目標：把“旅程圖”從靜態海報，變成 可度量、可實驗、可迭代 的增長操作系統。本文圍繞留存與轉化，提供從框架到落地的全鏈路做法，並以 泳池清潔機器人為案例展開。
一、留存與轉化的 UX 視角：先定指標，再看情緒
1.北極星與分解指標
- 北極星：穩定周留存（W1/W4）+ 任務成功率（FTSR：First Task Success Rate）。
- 關鍵分解
- 激活：首日完成安裝&配網&首清路徑設置
- 目標：TTV（Time-to-Value）≤ 10 分鐘；FTSR ≥ 90%
- 參與：每週至少 1 次自動清潔
- 目標：WAU/MAU ≥ 0.6
- 滿意：異常平均修復時長 MTTR ≤ 24h；CSAT ≥ 4.5/5
- 變現：耗材復購率、擴展包轉化率、推薦轉化率（Referral）
2.情緒曲線如何服務業務
- 情緒分值（E）：1–5 分
- 情緒缺口（EDI）：EDI = max(0, (4 - E) / 3)（0~1），E≤4 才有缺口
- 把 情緒缺口 與 漏斗掉落率 疊加，就能鎖定最“該優先修”的節點
二、把旅程圖變成“可操作”的數據結構
1.事件與觸點模型（示例）
| 階段 | 關鍵事件（event） | 核心屬性（props） | 觸點 |
|---|---|---|---|
| 安裝 | installation_complete | device_model, time_spent | App/藍牙 |
| 首次任務 | first_cleaning_success | mode, duration, area | App/設備 |
| 異常 | diagnostic_run, fault_detected | fault_type, severity | App/雲端 |
| 維護 | filter_replaced, battery_swap | part_type, hours_used | App/電郵 |
| 復購 | consumable_purchased | sku, price | 商城 |
| 推薦 | referral_sent, referral_converted | channel | App/社羣 |
2.節點“摩擦得分”（SFS）用於排序
- 定義：SFS = DropOffRate × EDI × VolumeWeight
- 解讀：掉落越高、情緒缺口越大、觸達人羣越多 → 越優先
三、識別流失節點與關鍵觸點：三步法
1.畫旅程：認知→考慮→購買→安裝→首次任務→常規使用→異常→忠誠
2.疊指標：每節點看轉化/時長/完成功能率；並採集情緒分
3.算 SFS 並排序：Top 3 即為本季度“必修課”
四、關鍵環節的深度打法
1.初次使用體驗（Onboarding）
- 目標：TTV ≤ 10 分鐘、FTSR ≥ 90%
- 施策
- 一鍵配網（斷點可恢復）
- “首次任務嚮導”：默認快速清潔模式，先給可見成果
- 語音/視頻並行引導，3 步內完成關鍵設置
- 度量：激活率、FTSR、首次任務時長 P50/P95、E（情緒）
2.異常處理（Self-heal → Assist）
- 目標：MTTA ≤ 30 分鐘、MTTR ≤ 24 小時
- 施策
- 本地自愈：卡滯→自動反向脱困；濾網阻塞→降速+提示
- 雲端診斷：一鍵上傳日誌，給出可執行步驟；失敗則直連人工
- 主動告警：電量、堵塞、傳感器異常 分級通知 + 一鍵預約上門
- 度量：異常觸發率、修復率、MTTR、CSAT、情緒回彈（E↑）
3.增值服務機會（在情緒高峯做轉化）
- 窗口：首次清潔成功後 1–2 小時、月度清潔里程碑
- 施策
- 升級包：深度清潔路線、牆面攀爬、夜間靜音
- 耗材訂閲：濾網/刷頭按使用時長自動寄送
- 推薦返利：分享帶來購買 → 雙方獲耗材券
- 度量：升級轉化率、訂閲續費率、Referral 轉化、客訴率（守護品牌）
五、優先級矩陣：緊急 × 影響（兼容 ICE/RICE）
| 議題 | 緊急度 | 影響力 | SFS（示例） | 説明 |
|---|---|---|---|---|
| 安裝/配網失敗 | 高 | 高 | 0.35 | DropOff 35%，E=2.5（EDI≈0.5），全量用户 |
| 首次任務失敗 | 高 | 高 | 0.22 | DropOff 22%，E=3.2（EDI≈0.27） |
| 異常未告警 | 中 | 高 | 0.18 | 影響留存與口碑 |
| 內容提醒缺失 | 中 | 中 | 0.12 | 影響周活躍 |
| 推薦流程複雜 | 低 | 中 | 0.06 | 影響裂變 |
結論：安裝/配網 → 首次任務 → 異常告警 是本季度前三優先。
