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”分别发生在哪里，再决定修能力、改引导、等待需求出现，还是停止打扰。
产品上线后最容易看的数字，是有多少人打开过入口。但第一次点击只能说明用户接触过功能，不能说明她理解用途、成功完成任务或已经形成持续使用。发布当天的好奇、曝光甚至误触，都可能制造漂亮峰值。
Feature Adoption（功能采用），大白话是：适合使用某项功能的人，发现它、成功获得一次价值，并在之后有相同需要时愿意再次使用。生活类比是家里买了一台空气炸锅：拆箱、通电、试做一次薯条只是尝试；只有它持续解决“快速做饭”这个问题，才算真正进入生活。
新手可以先用四个问题拆开：
- Breadth（广度）：在真正适合使用的人里，有多少人用过？分母不能是所有注册用户。
- Depth（深度）：一次任务里用了多少关键能力，是否真的完成目标？
- Time to Adopt（采用耗时）：从需求出现到首次成功，花了多久？
- Duration（持续度）：新鲜感过去后，是否在后续周期继续使用？
Momcozy APP 的待验证例子：用户点开 AI 助手并聊了五轮，不一定代表采用；也可能是前四轮都没解决问题。更有意义的链路是“出现真实问题 → 获得安全、可执行的帮助 → 确认问题解决 → 在另一真实需要中再次成功”。
Mixpanel 2026：高使用量不一定是价值最强的地方
功能采用要联合首次价值、重复使用和留存看，单看事件量会把“热闹”误认成“黏性”。
关键事实
Mixpanel 的 2026 State of Digital Analytics 页面称，其基准分析覆盖 12,000 多家公司、3.7 万亿个事件，并把 feature adoption、time-to-value（首次价值耗时）、DAU/MAU 黏性和周留存分开观察。页面对 AI 产品提示了 “AI maturity paradox”：最高用户量所在之处，不一定是价值迹象最强之处。
编辑视角它证明了什么： 大样本基准支持“采用是多维问题”。但跨公司、跨品类的事件定义并不一致，不能把行业均值当 Momcozy 目标，更不能由相关变化推断某功能造成留存。最值得借的是指标分层。
Pendo：采用至少要看广度、深度、速度和持续时间
同样是“30% 用过”，可能是一批用户试一次就走，也可能是关键人群反复依赖；两个产品判断完全不同。
关键事实
Pendo 把发布结果拆成四维：广度看目标用户覆盖，深度看使用频率与流程，采用耗时看多久开始使用，持续度看几个月后是否仍使用。它还要求公告先考虑 relevance（相关性）与 desired action（希望用户完成的动作），因为多数功能并不适合所有人。
编辑视角它证明了什么： 这是实用框架，不是随机实验，也没有证明四维在所有 APP 中权重相同。低频故障帮助不该因“持续度低”被判失败；它应看问题是否解决，而不是用户是否反复回来求助。
来源pendo.io
这次新增什么
前两次我们已拆过 Lovable 的激活归属和“产品改善本身就是召回”。今天新增的是另一条机制：如何区分 engagement retention（使用留存）与 paid retention（付费留存），以及为什么增长早期先验证持续使用。 Elena Verna 是 Lovable 的增长负责人；Lovable 是高速增长的 AI 应用构建产品，它的使用频率和商业模式不能直接复制到母婴设备 APP。
两种留存到底差在哪
Elena 在访谈约 12:22 处把留存拆成两层。Paid retention 看订阅者是否续费、是否扩张消费；engagement retention 看用户是否持续回来完成有价值的使用。她明确说，使用留存是付费留存的领先信号；Lovable 当时更优先扩大真实使用，再调整变现模型，而不是先把单用户收入推到最高。
付钱像“投票”，但它可能受年付周期或套餐设计影响；持续使用更接近用户是否反复得到价值。反过来也不能认为“多打开就是价值”：Momcozy 的核心价值随设备任务和孕产育阶段变化，合理频率与 Lovable 完全不同。
AI 改变了哪一步
AI 可以持续构建 adoption state（采用状态）：谁尚未有适用机会，谁已曝光但未尝试，谁首次任务失败，谁没有在下一次需求中回来，谁已经稳定采用。系统再联合脱敏 VOC、设备错误和帮助结果生成原因假设，而不是统一发“来试试新功能”。
