文档搜索⌘``K入门数据分析 Amplitude AI 会话回放指南与调查实验管理开发者 SDK API 合作伙伴常见问题分析 / 图表 / Compass / 使用 Compass 寻找公司的拐点指标

使用 Compass 寻找公司的拐点指标

本文将帮助您：

使用 Compass 图表识别用户旅程中对驱动增长至关重要的时刻

Compass 是一个强大的功能，可以帮助您识别预测留存或转化的行为。它识别拐点指标，即捕捉用户达到产品中关键阈值的时刻——这对驱动用户增长至关重要。例如，Facebook 早期发现，在前十天添加七个朋友是长期留存的最强信号。最近，Netflix 发布了一项分析，确切说明每部电视剧需要多少集才能让观众上瘾。在继续之前，Amplitude 建议您先阅读关于 Compass 的帮助中心文档。本文的其余部分假设您对分析的工作原理有一般的了解。为了便于阅读，Amplitude 保留新用户/留存用例，但您可以将新用户替换为任何基础群组，并将留存用户替换为任何目标群组。要找到拐点指标，您首先需要决定目标群组。通常，拐点指标集中在鼓励新用户成为留存用户的过程中。在本文使用的示例中，基础群组是新用户，目标群组包含留存用户。 基础群组是您正在分析的初始用户集（例如，新用户或登录用户）。目标群组是已成功完成目标操作的用户集（例如，留存、转化）。这是一个常见用例，也是 Compass 图表的默认设置。但是，您可以轻松编辑图表，以便反映您的特定分析需求。在寻找拐点指标时，请记住它不是绝对的。这并不意味着用户在该特定点转化；相反，它建议您希望组织（例如，产品和营销团队）鼓励用户采取的行为类型。

开始使用 Compass

开始使用 Compass 的最佳方式是通过询问自己哪些事件可能是留存的良好预测指标。一旦选择了要分析的事件，您应该开始思考可能揭示用户行为有趣之处的相关性。

阈值以上比例

阈值以上比例告诉您有多少新用户实际在他们的前 N 天内触发了该事件。这很重要，因为必须有足够大的用户样本达到阈值，Compass 才能理解它与留存的相关性。改变比例的一种方法是增加窗口中的表现天数（Amplitude 允许一到七天）。更多的表现天数给用户更多时间达到阈值，从而增加比例。如果您正在调查事件属性，请考虑查看完整事件，因为这可能具有足够高的阈值以上比例。没有完美的阈值以上比例。太低，您不太可能让新用户执行该事件那么多次；太高，您就没有任何改进的空间。在某些极端情况下，低阈值以上比例仍可能导致高相关性。例如，如果一个网络应用程序流量很大，但强制所有新用户登录。这个指标很重要，因为它考虑了寻找拐点指标的平衡。回到 Facebook 的例子，让新用户添加一个朋友并不是拐点指标的一个好选择，因为大多数用户都会这样做。然而，让新用户添加 100 个朋友，虽然与留存高度相关，但这很难，因为实际上只有极低比例的用户达到该水平。

真阳性比率：PPV 和敏感度

如果您有合理的阈值以上比例，请查看达到事件频率与留存之间的相关性。通过查看阳性预测值 (PPV) 和敏感度来做到这一点。 PPV 查看达到事件频率并留存的用户（称为真阳性）与所有达到事件频率的用户（真阳性 + 假阳性）的比率。敏感度查看留存并达到事件频率的用户（真阳性）与所有留存用户（真阳性 + 假阴性）的比率。您希望两者都高。有关真阳性、假阳性和列联表中其他值的更多信息，请参阅维基百科上的混淆矩阵

事件频率	留存	未留存
≥ n 次	真阳性	假阳性
< n 次	假阴性	真阴性

示例 1：高 PPV，低敏感度

例如，假设 PPV很高但敏感度很低。这意味着此事件是留存的预测指标，通过很少有新用户达到阈值。因此，它是实验的一个有前途的候选者，看看您是否可以鼓励更多用户触发它。这也意味着可能还有另一个您尚未查看的拐点指标；因为未达到此频率的人仍被留存，所以其他东西可能与留存相关。

事件频率	留存	未留存
≥ 5 次	10	1
< 5 次	100	10

示例 2：低 PPV，高敏感度

在这个例子中，事件频率捕捉了大量留存用户，但产品的总留存可能很低。这不是拐点指标的好候选者，因为要么产品的留存率低，要么达到事件频率的高百分比用户没有留存。

事件频率	留存	未留存
≥ 5 次	10	100
< 5 次	1	10

真阴性比率：NPV 和特异性

虽然拐点时刻应该是一个积极的预测指标，但也希望确保当用户未能达到阈值时，它是留存的消极预测指标——换句话说，流失。Amplitude 通过阴性预测值 (NPV) 和特异性捕捉这一点。 NPV 查看既未达到事件频率也未留存的用户（真阴性）与所有未达到事件频率的用户（真阴性 + 假阴性）的比率。特异性查看既未达到事件频率也未留存的用户（真阴性）与所有未留存用户（真阴性 + 假阳性）的比率。如上例所示，您希望最大化这两个值。

提示

然而，存在一种边缘情况，即高 NPV 和高特异性可能导致不适合用作拐点指标的强相关性。当极高比例的用户落入真阴性桶，且阈值以上比例极低时，就会发生这种情况——例如，一个很少有人登录的网站，但登录会阻止所有其他事件发生。在这种情况下，大多数事件与留存不仅有很高的相关性，因为大多数用户不触发任何事件。为了防止这种情况，请更改基础群组以更好地反映实际用户（例如，登录的用户）。

示例 3：高 NPV，低特异性

在这个例子中，可能发生了两件事之一。要么 PPV 也低（如示例 2），要么阈值以上比例过高，无法通过鼓励此行动来阻止任何改进。这都不是好的拐点指标。

事件频率	留存	未留存
≥ 5 次	1000	100
< 5 次	1	10

示例 4：低 NPV，高特异性

在这里，要么敏感度也低（如示例 1），要么留存率太高，没有太多用户可以转化——这是一个好问题。

事件频率	留存	未留存
≥ 5 次	1000	1
< 5 次	100	10
正如您现在可能已经猜到的那样，Compass 分析试图发现使列联表的左上角（真阳性）和右下角（真阴性）象限最大化的事件频率（或者，如果您熟悉统计学，最小化第一类和第二类错误）。
这些拐点指标往往平衡所有五个详细的统计数据来实现这一点，根据产品类型，良好的相关性范围在 0.2-0.4 之间，具体取决于事件的表现天数 (1-7)。
检查样本量是否足以为得出结论也很重要。这没有神奇数字，因为它取决于您的总用户量，但您可以通过点击相关性旁边的蓝色 +- 数字（95% 置信区间）来查看样本量的影响。更改日期范围以增加样本量：您可以使用长达 90 天的数据。
了解 Compass 从您的数据中暴露相关性——您现在可以通过更改产品和/或生命周期营销来测试假设。证明因果关系的唯一方法是运行 A/B 或拆分测试来隔离这些更改。详细阅读关于如何在 Amplitude 上分析 A/B 测试结果。

使用 Compass 寻找公司的拐点指标 ​

开始使用 Compass ​

阈值以上比例 ​

真阳性比率：PPV 和敏感度 ​

示例 1：高 PPV，低敏感度 ​

示例 2：低 PPV，高敏感度 ​

真阴性比率：NPV 和特异性 ​

提示 ​

示例 3：高 NPV，低特异性 ​

示例 4：低 NPV，高特异性 ​

AIHub 产品文档