案例：A/B 实验平台与实验文化建设 背景 我在内容、电商、游戏等场景中参与过实验体系建设和方法论推广。实验平台的挑战通常不是单个功能，而是技术、统计、流程和组织文化同时成立。 常见问题： 有配置中心，但没有完整实验生命周期 有 p-value，但业务不知道如何解释实验结论 有大量实验，但流量互斥、正交、分层不清晰 有短期指标提升，但长期留存、变现、用户体验被忽视 实验结果没有沉淀，团队重复踩坑 解决框架 流量管理：Hash 分流、正交分层、互斥实验、联合实验、条件分流 实验管理：假设、目标指标、护栏指标、审核、发布、灰度、回滚、归档 统计分析：Welch’s t-test、Z-test、Delta Method、CUPED、MDE、多重比较校正 指标体系：北极星指标、核心指标、护栏指标、长期指标 组织推广 实验平台要真正有效，必须让产品、算法、运营和管理层对「什么是可信结论」形成共同语言。
案例：策略产能，投放团队的第二增长曲线 什么是策略产能 策略产能 = 投放团队把数据、经验和判断转化为有效增长动作的能力。 它不等于操作时长，也不等于 campaign 数量，而是团队能否持续回答： 哪些 campaign 应该扩量？ 哪些 GEO 被低估？ 哪些素材正在疲劳？ 哪些出价和预算动作有效？ 哪些经验可以沉淀为规则和模板？ 诊断指标 指标 含义 人效消耗 月总消耗 / 优化师人数 策略时间占比 策略判断时间 / 工作时间 新人上手周期 新优化师多久能独立管盘 动作复盘率 调价、暂停、扩量、换素材后是否追踪效果 策略复用率 是否有可复用的规则、模板和 playbook 提升路径 减操作：批量创编、模板化 campaign、自动导数、命名规范。 推信号：ROI 红绿看板、异常预警、素材疲劳检测、机会清单。 沉策略：策略模板库、动作审计日志、Action Tracking、规则引擎与 Agent 建议草案。
案例：出海游戏 UA 增长数据诊断 背景 出海游戏团队在规模化买量后，常见问题不是「没有数据」，而是数据太多、口径太散、系统之间互相解释不清。 媒体后台、MMP、BI 的 spend、install、revenue、ROI 对不上 Campaign 命名和层级变化导致 cohort 历史不可比 iOS SKAN、user-level 归因和广告变现收入混在一起解释 优化师每天看多个后台，但动作缺少效果追踪 核心判断 买量诊断不能只看 ROI 报表，要同时检查广告平台、MMP 归因、游戏事件和 BI 决策四条链路。 方案 建立一次本地诊断数据房间，围绕四个评分输出： Data Trust Score：数据可信度 UA Efficiency Score：买量效率 Attribution & Event Chain Gap：归因和事件链路缺口 Decision System Maturity：决策系统成熟度 可复用方法 先做 read-only 诊断，不直接改后台 原始数据、本地脚本、指标口径和图表全部可复跑 区分管理层看板、UA Lead 看板和优化师工作台 每个投放动作必须形成 action tracking：动作前、动作后、预期、结果
案例：发行/投放平台从 L1 到 L4 背景 成熟出海发行团队的增长系统通常不是从零开始，而是在大量工具、报表、后台和手工流程之上继续增长。 典型现状： 优化师在媒体后台、MMP、BI、变现平台之间来回切换 素材、campaign、GEO、媒体、包体之间缺少统一模型 老 BI 报表很多，但缺少统一指标合同和业务解释 对账、充值、授信、权限、API token 等后台能力被低估 业务希望 AI Agent 自动优化，但底层数据和动作记录还不完整 能力分层 层级 状态 核心能力 L1 信息可见 统一看数、基础 ROI、素材效果、账户余额 L2 数据整合 媒体 API、MMP 入仓、cost / revenue 对齐、SKAN 处理 L3 效率工具 批量创编、素材挂载、跨媒体操作、账户财务对账 L4 策略辅助 红绿看板、异常预警、素材疲劳、投放健康度 L5 策略自动化 规则引擎、自动执行、跨媒体预算协同、Agent 闭环 经验总结 平台不是功能堆叠，而是决策链路设计 先解决数据可信，再谈 AI 自动化 对业务方要用 Quick Win 换长期能力建设空间 对管理层要用 ROI、人效、风险降低讲平台价值