产品对标是把产品的测量值和一个参照点比较;对使用指标来说,可靠的参照点是你自己的历史。用最近 12 周建一个 P25 到 P75 的区间,拿新值去对照,只有在外部基准的定义、单位和时间段都与你一致时才使用它。
读完你会知道
- 外部基准只有在定义、单位、时间段和方法一致时才可用;在那之前,你自己的历史是更好的基准
- 示例中第 12 周激活率 44.6% 高于 39.55 到 41.80 的 P25 到 P75 区间,但要先排除跟踪变更和人群结构变化
- 人群结构变化可以让整体比率上升四个点而每个细分人群都下降:40.0% 到 44.0%,两个细分人群各差一个点
什么是产品对标,你需要哪一种?
产品对标,是把你产品的测量值和一个参照点比较,看一个数字是好、是差,还是平常。多数指南把它当作和竞争对手的功能对比,那方面见竞争对手对标。本文讲的是另一种:对标人们怎么使用你的产品,比如激活、留存和功能采用率,因为参照点最容易在这里弄错。这个概念的通用解释见基准对标页。
参照点有三种,可靠程度差别很大:
| 参照 | 把你和什么比 | 可靠性 | 主要风险 |
|---|---|---|---|
| 内部 | 你自己过去的几周和自己的细分人群 | 高:定义相同、产品相同 | 说明不了你和市场相比如何 |
| 公开 | 有明确方法的公开数据集 | 中:定义看得见 | 单位或人群与你的不同 |
| 同行交换 | 其他公司私下分享的数字 | 低,除非定义写明 | 自愿提供、未经审计、定义不明 |
要记住的主张是:外部基准只有在定义、单位和时间段都与你的一致时才可用;在那之前,你自己的历史才是更好的基准。 本文其余部分先讲怎么把内部基准做对,再讲怎么在依赖外部数字之前检验它。
哪些使用指标值得对标?
选能描述人们是否获得价值的指标,每个写下定义,这样以后才能同口径比较。
| 指标 | 定义 | 什么时候更好 | 注意 |
|---|---|---|---|
| 激活率 | 7 天内做了关键的第一个动作的新用户 ÷ 新用户 | 越高越好 | 把一次页面浏览算作激活 |
| 第 1 周留存 | 第 1 到 7 天再次活跃的新用户 ÷ 新用户 | 越高越好 | 把新用户和老用户混在一起 |
| 功能采用率 | 周期内使用过该功能的活跃用户 ÷ 活跃用户 | 越高越好,前提是功能重要 | 采用率高却不改变留存 |
| 任务完成时间 | 完成一个有顺序任务的中位耗时 | 越低越好 | 用平均数,会被极端值扭曲 |
| 错误率 | 错误数 ÷ 页面浏览量 | 越低越好 | 把机器人算成用户 |
| 客服联系 | 对话数 ÷ 活跃用户 | 越低越好 | 因为帮助难找而联系变少 |
保持四到六个。有二十个指标的对标表,读一次就再也没人看。每个比率都只在真人上计算,因为分母里的爬虫和机器人会把所有比率拉低。
怎么和自己的历史对标?
取一个指标最近 12 周的值,排序后读四分位数。第 25 百分位(P25)是四分之一的周低于它的值,第 50 百分位是中位数,第 75 百分位(P75)是四分之三的周低于它的值。P25 到 P75 之间的区间,就是对你来说“正常的一周”。
区间要用被评判那一周之前的周来算,这样新值不会改变它自己的尺子。
示例数据:三个指标 12 周的每周数值。区间用第 1 到 11 周,被评判的是第 12 周的值。
| 指标 | P25 | 中位数 | P75 | 第 12 周 | 位置 |
|---|---|---|---|---|---|
| 激活率(%) | 39.55 | 40.90 | 41.80 | 44.60 | 高于区间 |
| 第 1 周留存(%) | 22.05 | 22.50 | 22.95 | 22.10 | 在区间内,靠近下沿 |
| 功能采用率(%) | 33.00 | 34.00 | 36.00 | 39.00 | 高于区间 |
四分位数用的是包含法(Python 的 statistics.quantiles(values, n=4, method='inclusive'))。三条规则把这张表变成决定:
- 在区间内: 正常波动;这个指标上什么也不用做。
- 低于 P25: 本周要调查的问题。
- 高于 P75: 先别庆祝。先排除跟踪变更、一次性活动和来访人群的变化;下一节会展示人群变化如何造出一个并不存在的提升。
示例中,激活率和功能采用率高于区间,第 1 周留存刚好在区间里面。当激活率让团队欢呼而留存没动时,要检查新用户是否换了一类人。
| 指标 | P25 | 中位数 | P75 | 第 12 周 |
|---|---|---|---|---|
| 激活率(%) | 39.55 | 40.90 | 41.80 | 44.60 |
| 第 1 周留存(%) | 22.05 | 22.50 | 22.95 | 22.10 |
| 功能采用率(%) | 33.00 | 34.00 | 36.00 | 39.00 |
示例数据:区间用第 1 到 11 周,按包含法算四分位数;第 12 周是被评判的值。
什么时候外部基准可用?
拿公开数字比较之前,检查四件事。
- 定义相同。 “活跃”或“留存”的定义和你的一样吗?
- 单位相同。 这个数字是页面加载的占比、会话的占比、用户的占比,还是整个网站的占比?
- 时间段和人群相同。 哪些日期、哪些国家、哪些设备?
- 有说明的方法和日期。 你能找到这个数字怎么得出来的、什么时候得出的吗?
