行业映射：汽车 To C / 互联网 / SaaS 增长链路同构论

基于理想汽车（Li Auto）中台运营部 2025.7-11 实习经历提炼。本文的核心价值在于：用抽象建模的语言解释为什么在汽车行业建立的增长能力，可以零成本迁移到电商、SaaS 等任何有用户生命周期的行业。

核心命题

不同行业的增长链路，在抽象层是同构的。 区别只在于三个变量：决策周期（天/月）、触点形态（线上/线下）、转化形式（下单/签约/到店）。一旦把这三点参数化，同一套方法论可以在任何行业复用。

这个认知不是从书本上学来的——是在理想汽车实际推动「线索→试驾→订单」全链路优化的过程中，反复验证后抽象出来的。

全链路对照表

| 抽象阶段 | 汽车 To C（理想） | 电商 App | SaaS B2B | 核心本质 | |---|---|---|---|---| | 获取 | 媒体触达 / 直播 / 车展 / KOL | 曝光 / 渠道投放 / 信息流 | 营销 MQL / 内容获客 | 进入流量池 | | 激活 | 留资 / 产生线索 | 注册 / 首次下载 | 试用注册 / Demo 申请 | 用户发出意向信号 | | 兴趣培育 | 邀约到店 / 多次沟通 / 试驾 | 浏览 / 加购 / 收藏 | 销售跟进 / POC | 深化意向，降低决策阻力 | | 转化 | 下定 / 成交 / 交付 | 下单 / 支付 | 签约 / 付费转化 | 商业价值首次实现 | | 留存 | 复购 / 增购 / 转介绍 | 复购 / 月活 / 留存 | 续约 / 扩展席位 | 长期价值释放 | | 流失 | 沉默 / 掉单 / 竞品流失 | 卸载 / 沉默 / 流失 | Churn / 降级 | 价值终止 |

我在理想汽车实际做了什么

工作背景

岗位：中台运营部，负责全国门店的用户运营数据分析与策略支持。汇报对象：运营总监。

三个核心项目

项目一：线索到店转化漏斗优化

问题：全国线索→邀约→到店→试驾→订单的全链路中，「邀约→到店」环节的转化率波动大（省区间差异最高达 15pp）
我的角色：独立负责全链路数据分析，定位折损最大的环节和省份
方法：用漏斗分析定位最大折损点 → 按战区/城市/门店三层下钻 → 结合销售人效和线索质量做归因
产出：识别出 3 个低效省份的核心原因（销售人效不足 vs 线索质量差 vs 邀约话术问题），推动区域制定针对性改善方案
结果：试点省份邀约到店率提升 ~12%

项目二：用户标签体系搭建

问题：各战区对用户状态的定义不一致（"高意向"的标准在 A 区和 B 区完全不同），导致策略无法统一评估
我的角色：主导标签体系的设计和口径统一
方法：按照「身份标签 → 行为标签 → 偏好标签 → 价值标签 → 生命周期标签」五层架构，为每个标签定义统一的计算逻辑和数据来源
产出：一套覆盖全部战区、口径一致的用户标签字典（30+ 标签），成为后续策略配置的"通用语言"
对应本项目的：data/tags.json 的 5 类 32 标签体系就是这个方法论的直接实现

项目三：AB 实验治理规范化

问题：业务团队做 AB 测试从不检查 SRM（样本量比例失调），导致多次实验结论在复盘时被发现不可靠
我的角色：设计实验申请→审批→监控→复盘的标准化流程
方法：引入 SRM 检测（卡方检验 p<0.001 报警）、样本量预估（双比例 z 检验）、辛普森悖论检查三个质量关卡
产出：实验治理 SOP + 监控看板模板（见 workflow/ab-experiment-application.md）
对应本项目的：app/experiment/page.tsx 的样本量计算器 + SRM 检测器

关键差异与参数化

1. 决策周期

汽车：3-6 个月。用户看 10+ 次才下单 → 跨天归因窗口 90-180 天，需要时间衰减模型
电商：1 天-2 周。归因窗口 7-30 天 → 末次触达/线性模型基本够用
SaaS：1-6 个月。企业采购周期接近汽车 → 归因逻辑可复用

2. 触点形态

汽车：线上（线索）+ 线下（到店/试驾）混合，触点稀疏但每个深度高
电商：全线上，触点密集（Push/广告/搜索/社交/EDM）
SaaS：线上 + 销售电话 + 线下 Demo，混合模式

3. 用户标识与 ID 打通

汽车：线索号/手机号/CRM ID → 多线索合并（一个人可能留了 3 次资被当成 3 个线索）
电商：user_id/device_id → 多设备 ID Mapping
SaaS：company_id + contact_id → B2B "账户"逻辑

核心结论：所有行业都要做 ID 打通和去重，只是打通的维度和数据质量不同。在理想做过的线索去重逻辑，可以直接平移为电商的用户去重逻辑。

面试时怎么讲这段经历

标准叙事框架（2 分钟版）：

我在理想汽车中台运营部做了 5 个月的增长数据分析实习。核心工作是三件事：

第一，搭建了从线索到交付的全链路转化漏斗，按战区/城市/门店三层下钻找折损点，最终推动试点区域邀约到店率提升约 12%。

第二，主导设计了一套覆盖 5 层 30+ 标签的用户标签体系，统一了全国 6 个战区的用户状态定义，解决了策略无法横向比较的问题。

第三，推动了 AB 实验治理的规范化——引入 SRM 检测和样本量预估作为实验上线的必须关卡，避免了多次"看起来显著其实分流有问题"的错误决策。

这段经历让我建立了一个核心认知：不管什么行业，增长的底层逻辑都是「看清现状 → 切分人群 → 匹配策略 → 实验验证 → 复盘迭代」。 这也是为什么我后来能用电商数据（UK Retail II）复刻同一套方法论，做成 GrowthDeck 这个工作台原型。