阅读定位：这是 产品增长通用框架 Step 1（用户研究）的方法论补充。通用框架说”先做用户研究”，本文给你一个具体的量化工具——怎么用 4 个问题测出你离 PMF 有多远，以及怎么系统性地缩小差距。也和 ElevenLabs 访谈 中 Luke 说的”PMF 前别做 paid”直接关联——不是说你”感觉有 PMF”就行，要能量出来。
PMF 的常见误解
误解 1：“有人用就是 PMF。” 不是。有人用只说明你的产品能跑，不说明它解决了一个够疼的问题。
误解 2：“PMF 是一个时刻——要么有要么没有。” 不是。PMF 是一个连续的分数——你可以有 20% 的 PMF，也可以有 60% 的 PMF。而且分数会变——今天有 PMF 不代表明天还有（参考 Reforge 增长体系 中 Balfour 关于 AI 时代 PMF 波动性的警告）。
误解 3：“做用户访谈就能判断 PMF。” 访谈告诉你用户怎么想，但不告诉你有多少比例的用户这样想。你需要一个定量指标。
Sean Ellis 的 40% 基准线
Sean Ellis（Dropbox、LogMeIn 早期增长负责人）发现了一个预测性极强的指标：
问用户一个问题：
“如果明天不能再用这个产品，你会有什么感受？”
- 非常失望
- 有些失望
- 不失望
如果回答”非常失望”的比例 ≥ 40%，你有 PMF。
Ellis 测试了大量创业公司后发现：低于 40% 的公司几乎都在苦苦挣扎。高于 40% 的公司几乎都在健康增长。40% 是分水岭。
这个指标比 NPS（净推荐值）更准确——NPS 测的是”你愿不愿意推荐”，但很多人推荐了也不是真正依赖。“非常失望”测的是依赖程度——失去它你有多疼。
四个问题
Rahul Vohra（Superhuman CEO）在 Ellis 的基础上，设计了一套完整的 4 问调查：
问题 1：“如果明天不能再用 [产品]，你会有什么感受？”
- 非常失望 / 有些失望 / 不失望
- 这就是 PMF 分数——回答”非常失望”的百分比
- Superhuman 第一次测量：22%（远低于 40% 线）
问题 2：“你觉得这个产品最适合什么样的人？”
- 开放式回答
- 这个问题的价值：满意的用户会用他们自己的话描述目标用户。这些描述比你自己想的更准确——直接拿来当营销文案和用户画像。
问题 3：“这个产品对你最大的好处是什么？”
- 开放式回答
- 只看**“非常失望”那群人的回答**——他们说的”好处”就是你的核心价值主张
- 把这些回答做成词云，出现频率最高的词 = 你的产品真正在做的事
问题 4：“你觉得这个产品可以怎么改进？”
- 开放式回答
- 这是路线图的输入——用户告诉你什么在阻碍他们从”有些失望”变成”非常失望”
什么时候发调查：用户使用核心功能之后（不是注册第一天）。Superhuman 在用户发了一定数量邮件之后才发。太早问，用户还没体验到核心价值，数据会失真。
需要多少样本：40 人就能给出方向性的结论。不需要等到 1000 人。
四步 PMF 引擎
Step 1：分群找到你的支持者
不要看全量数据。把回答按用户类型分群，找到**“非常失望”比例最高的群体**。
Superhuman 的发现：全量数据 PMF 是 22%，但单独看”创业者”群体，PMF 是 33%。分群本身就提升了 PMF 分数——因为你聚焦到了真正爱你的人。
这群人就是你的高期望客户（HXC, High-Expectation Customer）。所有后续决策——功能开发、营销定位、渠道选择——都围绕这群人。
Step 2：分析反馈
把回答者分三组：
| 组别 | 他们怎么看你 | 怎么处理他们的反馈 |
|---|---|---|
| ”非常失望” | 爱你 | 看 Q3（他们说的好处 = 你的核心价值），加倍投入 |
| ”不失望” | 不在乎你 | 完全忽略他们的反馈——他们想要的是另一个产品 |
| ”有些失望” | 有潜力但卡住了 | 再分两种（见下） |
“有些失望”的人要再细分：
- 他们在 Q3 说的好处和”非常失望”组一致 → 重点关注。他们认可你的核心价值，但有什么东西阻碍了他们变成铁粉。Q4 的改进建议就是你的路线图。
- 他们在 Q3 说的好处和”非常失望”组不一致 → 忽略。他们想要的是一个不同的产品。
Step 3：50/50 路线图
把开发资源这样分：
- 50% 加倍投入用户已经爱的东西（Q3 词云中的高频词）
- 50% 移除阻碍”有些失望”变成”非常失望”的障碍（Q4 中和核心用户群相关的改进建议）
这个 50/50 比例保证你既加深护城河，又扩大用户池。
Step 4：重复
- 每季度重新发一次调查
- 跟踪 PMF 分数的变化
- 让 PMF 分数成为核心 OKR
Superhuman 的结果：
第 0 季度：22%（全量）→ 33%（分群后）
经过 3 个季度的 50/50 路线图执行：
第 3 季度：58%从 22% 到 58%，将近 3 倍提升，通过系统性执行而不是靠运气。
PostMem 怎么用这个方法
PostMem 已经有 19 人的深度访谈数据，这是一个很好的起点。下一步：
| 步骤 | 具体动作 |
|---|---|
| 发调查 | 在用户使用核心功能（上传照片 + 看到 AI 生成的故事）之后，发 4 问调查 |
| 分群 | 按用户类型分群：40-50 岁 vs 50-65 岁，有子女 vs 无子女，照片量大 vs 照片量小 |
| 找 HXC | 看哪个群体”非常失望”比例最高——这就是核心用户画像 |
| 路线图 | 50% 加倍做 HXC 已经爱的功能，50% 解决”有些失望”用户的障碍 |
| 跟踪 | 每季度重测，以 40% 为 PMF 达标线 |
前提条件：产品需要到”可用”状态，用户能完成核心流程。在产品还是 demo 的阶段，这个方法还用不了——先把 产品增长通用框架 Step 1 的定性用户研究做好。
和其他框架的关系
| 框架 | 和 PMF 引擎的关系 |
|---|---|
| 留存曲线 | 留存曲线是 PMF 的结果——曲线走平 = 有 PMF。四问调查是 PMF 的测量工具——告诉你有多少 PMF、差在哪 |
| Four Fits | PMF 是 Four Fits 中的 Fit 1（市场-产品）。四问调查帮你量 Fit 1 |
| ElevenLabs 访谈 | Luke 说”PMF 前别做 paid”——但怎么判断有没有 PMF？用这个方法 |
| 产品增长通用框架 | Step 1 用户研究给你定性理解，四问调查给你定量验证。定性先行，定量跟上 |
PMF 不是一个你”发现”的时刻，是一个你”建造”的引擎。四个问题告诉你在哪里，四步执行告诉你怎么走。每季度测一次，每次都比上次更近。