下面是一个过不了第二关的例子。Google 的核心网页指标规定,一个页面要合格,最大内容绘制要在 2.5 秒内,交互到下一次绘制不超过 200 毫秒,累计布局偏移不超过 0.1,每项都取页面加载的第 75 百分位。HTTP Archive 的 Web Almanac 2024 报告说,2024 年它的数据集里有 43% 的移动端网站和 54% 的桌面端网站通过了这三项。假设你自己的监控显示,66% 的移动端页面加载达到了阈值。这并不是“比 43% 好”:你的 66% 是页面加载的占比,而 43% 是网站的占比,一个网站要么在第 75 百分位通过,要么没通过。你这边可比的数字是整个站点的一个“是或否”,诚实的说法是“我们的移动站点在第 75 百分位通过,和数据集里 43% 的网站一样”。
同样的检验适用于报告里引用的任何留存或转化基准:问清分母是什么,因为“购物车的占比”和“开始结算的占比”是不同的数字,即使两个都叫放弃率。
怎么避免被人群结构变化骗了?
整体指标的变动,可能和产品毫无关系:人群的构成变了。
示例数据:一个产品有移动端和桌面端用户,激活率不同。
| 周 | 移动端占比 | 移动端激活率 | 桌面端占比 | 桌面端激活率 | 整体 |
|---|---|---|---|---|---|
| A | 60% | 30% | 40% | 55% | 0.6 × 30 + 0.4 × 55 = 40.0% |
| B | 40% | 29% | 60% | 54% | 0.4 × 29 + 0.6 × 54 = 44.0% |
整体比率上升了四个点,从 40.0% 到 44.0%,而两个细分人群都差了一个点。产品没有变好;只是人群向更容易激活的桌面端用户倾斜了。要逐周比较同一个细分人群,报告整体数字时把结构放在旁边。另外还有三个陷阱:
- 季节性。 比较相同的星期几;对年度规律,比较去年同期,而不是上个月。
- 样本太小。 基于 40 个人的周比率可以摆动十个点。合并几周或降低粒度,直到每个点至少有几百人。
- 定义漂移。 如果第 8 周改了埋点,前后的区间就不是同一个序列。标记日期,重建区间。
小样本到底有多不稳,可以算出来:比率的 95% 误差范围约为 1.96 × √(p × (1 − p)÷ n)。当真实激活率是 40% 时,一周 40 个人的样本,误差约为 ±15.2 个百分点;一周 400 个人,误差约为 ±4.8 个百分点。所以 40 人的周数据里出现 10 个点的摆动,完全可能只是噪声,而 400 人的周数据里出现同样的摆动,才值得追查。
整体上升,每个细分人群都下降
示例激活率怎么根据基准定目标?
用区间定一个你能自圆其说的目标。对低于 P25 的指标,先瞄准中位数,因为那对你来说一直是正常水平。对已经在区间内的指标,把目标定在 P75,那是最近四分之一的周你已经达到过的。远高于你历史上任何值的目标,需要一个假设和一份计划,而不只是一个数字。
示例数据:第 1 周留存的中位数是 22.50%,P75 是 22.95%。25% 的目标远高于这 12 周中的任何一周(最高的一周是 23.4%),所以它属于一个带假设的项目,而不是仪表盘上的目标。23.0% 则是现实的第一步。
在 TapCub 里怎么做?
TapCub 提供上面每个比较中你这一侧的数据。它不提供其他公司的产品指标数据集,所以外部那一半来自用四个检验核对过的公开来源。
- 每个指标只保存一次。 在 全端分析 › 行为分析 › 自定义指标与 SQL 里,把每个比率定义成已保存的指标(事件加上聚合方式,比如去重人数,或一个公式),这样定义只在一处,每个图表都用它。
- 读每周序列。 在 全端分析 › 行为分析 › 行为分析 里按周画出最近 12 周的指标,用表格读出数值来算四分位数。留存报告按同期群给出第 1 周回访,生命周期视图把新增、留存、回流和流失用户分开,这样你就不会把它们混在一起。
- 按细分人群拆分。 把同一张图按设备或来源拆分,并和上一周期或去年同期(可选按星期对齐)比较,检查上面说的结构变化。
- 标记跟踪变更。 在 配置 › 日期标注 里添加每次发布或跟踪变更,这样序列是分段阅读的,而不是一条线。
- 正确比较核心网页指标。 监测 › 性能 显示你自己网站的真实用户指标;和公开数字比较之前,先读第 75 百分位的值,而不是加载的占比。
FAQ
什么是产品对标?
把产品的测量值和一个参照点比较,比如你自己的历史、公开数据集或对手的功能。本文讲使用指标:激活、留存、功能采用率、任务耗时、错误和客服联系。
怎么对标一个产品?
选四到六个有书面定义的指标,用最近 12 周建一个区间(P25 到 P75),拿新值去对照,并且在比较之前,先检验任何外部基准的定义、单位、时间段和方法。
产品指标的好基准是什么?
在固定定义下你自己的历史,是最可靠的基准。公开数字只有在单位和定义与你一致时才有帮助;比如 Web Almanac 的“43% 的移动端网站通过核心网页指标”是网站的占比,而不是页面加载的占比。
多久对标一次?
序列和区间每周看,定目标和外部比较每季度做。每当埋点、定义或产品的主要人群变化,就重建区间。
资料来源
- HTTP Archive,Web Almanac 2024:性能——核心网页指标通过率,2024 年 43% 的移动端和 54% 的桌面端网站。核对于 2026-11-21。
- web.dev,Web Vitals——合格阈值和第 75 百分位规则。核对于 2026-11-21。
- Python 文档,statistics.quantiles——四分位数使用的包含法。核对于 2026-11-21。
这篇文章对你有帮助吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

