p10a-value-discovery-loop

name	p10a-value-discovery-loop
description	AI Native 产品方法论——价值发现循环的实操 Skill。 用户提供已上线或正在验证的 AI 产品，Skill 自动执行价值发现流程： 价值信号识别 → 伪价值排除 → 价值密度评估 → 市场测试设计 → 定价策略联动 → 方向修正建议 → 输出价值发现方案。 基于《AI Native 产品方法论》第22章。
tags	["ai-product","methodology","value-discovery","signal-detection","pricing","book-skill"]
author	Max
source_book	AI Native 产品方法论
source_chapter	第22章 价值发现循环
version	1
stage	p10a
homepage	https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p10a-value-discovery-loop

价值发现循环 Skill

使用场景

• AI 产品已进入实验或早期使用阶段，需要判断哪些能力真正形成价值
• 团队有多个候选方向，需要用价值信号而非主观判断来决策优先级
• 产品已有用户使用，但无法判断增长是"真实价值"还是"新鲜感效应"
• 需要设计从价值发现到定价策略到方向调整的完整闭环

核心概念

• 价值发现循环（Value Discovery Loop）：围绕实验、价值验证、市场测试和方向修正的持续循环
• 价值信号：能证明能力正在形成真实业务价值的连续信号
• 伪价值信号：看起来亮眼但无法转化为持续使用或付费意愿的假信号
• 价值密度：某项能力对任务结果、时间成本和付费意愿的综合影响强度
• 产品循环 vs 价值发现循环：产品循环回答"如何把能力做出来"，价值发现循环回答"这项能力是否值得持续做下去"

价值发现循环流程

试验展开
  → 能力成立 → 价值发现（信号识别）
    → 伪价值排除
      → 价值密度评估
        → 市场测试设计
          → 定价策略联动
            → 方向修正建议
              → 回流到方向定界

五类价值信号识别

1. 效率信号

• 任务处理时间明显缩短
• 人工介入量下降
• 处理吞吐量上升

2. 质量信号

• 错误率下降
• 输出一致性提升
• 任务完成质量更稳定

3. 覆盖信号

• 过去做不了的长尾问题开始被处理
• 新场景被自然覆盖
• 边界案例解决率上升

4. 行为信号

• 用户愿意反复使用
• 愿意把更多真实任务交给系统
• 使用深度（不只是浅层尝鲜）

5. 商业信号

• 客户愿意付费试点
• 续期或扩大场景
• 明确表达购买意愿

四类伪价值信号排除

1. 演示陷阱

• 表现：演示效果惊艳，真实使用频率极低
• 识别方法：对比演示通过率 vs 日常使用率

2. 新鲜感效应

• 表现：用户觉得"很酷"但不改变原有工作方式
• 识别方法：追踪30天留存曲线是否断崖下降

3. 成本幻觉

• 表现：一次性提升明显，但成本/延迟/维护代价过高
• 识别方法：计算单位价值成本比

4. 能力-付费断层

• 表现：团队能做出来，但客户不愿持续付费
• 识别方法：测试付费意愿而非满意度

价值密度评估框架

对每项已验证能力，从三个维度评估价值密度：

维度	问题	权重
任务结果改善	这项能力改变了什么任务结果？	40%
时间/成本节约	为谁节约了多少时间或成本？	30%
付费意愿	谁愿意为此持续付费？	30%

高价值密度：三个维度都有明确答案 中价值密度：任务结果和成本有答案，付费不确定 低价值密度：只有一个维度有模糊答案 → 应考虑停止投入

价值发现到定价策略联动

价值密度评估
  → 高密度能力：设计确定性溢价定价
    → 中密度能力：设计用量阶梯定价
      → 低密度能力：纳入免费引流层或停止投入

定价策略不应脱离价值发现独立设计。具体定价方法参见 @ai-native-business-model。

价值发现回流到方向定界

价值发现不是独立环节，它最终回流到方向定界：

1. 场景价值重估：某类场景价值远高于原预期 → 提升优先级
2. 能力价值筛选：某类能力成立但价值密度不足 → 降低优先级
3. 客户分层修正：某类客户愿意付费，另一类不在意 → 调整目标客户
4. 方向重写：以上信息综合 → 更新 Direction Brief

输出物：价值发现方案

1. 价值信号清单：已识别的五类信号及强度
2. 伪价值排除报告：已排除的伪价值信号及原因
3. 价值密度评估表：每项能力的三维度评分
4. 市场测试设计：如何验证高价值密度的定价和场景
5. 方向修正建议：对 Direction Brief 的具体修改建议

