用 ChatGPT 从零搭建营销 KPI 树 —— 我每个新客户都在用的框架

去年我接手的一家 B2B SaaS 客户，他们的 Looker 仪表盘里有 47 个 KPI。第一个标签页上就压着 11 个图表的子标签。加载要 9 秒。CEO 骄傲地跟我说，他们"什么都量了"。我让他现场带我过一遍仪表盘。他点开 3 个图表，收了一条 Slack，然后把页面关了。三周之后，那个仪表盘里还是 47 个 KPI，里面 40 个没人碰过。

问题不在数据。问题在数据的形状。47 个数字的扁平列表，不是度量，是噪音。真正的度量是一棵树。

KPI 树（KPI Tree）是一张小的有向图：每个指标都有一个父节点和一个子节点。根节点是一个你真正在乎的数字。分支把这个数字拆成几个真正能推动它的东西。叶子是营销人每天在调的操作杆。这棵树要做的事，是让你面对满屏数字的时候，依然不可能不知道自己这周该干什么。

我每个新客户的头两周都会搭一棵树，搭完才碰任何投放。这活以前我要在白板上花两天。现在用对提示词，90 分钟就能出第一版草稿，然后再花一天跟客户争论分支对不对。下面是框架本身，和那条提示词的原话。

为什么你的仪表盘是一张列表，不是树

大多数营销团队堆出 47 个 KPI，原因不是缺数据，是只加不减。一次新投放上线，报表里多 3 列。某高管问一句"互动率是多少"，它就出现在面板上。一个供应商推了新的归因工具，多 6 个指标。两年之后，仪表盘成了一堆一次性需求的坟场。

解法不是换更好的仪表盘。解法是指标更少、且排成层级。一棵树会逼你回答列表永远不会问你的三个问题：

1. **如果只能印在 T 恤上的一个数字是什么？**这就是根节点。如果你们对不上，这个树就是错的。
2. **真正能推动根节点的 3–5 个东西是什么？**这些是二级驱动指标。
3. **我们每天在调、用来推动驱动指标的是什么？**这些是三级输入指标。其他都砍掉。

列表从来不问这 3 个问题。列表就是一堆列。树要求你对"什么是真正重要的"这件事说实话。

我用的 4 层树

我试过 5 层树，维护不下来。2 层树对付费投放来说又太粗。2–10 人的营销团队，4 层最合适。

*第 1 层 —— North Star（北极星指标）。*只有一个数，没有例外。电商通常是月度净贡献毛利（contribution margin）。SaaS 通常是新增净 MRR（月度经常性收入）或净 ARR（年度经常性收入）。双边平台是 take-rate（抽佣比例）× GMV（平台总交易额）。North Star 必须是流量*指标（rate / 单位时间），不能是存量*指标（累计），否则季节性会骗到你。我见过一个 12 人的团队，辩论 90 分钟"累计注册数"算不算 North Star。算个屁。注册数是虚荣指标。要按流量来定。

**第 2 层 —— 驱动指标。**3–5 个，在数学上决定 North Star 的数。对 DTC（direct-to-consumer，直接面向消费者）电商，3 个驱动大概是：付费 CAC（Customer Acquisition Cost，获客成本）、自然流量、AOV（Average Order Value，客单价）。对 B2B SaaS，通常是 MQL（Marketing Qualified Lead，市场认可线索）量、MQL→SQL（Sales Qualified Lead，销售认可线索）转化率、关单的 ACV（Annual Contract Value，年度合同价值）。挑的那个拆解，必须能反乘回 North Star。如果驱动指标乘不回根节点，这棵树就是错的。

**第 3 层 —— 输入指标。**日常操作杆。CTR（Click-Through Rate，点击率）、CPM（Cost Per Mille，千次展示成本）、CPC（Cost Per Click，单次点击成本）、邮件打开率、自然搜索点击率、品牌词搜索量，等等。每一个输入指标都要挂在某一个具体的驱动指标下面。付费社媒的 CTR 挂在"付费 CAC"下面，因为它影响 CPC，CPC 是 CAC 的一部分。如果一个输入指标挂不到任何驱动上，就不该出现在树里 —— 它是装饰品。

