夜雨聆风做AI产品到底该看哪些数据指标？很多产品经理从传统互联网转型做AI产品，第一个问题就是：以前看的DAU、留存率还管用吗？答案是管用，但远远不够。
AI产品有它的特殊性，成本结构完全不一样，用户体验的衡量维度也完全不一样。今天就来系统拆解10个必须掌握的数据指标。
1、DAU和MAU
DAU是日活跃用户数，MAU是月活跃用户数。这两个指标在任何产品里都是基础中的基础，但AI产品需要重新定义什么叫活跃。
传统产品里，用户打开App就算活跃。AI产品不能这么算。用户打开了，但没发起任何对话，没使用任何AI功能，只是逛了一圈就走了，这种活跃没有意义。AI产品的活跃必须绑定核心行为，比如发起了对话、生成了内容、调用了接口。
还有一个关键比值：DAU除以MAU。这个数字反映用户粘性。传统App这个比值超过20%就算健康。AI产品要看具体场景，工具型产品可能只有10%，因为用户不是每天都需要生成图片，但每次需要的时候一定会来。高频对话产品比如AI助手，这个比值应该在30%以上。
做AI产品一定要拆分活跃用户来源。自然流量来的用户和付费买来的用户，活跃度差异巨大。付费买来的用户如果第二天就不来了，说明获客渠道有问题，不是产品有问题。这个拆分不做，后面所有分析都会出错。
2、留存率
留存率衡量的是用户会不会回来继续用你的产品。核心看三个时间点：D1留存是次日留存，D7留存是7日留存，D30留存是30日留存。
AI产品的留存有个特殊现象叫首次体验决定论。用户第一次用AI产品，如果没解决问题，或者出现幻觉、胡说八道，基本就不会再来了。传统App用户可能会给第二次机会，AI产品不会。所以D1留存在AI产品里特别重要。
健康的AI产品留存标准是什么？D1留存超过40%算及格，D7留存超过20%算健康，D30留存超过10%就是好产品。但这只是平均水平，不同品类差异很大。AI搜索产品因为需求高频，留存应该更高。AI写作工具因为需求低频，留存低一些也正常。
留存分析要做功能穿透。用了某个功能的用户留存是多少，没用这个功能的用户留存是多少。如果发现用了图片生成功能的用户留存明显高于平均值，说明这个功能是留存抓手，应该在新手引导里重点推。这种分析在AI产品里特别有价值，因为AI产品功能通常很多，用户很容易迷失。
3、LTV
LTV是一个用户从注册到流失，在整个生命周期内贡献的总收入。计算公式很简单：每月平均收入乘以用户平均留存月数。
为什么AI产品特别关心LTV？因为AI产品的边际成本不是零。每次用户调用模型都要花钱，如果用户贡献的收入覆盖不了成本，用户越多亏得越多。传统互联网产品边际成本接近零，用户越多越好。AI产品不是这个逻辑。
LTV要分用户群体计算。订阅用户的LTV和按量付费用户的LTV差异巨大。订阅用户付了钱可能不怎么用，按量付费用户用多少付多少。表面上看订阅用户收入稳定，但如果订阅价格太低用户又用得多，可能是亏钱的。
还要做LTV预测。用户刚注册的时候就要预估他的LTV。怎么预估？看他的行为特征。用了哪些功能、对话轮数多少、首次付费金额多少，这些特征可以训练一个预测模型。高LTV用户要重点运营，低LTV用户要想办法提升或者降低服务成本。
4、CAC
CAC是获取一个新用户花了多少钱。计算方式是总营销费用除以新增用户数。这个指标所有产品都要看，但AI产品有特殊的坑。
第一个坑是把注册用户当获取用户。用户注册了但从来没发起过AI调用，这个用户获取成本应该算无穷大因为他没创造任何价值。正确的做法是把获取用户定义为完成首次核心行为的用户。
第二个坑是不区分渠道。不同渠道的CAC差异可能有十倍。某个渠道CAC很低但用户质量很差，留存很低LTV很低。另一个渠道CAC高但用户质量好。只看CAC不看后续数据会做出错误决策。
健康的指标是LTV除以CAC大于3。意思是一个用户贡献的收入是获取成本的3倍以上。低于这个比值说明获客效率有问题。AI产品因为有运营成本，这个比值更重要。有些AI产品LTV除以CAC只有1.5，看起来还有利润，但扣掉模型调用成本和运营成本就是亏的。
5、ARPU和ARPPU
ARPU是每用户平均收入，计算方式是总收入除以总用户数，包含免费用户。ARPPU是每付费用户平均收入，计算方式是总收入除以付费用户数。
这两个指标的关系很有意思。ARPPU乘以付费率就等于ARPU。所以提升ARPU有两条路：提高ARPPU让付费用户花更多钱，或者提高付费率让更多用户付费。
AI产品特别要关注复购率。用户买了一次Token包，会不会买第二次？订阅用户下个月会不会续费？复购率直接影响LTV。AI产品的复购率和产品粘性高度相关。如果用户发现这个AI工具真的能解决问题，复购是自然的事。如果用户发现普通问题它能答，稍微难一点就不行，就不会复购。
定价策略对ARPPU影响很大。定价太低，ARPPU上不去，利润微薄。定价太高，付费率上不去，用户流失严重。AI产品普遍存在的问题是定价太低。很多产品经理怕用户觉得贵不敢定价，结果变成用户越多亏得越多。
6、Token消耗和API调用量
这是AI产品特有的指标，传统产品没有。每次用户发起AI请求都会消耗Token，Token就是成本。
理解Token消耗需要知道两个概念：输入Token和输出Token。用户发的问题是输入Token，AI的回答是输出Token。大多数模型输出Token比输入Token贵，有的贵两倍有的贵三倍。所以如果AI老是生成长回答，成本会急剧上升。