使用方式

当用户提供已上线或正在验证的 AI 产品时，自动执行：

1. 收集当前产品的使用数据和用户行为
2. 识别五类价值信号
3. 排除四类伪价值信号
4. 对每项能力进行价值密度评估
5. 设计市场测试方案
6. 联动定价策略（配合 @ai-native-business-model）
7. 产出方向修正建议（回流到 @ai-native-direction-framing）
8. 输出价值发现方案

与其他 Skill 的关系

• 上游：@ai-native-experiment-engine（提供能力验证结果）、@ai-native-production-ops（提供生产环境数据）
• 下游：@ai-native-business-model（定价策略）、@ai-native-direction-framing（方向修正）
• 协同：@p7e-customer-loop（客户循环提供真实客户信号）

示例

示例：AI 客服 Copilot 价值发现

用户输入： "我们的客服 Copilot 已经在内部试用了一个月，想判断哪些能力真正有价值"

Skill 执行流程：

1. 价值信号识别

信号类型	具体信号	强度
效率	首响时间从5分钟降至1分钟	★★★★
效率	培训周期从2周缩至5天	★★★
质量	工单分类错误率从12%降至4%	★★★★
行为	客服主动使用率62%	★★★
商业	2个部门主动要求扩大试用	★★★★

2. 伪价值排除

伪信号类型	检测项	结论
演示陷阱	演示好评率95% vs 日常使用率62%	✗ 日常使用率合理，非演示陷阱
新鲜感	30天留存曲线平稳	✗ 非新鲜感效应
成本幻觉	单次对话成本$0.02，节约人工成本$2.5	✗ ROI 明确
付费断层	3个部门中2个表达付费意愿	⚠ 需要定价验证

3. 价值密度评估

能力	任务结果	成本节约	付费意愿	综合密度
工单分类	40%提升	中等	高	★★★★ 高
意图识别	25%提升	中等	中	★★★ 中
自动回复	15%提升	低	低	★★ 低

4. 方向修正建议

建议方向调整:
  提升: 工单分类能力 → 核心卖点
  维持: 意图识别 → 辅助能力
  暂缓: 自动回复 → 需要更多验证
  
定价建议:
  核心定价锚: 工单分类的准确率提升
  阶梯设计: 基于工单量级
  
回流方向定界:
  Direction Brief 更新:
    - 核心场景从"全链路客服"收缩为"工单分类+意图识别"
    - 目标客户从"所有客服团队"聚焦为"日工单量>500的中大型团队"

---

深入核心概念

概念六：价值信号的时间衰减

价值信号不是静态的。同一项能力在不同时间窗口内的信号强度完全不同。上线第一周的高频使用可能是新鲜感效应，上线第一个月的留存下降可能是功能疲劳，上线第三个月的稳定使用才更接近真实价值。判断价值信号时必须引入时间维度：短期信号（1-2周）看使用意愿，中期信号（1-3月）看留存和习惯形成，长期信号（3月+）看付费续期和场景扩展。只看短期信号会高估价值，只看长期信号会错过窗口期。

书稿引用：第5章指出"方向定界阶段必须先审资料条件"，同理，价值发现阶段必须先审信号的时间维度。没有时间维度的信号评估，和没有资料条件的方向定界一样，都可能导致高成本偏航。

概念七：价值密度的反向筛选——停止投入比继续投入更难

低价值密度的能力不是"暂时没做好"，而是"方向本身不成立"。很多团队面对低密度能力时，会本能地选择"再优化一下"而不是"停下来"。这是因为沉没成本效应——已经投入了三个月的开发时间，不愿意承认这项能力价值不足。但真正节省团队时间的，不是继续优化低密度能力，而是更早停止投入，把资源转向高密度方向。价值发现循环的核心价值之一，就是提供一个客观框架，帮助团队做出"停止"的决定。

书稿引用："真正节省团队时间的，不是更快开始做实验，而是更早排除不成立的方向。"——第5章

概念八：从单一信号到信号矩阵——交叉验证的价值

单一类型的价值信号不足以支撑决策。效率信号只说明"快了"，不说明"对了"；行为信号只说明"用了"，不说明"值了"。真正的价值判断需要信号交叉验证：效率提升+质量稳定+用户愿意持续使用+表达付费意愿，四个条件同时满足才是强价值信号。如果只有效率提升但质量下降，说明能力方向可能有偏差；如果用户愿意使用但不愿付费，说明价值感知还没转化为商业价值。

应用：在价值密度评估中，要求每项能力至少在三类信号上获得中等以上强度，才判定为"高价值密度"。只在单一信号上表现突出的能力，应标记为"待交叉验证"，而非直接进入定价阶段。

