AI 通用认知
从决策不确定性出发
强调平台第一次价值、信息理解、服务信任与交易履约。
高频即时×低频高决策
从顺风车
到找房
两种 C 端增长的底层逻辑
增长运营的本质，不只是把用户推过一个漏斗，而是识别他在每个阶段的关键不确定性，并让他愿意进入下一步决策。
开始浏览 ↓内部分享 · 数据为分享约数
滴滴顺风车小时 / 天高频反馈 · 结果密集
用户的下一步决策
贝壳找房周 / 月超低频 · 高决策成本
同样是交易撮合，为什么运营方法不能照搬？
01看懂用户从动念到成交的完整决策链
02知道平台每一层漏斗究竟在盯什么
03理解高频与低频业务的指标哲学差异
01
用户视角
买房不是一次转化，而是一连串不确定性的消除
先以用户里程为主线，再把业务版“估—找—看—买”和平台可观察行为叠加进去。
同一批用户
两个镜头
两个镜头
业务实践认知
从用户真实任务出发
按估、找、看、买组织行为、痛点、情绪点与机会点。
01
开始想买
现在真的需要买房吗？时机、政策与家庭计划
02
进入平台
这里能帮我解决问题吗？第一次价值与信息可信度
03
明确需求
我买得起什么、该住哪里？预算、通勤与偏好取舍
04
筛选比较
哪几套值得继续花时间？真假、差异与信息过载
05
表达需求
要不要咨询一个人？隐私、打扰与专业度
06
建立关系
愿不愿意持续沟通？信任、匹配与服务稳定性
07
线下看房
值得去看、是不是这套？时间成本与家人意见
08
决策交易
现在出手、能否安全成交？价格、贷款、合同与过户
业务版旅程打开原 PDF
估资格 → 预算 → 需求 → 时机
找圈范围 → 做筛选 → 初步对比
看看详情 → 看评价 → 实地踩 → 最终对比
买议价 → 贷款 → 签约 → 履约
业务可落地的购房五要素在哪里买 · 花多少钱 · 买多大
位置区域
位置商圈
预算价格
空间居室
空间面积
急迫度为什么很难算准
行为是证据，不是用户真相
有近期行为
可能意味着关注度高，但不等于计划时间更近。
行为很少
不代表不急，用户可能在线下或其他平台推进。
已经产生商机
大概率高急迫，但已跨过潜客识别节点。
缺少背景数据
年龄、职业、收入、家庭与线下进程无法被完整观察。
找房卡 UCTR 印象值不足 5%：用户把平台当工具，不愿额外为平台补画像。
01流量分发
用区域、商圈、价格、居室与面积偏好提高供给匹配。
02用户触达
让 Push、短信的人群与内容更相关，而不是只增加打扰。
03运营动作
新用户更快获得第一次价值，沉默用户重新回到找房链路。
01我买得起吗？价格、首付、贷款、税费
02这套房住起来怎么样？户型、朝向、楼层、年代
03这个小区适合我吗？通勤、教育、物业、停车
04它值不值、信息真实吗？成交、挂牌、租售比、标签
05谁能帮我，交易安全吗？经纪人、流程、合同、风险
从当年的页面诉求，到今天的新数据中心 / 楼盘字典
页面能否说清楚，取决于楼盘、小区、楼栋、房源、周边和交易等实体与关系能否被组织准。
02
平台视角
把一段漫长决策，压缩成一条可经营的漏斗
规模回答有多少人进入，转化回答多少人行动，质量回答这个行为是否真实、有效并可持续。
App DAU≈ 350万DAU / MAU ≈ 11.7%
App MAU≈ 3000万月日比 ≈ 8.6
小程序 DAU≈ 180万DAU / MAU ≈ 9.0%
小程序 MAU≈ 2000万月日比 ≈ 11.1
全年商机≈ 1.7亿其中新房 ≈ 3400万
01
流量新增 / 活跃
App DAU ≈ 350万 · MAU ≈ 3000万
02
关键流量核访
房源详情 / 楼盘详情访问
03
商机IM / 400 / 留资 / VR
全年 ≈ 1.7亿 · 新房 ≈ 3400万
04
加私委托 / 私客
拿到手机号，进入持续服务
05
带看到访 / 复看
线下履约与候选收敛
06
成交签约 / 履约
长周期、强线下影响
商机类型
门槛决定规模，业务结构影响转化
不能只按商机—加私率高低判断好坏
二手房IM 为主体
沟通负担低，用户可以先问再决定是否建立关系。
新房更偏留资
传统承接方式更倾向留下联系方式，再由置业顾问跟进。