要做Token成本归因。这个用户今天花了多少Token成本，他贡献了多少收入，利润率是多少。有些高频用户可能成本比收入还高，是亏钱的。这种用户要考虑限流或者提价。
还有一个优化方向是Prompt压缩。系统Prompt太长会消耗大量输入Token。每次对话都带几千Token的系统Prompt，成本就上去了。通过Prompt工程把系统Prompt压缩到最短，同时保持效果，是AI产品经理必须掌握的技能。
模型降级策略也很重要。不是所有请求都需要最好的模型。简单问题用便宜模型，复杂问题用贵模型。怎么判断问题复杂度？可以先用便宜模型试答，如果置信度低再调用贵模型。这套策略做好了能省50%以上的成本。
7、响应延迟
响应延迟是用户发出请求到看到结果的时间。AI产品的延迟直接影响用户体验，延迟太长用户就走了。
延迟要分段看。队列等待时间是请求在服务器排队等处理的时间，在高峰期可能很长。模型推理时间是模型实际处理请求的时间，和模型大小、输入输出长度有关。网络传输时间是结果从服务器传到用户端的时间。三段都要分别监控。
用户体验阈值是多少？首Token延迟要控制在1秒以内。首Token就是AI开始输出第一个字的时间。用户发完问题1秒内看到AI开始回答，体验就是好的。超过3秒用户就开始焦虑。完整响应时间控制在5秒以内。当然流式输出可以缓解这个问题，用户看到AI一个字一个字往外蹦，心理上觉得没那么慢。
延迟优化是AI产品技术团队的核心工作。常见手段包括模型量化减小模型体积、增加推理服务器数量、使用CDN缓存高频响应、预热常见问题的回答。产品经理需要理解这些手段，才能和技术团队有效沟通。
8、任务完成率
任务完成率是用户意图被正确理解并成功完成的比例。这个指标直接衡量AI到底行不行。
怎么定义任务完成？不同产品定义不一样。AI客服的完成是用户问题被解决不需要转人工。AI写作的完成是用户采纳了生成的内容。AI编程助手的完成是生成的代码能跑通。
衡量方式有显式和隐式两种。显式是用户点了赞或踩，这是最直接的信号。但大部分用户不会主动反馈，所以要结合隐式信号。用户有没有重新提问是一个重要信号，如果AI答完用户马上换个说法再问一遍，说明第一次没答好。对话轮数也是信号，理想情况是一轮就解决问题，轮数越多说明理解能力越差。
任务完成率要按场景拆分。同一个产品在不同场景下完成率差异很大。AI在闲聊场景完成率可能90%，在专业问题上完成率可能只有60%。这种拆分能发现产品短板在哪里，指导后续优化方向。、
9、人工干预率
人工干预率是AI处理不了需要人工介入的比例。在AI客服场景这个指标叫转人工率，在AI审核场景叫人工复核率。
健康的人工干预率是多少？智能客服场景控制在15%以下算合格。意思是100个用户问题，85个AI能独立解决，15个需要转人工。复杂业务场景比如金融、医疗，人工干预率可以放宽到30%，因为这些场景出错成本太高。
降低人工干预率是AI产品持续优化的核心目标。每次人工干预都是一次学习机会。用户问了什么AI答不上来？为什么答不上来？是知识库没覆盖还是理解能力不够？把这些case收集起来，定期做Fine-tune或者更新知识库，人工干预率就会持续下降。
但人工干预率太低也不一定好。如果AI什么都不转人工，可能是阈值设得太高了，本该转人工的case被AI硬答了，答得不好用户体验反而差。要结合用户满意度一起看。
10、NPS和CSAT
NPS是净推荐值，问用户会不会推荐这个产品给别人，打0到10分。9-10分是推荐者，7-8分是中立者，0-6分是贬损者。推荐者比例减贬损者比例就是NPS，范围是-100到100。
CSAT是满意度评分，问用户对本次服务是否满意，通常是1-5分。
AI产品NPS超过30算优秀。为什么用NPS不只看CSAT？因为NPS反映的是用户会不会帮你传播。AI产品获客成本高，如果用户愿意主动推荐，获客成本会大幅下降。
采集时机很重要。任务完成后24小时内采集效果最好。隔太久用户忘了当时的感受，评分不准确。也不能太频繁采集，用户会烦。通常做法是随机抽样，每个用户一个月最多被问一次。
满意度数据要和其他指标交叉分析。高满意度用户的留存是多少、LTV是多少、复购率是多少。这种分析能验证满意度和商业指标的相关性，证明花力气提升满意度是值得的。
不同阶段看的指标不一样。产品刚上线的MVP期，核心看任务完成率和用户满意度。AI能不能解决问题是最重要的，其他都是后话。如果AI根本不行，看再多增长指标也没意义。
进入增长期，核心看留存率和CAC。产品能力验证了，开始拉新。获客成本能不能控制住，用户来了会不会留下来，这两个指标决定能不能规模化。
进入商业化期，核心看LTV和Token成本。开始赚钱了，要算清楚每个用户能赚多少、成本是多少、利润率是多少。很多AI产品死在这一步，收入看着不错但成本更高。
规模化期，核心看响应延迟和人工干预率。用户量上来了，系统扛不扛得住，边际成本能不能降下来，这些决定能不能继续扩张。
说到底，数据指标是帮你做决策的工具。不是为了看数据而看数据，而是通过数据发现问题、验证假设、指导优化。AI产品经理要养成用数据说话的习惯，每次做决策都要问自己：这个决策会影响哪些指标？我怎么衡量效果？
，
..........
