围绕真实 APP 问题，持续学习 AI Growth、AI Product Analysis 与 AI Customer Experience。每一期都从一个判断出发，走到可以实践的小动作。
今日判断北极星指标不是“全公司只看一个数字”，而是用一个最接近用户已获得价值的结果，约束系统不要把下载、点击、会话量当增长。真正可执行的是“北极星结果 + 3–5 个输入指标 + 护栏 + 因果证据”。对 Momcozy APP，比 DAU（日活跃用户数）更值得先验证的，可能是“合格用户在合理周期内安全、稳定地完成关键任务”；但这个口径不能靠讨论拍定，必须先证明它…
今日判断增长系统最容易高估的，不是某一次实验，而是把所有“赢过的实验”加起来，误以为它们就是产品真正创造的长期增量。短期指标会回落，多个动作会互相替代，系统又天然只挑赢家；所以 AI 把实验速度提高后，我们更需要保留一个 Counterfactual（反事实）：如果这些动作都没发生，结果本来会怎样？对 Momcozy APP，短期实验负责判断“这一步有没有用”，长…
今日判断Behavioral Cohort（行为 cohort，按行为组成的一群用户）最重要的用途不是“找一批人去触达”，而是把一个平均数拆成可以验证的增长问题：哪些人做过什么、在什么情境下，后来得到不同结果？AI 可以快速扫描很多路径并提出 cohort，但“某行为和留存同时出现”仍不等于该行为造成留存。对 Momcozy APP，先把 cohort 当作调查与…
今日判断增长实验不是“主指标赢了就上线”，而是一份包含目标、不可伤害项和停止条件的契约。AI 让实验变多、读数变快之后，真正稀缺的反而是：系统能否在局部转化变好时，及时看见可靠性、信任或长期价值正在变差。对 Momcozy APP，Guardrail Metric（护栏指标）不是看板上的附属数字，而是 Agent 获得任何执行权限之前必须遵守的边界。
今日判断AI 回答在离线评测里变好，不等于用户体验和留存真的变好；但直接把每个版本都扔进线上 A/B test，也是在拿真实用户替系统做基础质检。更可靠的顺序是：先用 Evals（评测）验证“它有没有按预期工作”，再用线上实验验证“真实用户是否因此得到更好结果”，最后用实验结果反过来校准 Eval。对 Momcozy APP，这能避免把“模型更会得分”误当成“用户…
今日判断推荐增长的起点不是“加一个邀请按钮”，而是先找到用户在什么价值时刻，会自然想把产品带给另一个人。只有分享行为既帮助当前用户完成任务，又让接收者看懂价值，才可能形成 Growth Loop（增长循环）；靠奖励催出来的邀请，若没有激活和留存，只是一次性获客。对 Momcozy APP，更值得验证的不是“妈妈愿不愿意推荐”，而是哪些安全、明确、可分享的成果，能让…
今日判断新功能被点过一次，不等于它被采用；真正的 Feature Adoption（功能采用）要看目标用户是否在需要时获得价值，并在后续真实情境中再次使用。对 Momcozy APP，AI 助手、BBM 或设备功能若只追“入口点击率”，Agent 很容易把好奇、误触和被提醒后的短暂尝试误判成增长。AI-native 系统应持续识别“没看见、没成功、没必要、没再用”…