但这仍需要人定义“有价值的使用”与合理周期。自动生成采用报告只是 AI-assisted；只有状态变化能持续驱动调查、实验和策略更新，并受权限、回滚、隐私与人工接管约束，才接近 AI-native。
不能照抄 Lovable 什么
Lovable 可以用免费额度降低尝试门槛；Momcozy 不能为了制造使用量，诱导用户重复打开设备功能或 AI 助手。阶段自然结束、设备任务完成，可能是“成功退出”，不是流失。我们能借的是“先证明持续价值，再谈变现或促销”，不能借“使用越多越好”。
以“功能采用诊断 Agent”为例，完整链路是：
系统读取什么：经授权、最小化的功能资格条件、入口曝光、首次尝试、任务成功或失败、跨日复用、设备与 APP 版本、脱敏 VOC、客服主题和人工接管。不能为提高预测能力默认拼接母婴、儿童或健康画像。
形成什么判断：先识别用户是否真的有使用机会，再分成“未发现、发现但不相关、首次失败、首次成功但未到复用时机、到时机却未再用、稳定采用、应成功退出”。每个判断都附证据、置信度和可能反证。
能做什么：自动找出采用链路最大的断点，抽取代表性旅程，生成补埋点、产品修复、情境内指导或小范围实验草案；对低频功能改用任务成功和问题解除评估，不强求复用。未经明确授权，不发送 Push、EDM、站内信，不改生产策略。
如何看结果并更新策略：比较目标用户的首次成功、需求出现后的复用、问题解决、客服、负面 VOC、隐私投诉与留存；用对照或留出判断引导是否有增量。若曝光升高但首次成功不变，更新判断为“入口不是瓶颈”；若首次成功后无需再用且问题已解决，记录为成功退出，而不是继续召回。
何时交给人：健康或儿童语境、连续设备故障、强烈负面情绪、阶段判断不确定、低置信度、新失败类型，以及所有真实触达和生产变更。Pendo 是人主导的 AI-assisted 分析框架；Mixpanel 提供度量基础；持续维护采用状态并用结果修正下一步，才接近 AI-native。
场景一：AI 助手。 待验证假设是，入口点击和聊天轮数可能高估采用；真正断点可能在首次问题是否解决。可以建立“适用机会 → 首次提问 → 安全且可执行回答 → 后续任务结果 → 下一真实需求再次成功”的链路。不能以延长对话为目标，因为反复追问可能代表失败。最先需要的证据是：能否用人工校准的小样本，把“已解决、未解决、需人工、无法判断”与后续行为连起来。
场景二：设备功能与 BBM/VOC。 待验证假设是，某些功能天然低频，却通过减少故障或帮助完成任务创造价值。可以借 Pendo 的四维，但要按功能任务重写“持续度”：例如故障诊断成功后不再打开，可能是好结果；设备核心能力则应看在合理使用周期内稳定成功。最先需要的是为每个关键功能写清“目标用户、使用机会、成功事件、合理复用窗口、成功退出”。
- Feature Adoption｜功能采用：目标用户在真实需要中获得价值，并在合理时机再次选择它。Momcozy 例子：AI 助手不只被打开，而是持续安全地解决真实问题。
- Breadth / Depth｜采用广度 / 深度：广度看合适人群中多少人用，深度看任务是否真正完成。Momcozy 例子：不能用全部注册用户做某一设备功能的分母。
- Time to Adopt｜采用耗时：从用户出现需要到首次成功花多久。Momcozy 例子：设备问题出现后，多久找到并成功使用正确帮助。
- Duration｜采用持续度：新鲜感过去后，价值是否仍存在。Momcozy 例子：核心设备功能看合理周期内稳定使用；一次性故障帮助则看问题是否解除。
- Engagement Retention｜使用留存：用户是否持续回来获得核心价值，不等于登录次数。Momcozy 例子：按设备任务或阶段需要定义合理回访，而不是要求每天打开 APP。
用 25 分钟做一张“功能采用五步卡”，只选 AI 助手 或一个关键设备功能，不运行真实触达：
- 写清谁才是目标用户，以及什么事件代表她真的出现使用机会；
- 写出曝光、首次尝试、首次成功、合理复用、成功退出五个事件；
- 圈出当前最可能被“入口点击率”掩盖的一步；
- 写下 10 条需要人工查看的旅程标准。
产出物是一页采用定义卡。完成后能更新的判断是：我们缺的是更多曝光，还是功能尚未稳定创造价值？最后只回答一个具体问题：如果入口点击上涨 30%，但任务成功和后续复用都不变，我们会停止加曝光，还是继续认为用户“还没被教育够”？为什么？