如果产品还在早期、留存数据很少,营销该先看什么?

提问

AI根据立正公开的文章和视频整理,不是他本人回复

留存数据少时,先别急着做营销,先确认产品是否有人真的在乎:看有没有人愿意留下联系方式、追问细节、主动说做出来要告诉他。

先验证需求,再谈营销

材料里的观点

立正把第一步放在不写代码、先用人话把产品讲清楚,然后发到目标用户能触达的地方,观察的不是点赞,而是有没有人追问细节、主动说做出来告诉我、愿意留联系方式。如果反馈只是礼貌性的“挺好的”甚至沉默,他判断这不是营销问题,而是需求问题,要调整的是方向而不是话术⁠1。留存数据少时,这个信号比留存数字更早出现,也更便宜。

留存少不等于没价值,但要先定义清楚

立正认为留存是增长里最重要的数据:留存好,增长才有被放大的基础;留存不好,再怎么增长最后也会归零⁠2。但早期样本少时,单看一个百分比容易误判,要先说清分母是哪群人、隔多久算回来、“回来”指什么行为。他举美团的例子:如果只把打开 App 算作回来,发点笑话就能把数字做上去,却和核心价值无关;更合适的定义是每天回来并完成一笔订单⁠3。留存太慢时,也可以先找更早反映产品价值的领先指标⁠4。

营销要放进整门生意里算

AI推演

立正不赞成“产品做完再找营销解决获客”的顺序,他认为要先想清楚谁会为什么付多少钱、多久才能理解和信任你、用什么方式接触他,这些会反过来决定产品该做成什么样⁠5。早期留存少时,可以把已有用户按来源拆开看:自然来的和花钱买来的留存差多少,哪群人用得最久。这能帮你判断问题出在产品价值还是触达方式,而不是先加大投放。

留存定义与曲线判断的细节来自数据大师课,早期产品样本少时这些数字的参考价值有限。

回到5份原文

Pieter Levels

追问

AI根据立正公开的文章和视频整理,不是他本人回复

现有材料只在 Indigo 的分享里提到 Pieter Levels:他反复快速做小产品,平均几周上线一个,已做过四十多个项目;这是被引用的案例,不是立正本人的主张。

Pieter Levels 被当作一次性软件的样本

材料里的观点

在 Indigo 西雅图线下分享的记录里,Pieter Levels 被举为“拥抱一次性软件”的例子:他做过四十多个项目,平均每个用几周就上线,市场变了就换下一个产品,而不执着于做永久长青的软件。这个说法的论据是写代码的边际成本趋近于零,代码本身不再稀缺,稀缺的是注意力,所以先积累媒体和社群,再推产品,冷启动会快得多⁠1。需要注意,这是 Indigo 在现场给出的建议和案例,发布在立正账号上不等于立正本人这样主张;这段材料也没有记录立正对它的回应或评价。

这套做法成立有条件

AI推演

快速换产品之所以可行,前提是背后有稳定的媒体和社群,用户跟着人走,所以接受你换产品;没有这层积累,频繁换方向可能只是不断从零开始。如果你在考虑学他,可以先问自己:有没有一批会持续关注你下一步做什么的人?一个可试的做法是,下一个产品上线前先公开记录过程,看是否有人主动追问、愿意留下联系方式,用这个反馈判断你是在积累注意力,还是只在消耗时间。

出处 1

现有材料只有 Indigo 转述的这一处提及,没有 Pieter Levels 本人的发言,也没有立正对他的直接评价。

回到1份原文

立正自己怎么看 Pieter Levels 这种快速做小产品的方式?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

现有材料里没有立正直接评价 Pieter Levels 的原话;能确认的是 Indigo 把 Levels 当作“一次性软件”的案例引用,而立正本人的相关判断是:快速做出第一版值得做,但它不等于产品已经成立。

快速做小产品是起点,不是终点

立正认可动手做:build 是学习 AI 最好的路径,每个人都该多做项目,通过亲手构建形成判断⁠1。他也反对把“先想清楚做什么”当成不开始的理由,认为真实需求往往不是一开始就长成最终样子,得从一个小问题出发,做一点、用一点、再往前推⁠2。但同一个周末就能被复刻的原型很难有竞争力,价值在持续迭代一年之后⁠2。所以对 Levels 那种几周上线一个的节奏,按立正的框架,它更像“快速走到真实使用”的方法,而不是“做出来就算成功”的证明。

快不等于潦草,要区分 scrappy 和 sloppy

立正区分过两种快:scrappy 是在不确定里先做出能用的东西,sloppy 是拿快当借口掩盖潦草,最后上线一个垃圾⁠3。这个区分正好是评价“快速做小产品”的关键条件:如果每个小产品都用来验证一个真实需求、拿到使用反馈,快就是优势;如果只是不断换壳上线、不看不改,快就变成回避判断。Levels 做了四十多个项目、平均几周一个,这是 Indigo 在分享里举的例子,用来支持“拥抱一次性软件”,不是立正本人的评价⁠4。

产品要投入真实业务时,鸿沟另算

AI推演

如果目标不是学习或验证,而是让业务长期依赖,立正提醒 demo 到 production 之间有一道容易被低估的鸿沟,AI 只是让人更快走到鸿沟边上⁠1。这时快速上线的小产品不能直接当作可交付的系统。判断标准要回到客户买的是什么结果、你赚的是哪份钱⁠5。所以对 Levels 方式的取舍取决于目的:练手和找需求,快做多试合理;要承接真实交付,就得补上可靠性和履约能力。

现有材料没有立正对 Pieter Levels 本人的直接评论,以上是按他关于快速构建、迭代和交付的判断做的推演。

回到5份原文