房源→咨询 / 商机→经纪人→见面与服务→信任 / 转介绍
关系入口
用户通常先选房，再通过房链接经纪人
线上经纪人信息尚不足以支撑全面比较，能力能否被标准化包装、对买房决策有多大区分度，也需要验证。用户对人的判断更多在响应、沟通、匹配、见面和持续服务中形成；很多头部经纪人的新增还来自老客介绍。
更值得观察响应速度 · 有效沟通 · 需求理解 · 推荐匹配 · 重复沟通 · 见面 / 带看 · 老客转介绍
页面为什么这样设计？
平台很少设置视觉特别强、面积特别大的独立经纪人展位。页面主体仍围绕房源和决策信息展开，人的展示用于证明经纪人与这套房为什么有关、为什么由他承接更合理，从而建立“人—房—服务”的可信联系。
城市增长诊断
城市的流量和商机应该怎么涨？
分析框架 + 实际城市 Case
- 01 看盘面定位流量、核访、商机，以及规模、效率和结构问题
- 02 找差异对比历史、全国与可比城市，继续拆到关键影响维度
- 03 找动作把增长约束转成运营、产品、供给或服务动作
03
核心页面
详情页不是信息仓库，而是一条决策动线
让用户更快找到关键答案，并在真正需要人工帮助的位置自然承接服务和商机。
A用户体验
信息完整、可信、易理解，帮助用户自助推进决策。
核心页面价值决策效率 + 有效商机不是把信息藏起来换商机
B业务增长
在价格、税费、优惠、进度等具体问题旁承接服务。
1页面到达UV · 来源 · 用户分层→
2模块曝光真实可见 · 位置 · 滚动深度→
3模块点击CTR · 点击贡献 · 内容类型→
4有效行为收藏 · 对比 · 深度浏览→
5后链路商机 · 加私 · 带看
点击查看原图历史版本浏览动线
从模块堆叠，转向按用户决策阶段组织页面
- 识别与初判断基础信息、房源介绍、带看反馈与周边配套先回答“值不值得继续看”。
- 商机与分流黄金服务位承接需要帮助的用户，不满意用户进入相似房源推荐。
- 深度解读继续阅读的用户集中消费户型、质量、小区、行情与成交信息。
- 再次承接在深度阅读后再次提供附近好店和替代房源，完成服务承接与二次分流。
商机位被嵌入房源决策动线，而不是脱离房源单独突出“人”——这也与“用户先选房，再通过房链接经纪人”的路径一致。
二手房源详情页
先回答：这套房值不值得继续看？
重排房源、价格、小区与真实内容的优先级，再把咨询嵌入首付税费、调价等具体问题。
- 顶部标签与内容联动锚定
- 动态展示有数据的模块
- 重要信息前置，持续内容可扩展
点击放大
点击放大01分母是什么
页面访问、模块曝光，还是可见曝光？
02PV 还是 UV
重复点击与重复曝光是否影响结论？
03位置是否变化
模块上移会抬高 CTR，但不代表内容更好。
04流量结构变化
新老用户、渠道、城市都会改变整体值。
05下游质量
高 CTR 是否带来有效商机、加私和带看？
04
滴滴顺风车 vs 贝壳找房
同为交易撮合，交易密度决定指标哲学
不是某种方法更先进，而是业务约束决定了增长运营能观察什么、相信什么、优化什么。
高频即时滴滴顺风车
供需行为与履约结果高频发生，反馈快、样本密。
结果密度决定分析方式
超低频高决策贝壳找房
线上行为不少，但真实交易极稀疏，且受线下链路强影响。
判断问题滴滴顺风车贝壳找房
数据与交易密度
订单与履约结果高频发生
线上行为不少，真实交易极稀疏
结果归因
上线、接单、完单、GMV 链路短
经纪人、带看、谈判、业主、交易服务共同影响
量还是率
各环节转化率是重要经营指标
先做大有效规模，再分段看质量
价值模型
GMV、频次、LTV 可持续校准
复购近乎不存在，传统 LTV 难稳定
分层动作
价值 × 频次四象限可指导动作
更应按当下需求、关键节点和服务场景运营
“
不是完全不看商机 → 成交，而是不能把它当作判断线上用户、页面或策略优劣的核心依据。
房产应先保证漏斗各层有效规模，再用核访、商机、加私、带看等关键节点分段判断质量。真正的推进必须与用户价值进展一致。
找房券更像需求承接与渠道选择，而不是创造购房需求。
线上策略最终取决于经纪人、门店和交易服务是否接得住。
05
A/B 实验
贝壳常看组间差异，滴滴更强调增量 Δ