六、案例：泳池清潔機器人（從旅程到增量）
1.基線（假設）
- 激活率 62%（安裝+配網成功）
- FTSR 68%（首次清潔完成）
- W4 留存 38%
- 異常 MTTR 52h，異常期間 CSAT 3.6/5
2.干預與試驗設計
- A/B 試驗 1：一鍵配網 + 斷點恢復
- 目標：激活率 +10pp → 72%
- 驗證：installation_complete / pairing_retry 下降、E 上升
- A/B 試驗 2：首次快速清潔模式
- 目標：FTSR +15pp → 83%；TTV -30%
- 驗證：first_cleaning_success & 首清時長 P50
- A/B 試驗 3：分級異常告警+自愈
- 目標：MTTR -50%；異常後的 7D 留存 +6pp
- 驗證：告警打開率、指導完成率、CSAT 回彈
預期整體：W4 留存從 38% → 50%+；負向口碑顯著減少。
七、給定旅程圖的三條留存優化策略
基於前文“泳池清潔機器人”旅程圖，以下策略覆蓋產品、運營、數據、驗收標準。
策略 1：“定期清掃提醒”智能化
- 洞察：多數流失來自“想用但忘了用”，尤其換季期
- 方案：
- 模型驅動頻率：結合天氣/落葉季/歷史使用週期推薦清掃計劃
- 多渠道提醒：App 推送 + 郵件 + 家庭共享日曆
- 一鍵執行：通知內可直接“開始本次清潔”，無需進 App
- 數據與驗收：
- 打開率 ≥ 35%，一鍵執行轉化 ≥ 18%
- 7D 活躍 +8pp，W4 留存 +5pp
- 負向反饋率 ≤ 1%（防騷擾閾值 & 頻次控制）
策略 2：“異常狀態主動通知”+ 自愈閉環
- 洞察：異常無感知 → 使用驟降 → 口碑下滑
- 方案：
- 分級告警：電量低（L1）、濾網堵塞（L2）、傳感器異常（L3）
- 自愈優先：L1/L2 給出 2 步修復；L3 一鍵預約上門
- 追蹤回執：問題解決後 24h 複測 + 1–5 情緒回訪
- 數據與驗收：
- 告警打開率 ≥ 60%，指導完成率 ≥ 70%
- MTTR 52h → ≤ 24h，關閉後 CSAT ≥ 4.5
- 異常後的 7D 留存提升 ≥ 6pp
策略 3：“首次任務成功保障”計劃
- 洞察：首場失敗，信任直接打折
- 方案：
- 首次默認“快速清潔”並跳過非關鍵設置
- 指導式路徑：圖文+語音標註 3 個關鍵點位（池壁/台階/水線）
- 結果可見：結束頁展示“清潔里程/覆蓋面積/節省時間”，強化成就
- 數據與驗收：
- FTSR 68% → ≥ 85%，TTV -30%
- 首清後 48h 次次清比例 ≥ 40%
- 首清滿意度（E）≥ 4.6
八、實驗與驗證：怎麼確保“真因果、真提升”？
- 設計：分層隨機（新用户/舊用户；地區/設備型號分層），避免樣本偏差
- 週期：至少 2 個使用週期（≥ 14 天）
- 顯著性：α=0.05，功效 ≥ 0.8；關注效應量而非只看 p 值
- 護欄指標：客服諮詢率、退貨率、NPS，不得因新策略明顯惡化
- 回放機制：異常導致的負向波動必須可回滾
九、運營與組織落地（讓策略跑起來）
- RACI
- R（負責）：產品 & 數據
- A（審批）：增長負責人
- C（協作）：售後、硬件、算法、客服
- I（知會）：市場、法務、財務
- 節奏：雙週迭代；每月旅程圖覆盤會；季度 SFS 重算與路線圖更新
- 可視化：單頁 Dashboard —— 顯示 FTSR、TTV、MTTR、情緒曲線、SFS Top3
十、附：度量樣例與查詢思路
1.目標-度量-閾值（示例）
| 指標 | 基線 | 目標 | 觸達 |
|---|---|---|---|
| 激活率（配網成功） | 62% | 72% | 新用户 100% |
| 首次任務成功率（FTSR） | 68% | ≥85% | 新用户 100% |
| MTTR | 52h | ≤24h | 異常用户 |
| W4 留存 | 38% | ≥50% | 全量 |
2.事件埋點（最小可用集合）
- installation_complete, first_cleaning_start/ success
- fault_detected, diagnostic_run, fault_resolved
- reminder_sent/ opened/ acted
- referral_sent/ converted
結語
- 用旅程圖找“節點”，用指標衡量“好壞”，用實驗驗證“改進”。
- 把情緒曲線與漏斗疊加，並用 SFS 排序，永遠優先解決 安裝/首清/異常 三大“留存閥門”。
- 當你能持續把 TTV、FTSR、MTTR 做到行業前列，留存與口碑自然一起抬升。
