CxHub客户体验社区-用户研究、体验爱好者学习交流社区，专注客户体验(CX)研究。
社交媒体
PMF是Product-Market Fit的缩写，指的是产品与市场的匹配度，最早在2009年由网景创始人、a16Z联合创始人Marc Andreesen提出，他认为，“创业公司唯一重要的事情就是PMF”。
事实上，PMF理论直到今天，依然是很多一级基金看早期Saas类项目的核心标准。
当然，PMF也是一种理想情况，毕竟产品在迭代，市场在变化，两个动态变量无法始终完美实现 Fit。
在理想情况下，PMF指的是在好市场里，满足需求；而在产品与市场不匹配的状态，要么是产品超前于市场，要么是产品受制于市场。
产品超前于市场是指产品很强大，但市场还处于很小的规模。在这种情况下，如果能够等待市场发展起来，自然可以有很好的发展，但一旦等不到，就挂了。
产品受制于市场是指产品只适合既有的很小的一个细分市场，而无法去占领整个市场中更具发展潜力的新市场，比较有代表性的，如柯达、诺基亚。
要如何做PMF分析？
Step1：确定目标用户
一切始于目标用户，他们将最终决定产品在多大程度上能满足目标用户的需求。通过市场细分来得到目标用户的特征，并且需要建立客户画像来满足后续的需求分析。
Step2：发现用户未被满足的需求
在建立目标用户画像后，下一步是理解需求。当尝试为用户创造价值时，还要找出这个需求对应的良好市场机会。如果某个市场的用户需求已经被很好满足了，再挤进去的价值就不大了。
在产品开发或是完善产品时，需要找到那些还没有被充分满足的需求，用户会拿竞品和你的产品做比较，所以用户对你的产品的满意度取决于竞争的情况。
Step3：定义产品的价值主张
所谓价值主张，并不是一个在品牌范畴内的专有名词，而是指我们计划如何让我们的产品比竞品更好的满足用户。在产品可以满足的众多用户需求中，我们要聚焦在哪一个需求上？需要考虑好我们的产品如何区别于竞争对手。产品在竞争中如何胜出？我们的产品有什么独到的功能可以取悦用户？这就是产品战略的核心。
Step4：定义产品的价值主张
根据价值主张，确定最小可行产品（MVP）将包括哪些功能，相信产品经理们一定不陌生，在这里就不多赘述了。MVP方法的目的是判断开发的方向是否正确，而正确的方向是仅在目标用户认为有价值的点上创造足够的价值。
Step5：完成MVP的客户测试
这一步中非常重要的一点是，确保收集到的反馈是来自目标市场中的用户。如果不是，那么收集到的用户反馈就有可能将产品的迭代引向错误的方向。根据用户的反馈，重新调整假设并返回到更早的流程步骤中去，持续这个循环直到设计出一个市场相对匹配的产品。
如何衡量PMF是否达到？
1）40%原则
当告诉用户如果不能再使用这款产品时，如果有 40% 或更多的人表示他们会非常失望，说明产品做得很好，已经实现了PMF（价值主张）。如果是 25-40%，可以对产品进行一些调整，看看是否能够来达到 40%。如果低于 25%，则需要更为实质性的调整。
2）关键的量化指标（也是SaaS产品的衡量标准）
达到PMF的基础条件是LTV/CAC > 1，说明产品基本具备增长的条件，理想情况是LTV/CAC > 3，根据SaaS行业经验，这个数字大于3，属于健康水平，这样的产品具备高速增长的条件。
在《SaaS创业线路图》一书中，作者吴昊也写道，SaaS企业做PMF验证需要达到一定客户数量，可根据客单价大小，客单价4万以下的轻产品，至少签约10个以上，客单价4万以上可以适当降低客户数量；除了客户数量外，产品要卖给陌生客户，且其他销售代表也能签单。
对于我们很多常态化业务来说，以上的衡量指标也可以作为一个参考。但值得一提的是，对于AI产品来说，PMF理论是否同样适用，却引起了业界广泛的讨论。我们将在下篇中来细细展开。
我们不得不承认的一个客观事实是，GenAI时代的KillingApp尚未出现。如果按照移动互联网时代KillingApp长期留存数据的中位数为63%，那么当前的GenAI应用能超过30%留存的都寥寥无几。
而从ROI或是LTV/CAC角度看，即便有AiPPT、HeyGen、捏Ta等应用的ARR或是留存达到甚至超过移动互联网时代的平均标准，也仍然需要更长期的验证。
PMF评估方法在GenAI时代，看似无法适用的核心原因在于：
1）技术迭代和基建稳定性
AI 技术正处于高速发展阶段，新的算法、模型和技术层出不穷。这种快速变化导致基于 AI 的产品和服务在短时间内可能经历重大变革，使得传统的 PMF 评估方法难以准确预测产品的长期市场表现。同时，AI 基础设施的稳定性还未完全成熟，这导致依赖这些技术的产品和服务可能面临可靠性问题。例如，AI 模型的输出可能不稳定，影响用户体验和产品性能。
2）体现商业价值的基点发生变化