当补贴产生真实成本，不能只问哪组完单更多，还要问：相对 baseline 多出来的结果，值不值这笔新增投入？
现场小题目 · 据称来自字节面试，来源未核验
A/B 实验时显著正向，上线全量之后却没有效果，可能是什么原因？
先请大家自由回答，再用 A 结论错了、B 过程错了、C 分组出 Bug 三层框架揭晓。
讨论后展开答案 ＋
- 假阳性
- 持续时间太短
- 观测指标太多，某几个达标就结束实验、推进全量
- 实验覆盖被筛选过的高活跃用户，例如主动更新版本者天然更“忠诚”
- 新奇本身会让用户产生尝试意愿
- 实验组与对照组互相影响，并可能争夺同一批有限资源
- 分流、实验标识、版本曝光、埋点归组或数据回流出错
- 检查样本量异常、跨组和多端多版本错误归组
- 这类问题其实很常见
现场收束：先判断结论是否可信，再检查过程是否代表全量，最后不要低估分组 Bug。平台业务还要追问：实验是在创造净增量，还是只让实验组获得了相对优势？
贝壳常见实践简单分组分流
vs对比 CTR、转商机率等组间指标，判断哪个页面或策略更好。
滴滴常见实践计算相对 baseline 的增量
看完单 Δ、GMV Δ、券投入 Δ、增量 ROI 和单位效率。
A 组不发券
100完单50%
B 组5 元券
120完单60%
效率更优
C 组15 元券
130完单65%
增量 ROI按完成订单均核销券计算
对比完单 ΔGMV Δ券投入 Δ单位效率
B − A+20 单 / +10pp+320 元600 元30 元/增量单
C − A+30 单 / +15pp+430 元1,950 元65 元/增量单
C − B+10 单 / +5pp+110 元+1,350 元135 元/额外单
30 元 / 增量单
5 元券组效率更高
B 组用 600 元拿到 20 个增量完单；C 组用 1,950 元拿到 30 个，成本达到 65 元/单。
继续加到 15 元的边际效率很低
C 相对 B 只多 10 单，却多投入 1,350 元，边际成本 135 元/单。
口径提醒
以 GMV 作收益代理时，B/C 券后净增量为 −280 / −1,520 元；真实财务 ROI 应以贡献毛利或佣金替代 GMV。
06
跨行业可迁移的方法
行业会变，但增长始终在推动用户真正前进一步
不要让一个局部数字替代用户价值，用同一棵指标树同时检查规模、意图、转化、质量和价值。
1规模
有多少目标用户进入链路？
覆盖 · 有效流量2意图
其中多少人表现出真实需求？
搜索 · 深度行为3转化
多少人完成下一步关键行为？
咨询 · 约看 · 履约4质量
这个行为是否真实有效？
匹配 · 留存 · 投诉5价值
最终创造了什么？
交易 · 供给 · 长期关系行业会变、链路会变、指标会变，但增长运营始终要回答一件事：
用户为什么愿意走到下一步，而这一步是否真的创造了价值。
07
工具彩蛋
把网页变成 AI 可以直接使用的内容
Firecrawl 可以搜索、抓取、批量发现网页、结构化抽取并监控变化。最后用一个 3 分钟 Demo，让大家看到从网址到 AI 上下文的最短路径。
输入网页 / 搜索问题
→🔥Firecrawl
→输出Markdown / JSON / 截图
→使用AI 分析 / 知识库 / 监控
从搜索问题或具体网址出发，获得干净正文、摘要和结构化结果。
发现网站页面并批量抓取公开文档、帮助中心或公告目录。
处理复杂抽取，以及确有需要的点击、翻页和动态页面交互。
定期比较页面变化，追踪政策、价格、文档或竞品的重要更新。
$ firecrawl --status
$ firecrawl scrape "https://www.firecrawl.dev/" \
--only-main-content \
--format summary使用边界
它解决网页内容获取与结构化，不负责保证事实正确。保留来源、时间与验证过程；遵守网站条款、版权和访问权限，不提交未经批准的内部信息、账号内容、个人信息或敏感数据。现场优先使用公开网页。
08
现场材料
需要展开时，直接打开原始材料
网页承担叙事和可视化，原图、PDF、Wiki 与动态看板承担证据和现场下钻。