补充分步执行

步骤六：信号交叉验证——从单一信号到多维确认

对已识别的价值信号进行交叉验证：

1. 效率+质量交叉：效率提升的同时，质量是否稳定或提升？如果效率提升但质量下降，说明能力可能在走捷径
2. 行为+商业交叉：用户愿意使用的同时，是否愿意付费？使用频率高但付费意愿低，说明价值还没被充分感知
3. 短期+长期交叉：短期信号强但长期衰减，说明可能是新鲜感效应；短期信号弱但长期稳定增长，说明价值在被逐步发现
4. 内部+外部交叉：内部团队觉得好用的同时，外部客户是否也认可？内部好评但外部冷淡，说明可能存在"内部视角偏差"

输出：信号交叉验证矩阵，含一致性评分。

步骤七：价值地图绘制——能力-场景-客户的三维映射

将已验证的价值信号映射到三维空间：

1. 能力维度：哪些能力项有强价值信号？按价值密度排序
2. 场景维度：哪些场景的价值信号最强？是否存在被忽视的高价值场景？
3. 客户维度：哪些客户群体的信号最强？是否存在分层差异？
4. 交叉热点：能力×场景×客户三者的交集中，哪里信号最强？

输出：价值地图（三维热力图），标注高价值交叉区域。

步骤八：价值假设迭代——用新信号更新原始假设

用发现的新信号回过头来更新方向定界阶段的价值假设：

1. 假设验证：原始价值假设中，哪些被信号证实了？
2. 假设修正：哪些假设需要调整？是低估了还是高估了？
3. 假设新增：信号揭示了哪些原始假设中没有的新价值点？
4. 假设否定：哪些假设被信号推翻了？这意味着什么？

输出：价值假设迭代记录，含修正原因和新假设。

补充示例

示例：AI 写作助手价值发现（SaaS 场景）

用户输入： "我们的AI写作助手已上线2个月，面向营销团队，初始功能包括文案生成、标题优化、多平台适配。用户数据看起来不错但转化率一直上不去。"

Skill 执行流程：

1. 价值信号识别

信号类型	具体信号	强度
效率	文案初稿生成时间从4小时降至30分钟	★★★★★
效率	标题A/B测试准备时间缩短70%	★★★★
质量	文案通过率从55%提升到72%	★★★
行为	日均使用时长42分钟	★★★★
行为	人均每日生成8.3篇文案	★★★★
覆盖	小红书、抖音、微信三平台适配开始被使用	★★★
商业	试用用户中12%表达付费意愿	★★

2. 伪价值排除

伪信号类型	检测项	结论
演示陷阱	演示转化率40% vs 日常使用率68%	✗ 日常使用率健康
新鲜感	30天留存曲线从95%降至78%后趋稳	⚠ 轻微新鲜感衰减但已企稳
成本幻觉	单次生成成本$0.03，替代人工成本$15	✗ ROI 明确
付费断层	使用率高但付费意愿仅12%	⚠ 核心问题——价值感知未转化为付费意愿

3. 价值密度评估

能力	任务结果	成本节约	付费意愿	综合密度
文案生成	40%通过率提升	高（4h→30min）	中	★★★★ 高
标题优化	A/B效率提升70%	中	低	★★★ 中
多平台适配	覆盖面扩大	中	低	★★ 低

4. 信号交叉验证

文案生成能力：
  效率+质量: ✓ 效率提升且质量稳定
  行为+商业: ⚠ 使用率高但付费率低 → 价值未被充分感知
  短期+长期: ✓ 2个月后使用仍在增长
  
结论：核心能力成立，但定价策略需要调整

标题优化能力：
  效率+质量: ✓ 效率提升明显
  行为+商业: ✗ 用户觉得"锦上添花"但不愿单独付费
  
结论：适合作为增值功能而非独立定价锚点

5. 方向修正建议

建议方向调整:
  提升: 文案生成 → 核心定价锚（从"效率"切入不如从"通过率提升"切入）
  维持: 标题优化 → 捆绑增值功能
  暂缓: 多平台适配 → 用户使用率不足以支撑独立价值
  
定价建议:
  核心定价锚: 文案通过率提升（可量化结果）
  定价逻辑: 从"按生成量计费"转向"按通过率提升幅度计费"
  阶梯设计: 基于团队规模和月生成量
  
关键发现:
  - 付费意愿低不是因为能力不值钱，而是因为用户把AI文案视为"工具"而非"成果"
  - 需要改变价值叙事：从"帮你写更快"到"帮你写得更好过"
  - 建议增加"通过率仪表盘"功能，让用户看到AI带来的质量提升
  
回流方向定界:
  Direction Brief 更新:
    - 核心价值假设从"效率提升"修正为"质量提升+效率提升"
    - 目标客户从"所有营销团队"聚焦为"月产50+篇内容的中大型营销团队"
    - 新增价值假设："通过率可量化"是定价的关键前提

