调出一页新的图表：“从新增用户的后续行为来看，我们发现，活动期间新增用户的次日留存率，比自然增长用户低15个百分点；七日留存率低22个百分点。活动结束后一周，这些用户的周活跃度（WAU）衰减曲线明显更陡峭。”他停顿了一下，指向另一组数据，“另外，我们对活动期间的新增用户进行了抽样回访和反作弊系统交叉验证，发现异常设备、批量注册、薅羊毛行为的比例，比平时高出约8个百分点。”
会议室的空气安静了一瞬。负责活动的运营经理立刻接话：“这个我们之前也有预期，补贴活动肯定会吸引一部分价格敏感用户和短期行为用户，这是正常的。关键是总量上去了，大盘数据好看，而且总会有一定比例的用户沉淀下来。我们的核心KPI是新增用户数，这个指标是硬道理，老板和财报都需要看到增长。”
另一位产品同事补充：“是啊，留存和后续价值可以后面慢慢做。先把蛋糕做大嘛。而且反作弊那边也在跟进，会持续清理。”
王磊没有再争论，只是点了点头，说了句“数据供参考”，便结束了汇报。会议继续讨论下一阶段的活动规划，气氛重新活跃起来，大家开始讨论新的补贴方案和渠道策略，如何“再冲一波量”。
古民默默记录。他听懂了弦外之音：那个“8个百分点”的异常用户比例，或许只是冰山一角。核心KPI（新注册用户数）被完美达成，甚至超额。但达成这个KPI的手段，可能混杂了相当比例的无价值甚至虚假动作。而后续留存和价值数据的下滑，被轻描淡写地归因为“正常现象”，或留待“后续优化”。这其中的逻辑是：先完成眼前的、被高度关注的数字目标，其他问题可以往后放。只要大盘的数字在涨，就有故事可讲，有资源可拿。
会后，古民主动留下，向王磊请教一些数据平台的技术问题。问完正题，他看似随意地提起：“王老师，刚才会上提到的异常用户比例，我们有没有更细的维度？比如，不同渠道来源的异常率差异？或者，不同补贴额度吸引来的用户，后续价值差异的量化模型？”
王磊看了他一眼，眼神里有些复杂，似
本章未完，请点击下一页继续阅读！