增长框架对照：北极星 / OSM / AARRR / HEART

每个框架解决不同的问题。本文结合理想汽车实习经验，说明什么场景用什么框架，并给出具体实操案例。

框架速览

| 框架 | 解决什么问题 | 适用场景 | 在理想汽车怎么用的 | |------|------------|---------|------------------| | 北极星指标 | 团队目标对齐 | 业务早期/方向模糊时 | 以「试驾转化率」为阶段性北极星，统一了 6 个战区的衡量口径 | | OSM | 从目标拆到执行 | 战略落地到日常运营 | 将「提升试驾转化」拆为 3 个策略 9 个度量，每项指标明确计算口径 | | AARRR | 全链路增长量化 | 全生命周期视角 | 把 5 阶段映射到汽车 6 阶段（获客→留资→邀约→到店→订单→转介绍） | | HEART | 用户体验度量 | 产品迭代/体验优化 | App 端用 Engagement（停留时长）评估试驾内容改版效果 |

北极星指标

核心概念

全公司唯一的核心指标。三个条件：反映用户价值、可拆解到各团队、有先行性（能提前 1-2 周预测业务走势）。

理想汽车的实践

当时我参与了一次北极星指标的选择讨论，三个备选：

| 备选 | 优点 | 缺点 | |------|------|------| | 试驾转化率 | 反映真实意向，与销售强相关 | 受门店位置和试驾车数量影响 | | 线索到店率 | 反映邀约效率，运营可控度高 | 只看中间环节，不反映最终结果 | | 月度交付量 | 最终商业结果 | 滞后指标，运营无法实时调整 |

最终选择：试驾转化率作为北极星，线索到店率作为先行指标。这个决策过程让我理解了「选什么指标 = 团队把精力花在哪里」。

OSM 模型

理想汽车的实践

以「提升试驾转化率（45%→55%）」的 OSM 拆解：

O: 提升试驾转化率
├── S1: 优化销售邀约话术
│   ├── M1.1: 邀约接通率
│   ├── M1.2: 邀约到店率
│   └── M1.3: 邀约后 7 天试驾率
├── S2: 线索质量前置过滤
│   ├── M2.1: 低质线索占比
│   ├── M2.2: 高质线索试驾率
│   └── M2.3: 线索清洗节省的销售人效
├── S3: 试驾体验优化
│   ├── M3.1: 试驾满意度 NPS
│   ├── M3.2: 试驾后 14 天下定率
│   └── M3.3: 试驾取消率

每项 Strategy 对应一个可独立执行的动作，每项 Measurement 有明确公式、数据来源和更新频率。

本项目的实现

app/goals/page.tsx — 交互式 OSM 拆解树，3 个 Objective / 7 个 Strategy / 20 个 Measurement。数据结构：data/goals.json。

AARRR（海盗指标）

理想汽车的实践

AARRR 在汽车行业需要拉长时间尺度和补充线下触点：

| AARRR | 电商映射 | 汽车映射（理想） | 关键差异 | |-------|---------|----------------|---------| | Acquisition | 渠道投放→下载 | 媒体触达→留资 | 留资比下载更"重" | | Activation | 首单转化 | 首次到店/试驾 | 需要线下动作 | | Retention | 复购 | 复购/增购/转介绍 | 周期 3-5 年 | | Revenue | GMV/ARPU | 单车均价×台数 | 低频高客单 | | Referral | 裂变分享 | 老客转介绍 | 理想 NPS 高，转介绍占比大 |

核心认知

AARRR 默认假设短周期、高频次、全线上。应用到汽车行业需要：拉长时间窗口（月→年）、补充线下触点、增加状态流转维度。

HEART 模型

理想汽车的实践

在 App 端协助产品团队用 HEART 评估试驾内容改版：

结论：内容质量提升（Engagement ↑）直接拉动转化（Task Success ↑），不只是增加曝光。

面试叙事

我掌握了多个增长框架，但更重要的是知道什么场景用什么框架。在理想汽车实习期间，我实际用 OSM 将「提升试驾转化率」拆解为 3 个策略 9 个度量指标，推动试点区域邀约到店率提升 12%。在 GrowthDeck 项目中，我把这套方法论做成了交互式工具 —— /goals 页面可以自由选择北极星、展开三层拆解树。

延伸阅读