输出：价值发现方案完整报告，含信号矩阵、伪价值排除、交叉验证、价值地图和方向修正建议。

示例：AI 设计工具价值发现（垂直行业场景）

用户输入： "我们做了一个面向电商卖家的AI产品图生成工具，上线3个月，有2000个活跃卖家在用。想知道下一步是扩展品类还是深耕现有品类。"

Skill 执行流程：

1. 价值信号识别

信号类型	具体信号	强度
效率	产品图制作时间从2天降至2小时	★★★★★
质量	买家对产品图的好评率提升18%	★★★★
行为	月均生成产品图从15张增至42张	★★★★
覆盖	服装品类使用率最高（68%），3C品类次之（22%）	★★★
商业	续费率78%，3个大卖家主动要求API接入	★★★★

2. 价值密度评估

能力	任务结果	成本节约	付费意愿	综合密度
服装产品图	好评率+18%	高	高（续费85%）	★★★★★
3C产品图	好评率+8%	高	中（续费62%）	★★★
食品产品图	数据不足	-	-	待验证

3. 方向修正建议

核心发现:
  - 服装品类的价值密度远高于其他品类
  - 3C品类"能用"但不够"好用"（好评率提升有限）
  - 食品品类数据不足，无法判断

建议:
  深耕: 服装品类 → 增加服装专属功能（模特换装、场景搭配、面料质感）
  观察: 3C品类 → 收集更多信号再决定
  暂停: 食品品类 → 先做小规模验证
  
  不建议扩展新品类的原因:
  当前最赚钱的品类（服装）还有很大深化空间，
  扩展会分散资源，降低核心品类的竞争壁垒

回流方向定界:
  Direction Brief 更新:
    - 核心场景从"通用电商产品图"收缩为"服装电商产品图"
    - 护城河方向：积累服装品类的专属训练数据和场景理解
    - 新增场景假设：模特换装和场景搭配可能是下一个高价值能力

输出：品类价值分析报告 + 聚焦策略建议 + Direction Brief 更新。

价值信号快速诊断清单

在正式执行价值发现循环之前，可以用以下清单快速判断当前产品是否有价值信号：

□ 是否有用户在持续使用（非一次性尝鲜）？
  → 否：可能是演示陷阱或新鲜感效应

□ 使用深度是否在增长（不只是使用频率）？
  → 否：用户可能只是"习惯性打开"而非"依赖使用"

□ 是否有用户主动把更多真实任务交给系统？
  → 否：系统可能只被用于边缘任务

□ 是否有用户表达过付费意愿或主动询问价格？
  → 否：价值可能还没被充分感知

□ 是否有用户向其他人推荐过这个产品？
  → 否：产品可能"能用"但不够"值得推荐"

□ 团队能否用一句话说清楚"用户为什么离不开这个产品"？
  → 否：价值主张可能还不够清晰

诊断结果：
  4项以上为"否" → 价值信号弱，需要重新审视方向
  2-3项为"是" → 价值信号中等，需要深入验证
  5项以上为"是" → 价值信号强，可以进入定价和扩展阶段

常见价值发现陷阱

陷阱一：把"能做出来"等同于"有价值"

表现：团队花了三个月做出了AI能力，技术指标很好看，但用户使用频率很低。 原因：从"能力"到"价值"之间还隔着"场景适配"和"用户习惯改变"。 对策：价值信号必须来自真实使用场景，而非实验室指标。

陷阱二：把"用户满意"等同于"用户愿意付费"

表现：用户满意度调查得分很高（4.5/5），但付费转化率只有5%。 原因：满意≠依赖。用户可能觉得"好用但不是必须"。 对策：直接测试付费意愿，而非用满意度代替。

陷阱三：把"增长"等同于"价值"

表现：用户数量在增长，但单用户使用深度在下降。 原因：增长可能来自营销推广或市场热度，而非产品本身的价值驱动。 对策：同时看"新增用户质量"和"存量用户深度"。

陷阱四：把"第一印象好"等同于"长期价值"

表现：上线首月数据亮眼，第二个月开始下滑。 原因：新鲜感效应——用户觉得"很酷"但不改变原有工作方式。 对策：至少观察30天留存曲线是否稳定，再做价值判断。

陷阱五：忽略"沉默的高价值用户"

表现：最活跃的用户不一定是最高价值的用户。有些用户使用频率不高，但每次使用都处理高价值任务，且付费意愿最强。 原因：团队容易关注高频使用数据，忽略低频高价值使用模式。 对策：按"任务价值"而非"使用频率"来分层分析用户。