GR · BM · 092
功能参与度基准
Feature Engagement Benchmarks · feature-engagement-benchmarks--how-to-accelerate-growth-by-focusing-on-the-features-you-alr
所属簇 增长基准数据库
解决什么问题
缺乏具体数据和案例来量化“优化现有功能”能带来多大的业务价值，难以说服团队将精力从新功能转移到存量功能优化上。
核心内容
- Google Search 变现增量：2015 年美国用户平均每月仅搜索 12 次。谷歌发现“结果频繁变化”的搜索（如比分、天气）最具粘性，但仅有 15% 的用户知晓。通过优化已有功能让此类搜索参与度几乎翻倍，最终转化为数百万美元的增量广告收入。
- Roblox 留存提升：早期 Roblox 发现频繁修改虚拟形象与新增用户留存高度相关，但约 20% 的 Avatar Shop 访问是“失败”的（未修改就离开）。通过增加排序和搜索功能提高成功率，最终使新用户留存率提升了几个百分点。
- 功能成功率的隐形损耗：分析功能效用时，不仅看完成率，还要看成功率。例如投递简历后收到雇主回拨的比例，或租房搜索返回符合条件结果的比例。
适用边界
文中提到的 12 次/月搜索量和 15% 知晓率为 2015 年的历史数据，仅作为说明案例，不可直接套用为当前产品的绝对基准。但其揭示的“低知晓率+高粘性功能=巨大优化空间”的量化逻辑具有普适性。
关键引述 · 原话
"the average Google Search user in the U.S. did only 12 searches per month (which shocked me-I probably do 12 searches before getting out of bed every morning! 🤓)."
关联卡片
作为支撑 optimize-existing-features-over-new 心智模型的真实数据案例。
出处：Ken Rudin · 02-newsletters/how-to-accelerate-growth-by-focusing-on-the-features-you-already-have.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2