在互联网时代，产品价值的实现往往依赖于广泛的用户覆盖。而在 AI 时代，技术的核心价值更多体现在生产力的提升和决策过程的优化上。这意味着，从产品推出到实现显著的商业价值，可能需要经历更长的时间周期和更复杂的价值链路。因此，在评估产品市场契合度时，需要超越短期指标，考虑 AI 技术如何为产品创造长期价值。
3）GenAl产品的数据依赖性与个性化需求
AI 产品和服务的性能往往高度依赖于大量高质量数据。这要求企业在追求 PMF 时，必须考虑其数据收集、处理和分析能力。同时，AI 技术也使得企业能够根据用户更个性化的需求，提供定制化的解决方案。因此，PMF 不再只是满足一般的市场需求，而是要实现对每个用户独特需求的精准匹配，这对产品开发和市场策略提出了更高要求。
4）竞争格局与护城河的演变
AI 时代的竞争更加激烈，新兴企业和传统企业都在利用 AI 技术寻求市场优势。数据和算法成为新的竞争优势来源，改变了企业构建护城河的方式。例如，拥有大量用户数据的企业可以通过机器学习提供更个性化的服务，形成数据驱动的护城河。同时，技术领先也可能很快被模仿，要求企业不断创新以维持 PMF。
于是，我们可以看到，有不少人从PMF理论中延伸出了各种XPF理论，例如： TPF（Technogy Product Fit），也有 MPF（Model Produt Fit）。前者强调在人工智能时代，产品经理需要考虑技术如何与产品相结合，以确保技术的特性和能力能够有效地支持产品的设计和功能；后者则强调在 AI 技术特性与产品功能之间找到匹配是创业成功的关键，即 AI 模型的技术特性与产品功能之间的契合度，这比传统 PMF 更为关键。
AI类产品的市场机会与产品定位究竟有哪些可能？
如果参考移动互联网的发展规律，我们或许可以从以下三个角度来展开：
1) 究竟什么是AI Native？
在移动互联网时代，属于移动native的功能包括了LBS、摄像头、陀螺仪，以及移动的便携性等，由此前前后后诞生出了一大批知名APP与公司。
当然，以上由AI带来的特殊能力，要变成真正的Killing App或是成功的商业化产品，对效率、体验、成本、精准度也有着较高的要求，否则很难撬动市场接受新技术与新产品。
2) 人与AI究竟存在哪些关系？
如果我们用四象限对human与agent的关系进行分类，就会发现：
无限光年创始人漆远曾表达过，“真正的世界模型，应该是对规律本身的建模”，那么我们甚至可以更大胆的设想一下，当一个人拥有多个不同社会属性、身份、功能的分身，分身与分身之间，自己的分身与其他agent之间是否会产生更多复杂且以人原本的能力无法实现的场景与决策。
3) GenAI时代下诞生的新硬件平台的可能？
还记得Apple vision pro吗？如果我们将其放在GenAI的背景下，这或许只是一个雏形。
大模型创造了一个 Chat+的新的交互革命，所有行业、应用、场景都值的被 Chat+场景改造，比如 ChatGPT、ChatExcel、ChatBI、ChatCode、等等，那么在硬件领域，Chat+耳机和、Chat+眼镜也并非遥不可及，设想我们的所见所闻都被大模型记住了，而且可以实时进行交互，作为知识库、大脑、助手，又能赋能多少新的场景呢？
首先，在当下，我们不得不面对的现状是：全球经济环境低迷、资金流动性不足、新技术基础设施不成熟，以及创业前期投入的显著增加，共同构成了一个高风险的创业生态系统。任何一个产品的负责人都几乎承受不起多次试错的成本，每个人手中的“子弹”——也就是有限的资金和资源，都弥足珍贵。
其次，尽管scaling law不是通往GenAI的唯一路径，但数据必然是GenAI时代一道不容小觑的竞争壁垒。无论是个人数据、上下文数据、协作数据的积累与综合利用效率的提升，又需要耗费时间、资金成本进行培育，从而才能使非结构化数据的分析与利用展现出更巨大的发展与商业化空间。
因此，过去在移动互联网时代，一味追求用户规模，然后再考虑商业化变现的路径已不再适用于GenAI时代的产品，相反的，或者这样的路径更为稳健：
吸引用户 ——> 留住用户 ——> 赚到钱——> 规模化 ——> 不被颠覆
核心需要考虑的维度在于：
1) 是否切中用户真实需求 ，包括吸引和留住客户，可以沿用活跃度指标，同时也能反映MFP/TPF的情况。
2) 商业上是否成立 ，包括能否赚到钱和scaling，这里依然可以沿用ROI或者LTV/CAC指标；。
3) 能否不被颠覆 ，与移动互联网时代不同的是，在GenAI时代，我们经常会担心辛辛苦苦做了半天的产品，用户反馈也不错，但大模型一更新，就直接被吞噬了价值。所以，需要一个指标表示对大模型的安全程度，所提供的服务远离大模型的演进主线，同时要在业务主流程中积累自己的私有数据闭环。
当然，以上是我们基于业界的广泛讨论与思考。对于一个成功的GenAI时代的产品，在起步阶段的理想画像，也希望能够有助于日常产品需求的讨论 。
