“影响×可行性”排优先级，并用实验逐步恢复
5.1 把病根翻译成“可以落地的实验抓手”
诊断做得再漂亮，最后还是要落回“怎么做”。很多团队在诊断阶段做得很好，但到了制定方案时又乱了。原因很简单：不知道该怎么把病根翻译成“实验抓手”。
这一步实际上是把一个宏观问题拆成一个个可以测试的具体改动。我常用的做法是：针对每一个病根，至少写出两到三个候选抓手，然后给它们打分排序。
| 病根 | 可落地的抓手 | 影响范围 | 实现成本 | 优先级 |
|---|---|---|---|---|
| 新用户激活率低 | 简化注册流程，去掉手机验证 | 所有新用户 | 中 | 高（如果验证是真实摩擦点） |
| 新用户激活率低 | 优化空状态，首屏直接展示价值 | 所有新用户 | 低 | 高 |
| 老用户留存下跌 | 恢复核心内容供给，召回创作者 | 老用户 | 中 | 高 |
| 老用户留存下跌 | 提升推送精准度，减少打扰 | 高活跃用户 | 低 | 中 |
打分维度我习惯用三个：影响范围、实现成本、把握程度。每项按1-5分，然后把分数乘起来，优先级自然就出来了。不用搞得很复杂，目的是让团队对齐一件事：先做什么，后做什么，为什么。
这里有个经验之谈：不要同时上线一堆实验，然后指望能搞清楚是哪一个起效。宁可几周内只跑两三个实验，也要保证每个实验可以被单独归因。
5.2 设置护栏指标，避免拆东墙补西墙
恢复增长的过程中，最怕的事情是拆东墙补西墙。为了防止这种情况，我在制定实验计划时一定会同时确定“护栏指标”。
什么叫护栏指标？就是你无论如何优化主指标，都不能让它恶化的那几个底线指标。具体因产品而异：
| 主指标 | 可能的护栏指标 |
|---|---|
| 次日留存 | 7日留存、卸载率、投诉率 |
| 激活率 | 新手引导完成率、注册后首次使用时长 |
| 付费转化 | 退款率、客服压力、差评率 |
| 日活 | 使用时长、人均会话数、内容消费深度 |
被塞进一个负面案例：某产品为了提升新用户激活率，把新手引导改成了“强制关注20个账号”，次日留存确实上来了，但7日留存暴跌。因为用户账号里的内容全部是同质化的垃圾信息，根本没有持续使用的动力。主指标好了，护栏指标崩了。如果早一点把7日留存设为护栏，就不会走这条弯路。
5.3 诊断恢复后的复盘与常态化
增长恢复之后，工作并没有结束。但很多团队会在这一刻立刻转向下一个“增长机会”，把这次诊断的教训忘得一干二净。这是非常可惜的。
我个人的习惯是，每次诊断结束都写一张“一页纸复盘”：
- 什么时候发现增长停滞；
- 下跌起点和可疑事件是什么；
- 锁定的人群和病根是什么；
- 做了哪些实验，哪些有效，哪些无效；
- 下次如果遇到类似信号，第一步应该看什么。
另外，强烈建议建立一个增长健康度周报：每周花15分钟过一遍核心指标，以及一个“事件变更日志”，把每次发版、策略调整、渠道变化都随手记录进去。以后再做诊断，你不需要再次从代码提交记录里去“考古”事件，直接查日志就行。
这组习惯看起来简单，但长期价值极大。我自己在复盘中反复感受到：增长诊断不是一次性的救火，而是一种可以越练越快的肌肉记忆。
6. 避坑清单与我的实操心得
6.1 诊断中最常见的6个坑
最后把我在多次诊断中踩过的坑集中梳理一下。这些坑几乎每个团队都会踩，看到就是赚到。
| 坑 | 常见表现 | 正确做法 |
|---|---|---|
| 一上来就套增长方法论 | PMF、AARRR、魔法数字背得熟，不先看数据就开会 | 先确认症状、下跌起点、影响人群 |
| 只看大盘不看分群 | “日活跌了”，然后开始泛泛讨论原因 | 至少按新老用户、渠道、平台做二维交叉 |
| 不做事件时间轴 | 全凭记忆讨论“上线过什么” | 用代码记录、日志、文档还原真实时间线 |
| 混淆激活和留存 | 新用户问题被当成老用户问题讨论 | 严格分队列，新人问题看激活，老人问题看价值 |
| 没有护栏指标 | 主指标修复了，体验指标崩了 | 每次实验前明确护栏指标和预警线 |
| 定性调研被带偏 | 只听用户的“建议”，没听用户“当时的场景” | 问场景、问情绪、问流失前瞬间发生了什么 |
6.2 这套框架最适合的团队状态
说句实在话，这套5步诊断框架不是所有团队都适用。它更适合已经从0到1验证了产品价值、正处于成长期和成熟期的产品。如果产品还在早期找PMF阶段，用户量本来就小，数据波动大，你更需要的是跟用户深聊、快速迭代产品，而不是做一套复杂的诊断体系。
同时，团队至少需要有基本的量化意识：愿意埋点、愿意看数据、愿意被数据推翻自己的猜测。如果团队内部“拍脑袋文化”太重，这套框架推行起来会很吃力。但换个角度想，也恰恰是这样的团队，最需要有人先把数据意识带进来。
最后分享一个我自己的小技巧：把每次诊断的时间轴、分群结果、最终结论存成一页文档。半年后再遇到增长停滞，你翻出来一看，很多模式其实在重复。产品不同，用户不同，但诊断的思路和病根的套路就那么多。积累几份诊断档案之后，你再看新的问题，会快很多，也稳很多。这套框架我用下来最大的体会就是：增长停滞时最怕的不是不知道答案，而是所有人都在凭感觉抢方向盘。按部就班地诊断，看起来慢，其实才是最快的路。