**第 4 层 —— Counter-metric（反指标 / 护栏指标）。**这一层是大多数团队会跳过的层，跳完之后一定后悔。反指标是护栏：它的作用是告诉你，上面那个指标变好了，但你可能在别的地方搞砸了什么。付费 CAC 下面挂退款率。MQL→SQL 转化下面挂 onboarding（用户上手）时间。净新增 MRR 下面挂 NPS（Net Promoter Score，净推荐值）。反指标不是拿来优化的。反指标的意义是：某天有人在驱动指标上赢了，却在业务本身上输了，要能立刻拉响警报。我一个客户上个季度付费注册涨了 40%，结果发现 60% 的新注册第二周内没登过第二次。如果当初在第 4 层挂了"注册后 7 天内登录"这个反指标，第 2 周就能抓到。

那条 ChatGPT 提示词

每开一个新文档我就贴下面这条提示词。把上下文填到方括号里，发出去。它不是魔法，但它好用到 80% 的时候，第一版草稿轻改一下就能用。

你是一名增长策略师。我会给你一个业务背景，请为它搭一棵 4 层的 KPI 树。

层级定义：

1. North Star（一个数，必须是流量不是存量）
2. 3–5 个驱动指标，在数学上决定 North Star
3. 对每个驱动指标，给出 3–6 个输入指标 —— 营销人日常能调的操作杆
4. 对每个驱动指标，给出 1–2 个反指标 —— 不应该往坏的方向走的护栏

格式：每个驱动指标一张 markdown 表。列：指标 | 好坏方向 | 当前粗略估计 | 负责人 | 数据来源。

规则：

• 第 2、3、4 层的每一个指标，必须显式挂回父节点
• 每一个反指标必须是今天就能被量出来的（否则这条树不能上线）
• 拒绝任何没有对应决策动作的虚荣指标
• 如果信息不够，先反问 3 个问题再回答

业务背景：

• 行业：[例：DTC 护肤]
• 收入模式：[例：订阅制，客单 42 美元]
• 当前月广告投放：[例：18 万美元]
• 在用渠道：[Meta、Google、邮件、自然]
• CEO 最关心的一个数：[例：月度贡献毛利]
• 目前最大的抱怨：[例：我们不知道哪个渠道真的赚钱]

两个细节可以让你避开最常见的翻车点。

第一，"每个指标必须显式挂回父节点"这一条，是防止模型输出一张列表的关键。ChatGPT 默认会给你一段听起来很顺的指标描述。强行让它进树、明确父子关系，能立刻看出哪些分支是编出来的。如果一个反指标找不到清晰的父节点，直接砍掉。

第二，"先反问 3 个问题再回答"这一行，是大多数人都会跳过的。给足上下文时，ChatGPT 幻觉得很有说服力。给太少上下文时，它幻觉得"很有用"——意思是给你一棵听起来很顺、但跟业务对不上的树。问 3 个问题这个动作，会把模型逼进你数据里那些缺口，让你在把错的数写进季度计划之前就知道哪里缺。

实战案例：DTC 护肤，月投 18 万美元

我上礼拜拿这个提示词跑了一个真实业务背景的虚构护肤品牌（细节是真实的，名字是虚构的）。模型 12 秒出了树。给你看里面最关键的一段 —— 付费 CAC 那一支，这一段通常也是我打磨得最狠的地方。

**第 1 层：**月度贡献毛利（收入 − 货物成本 − 广告投放）

第 2 层 —— 付费 CAC 驱动：

• 付费 CAC（混合口径）
• 付费 CAC（按渠道：Meta、Google、TikTok）
• 付费收入中新客占比

第 3 层 —— 付费 CAC 的输入指标：

• 各渠道 CPM
• 各渠道 CTR
• 着陆页转化率（CVR）
• 60 天 LTV（Lifetime Value，客户终身价值）/CAC 比例（早期读数）
• 每周上新的素材数量

第 4 层 —— 反指标：

• 新客 30 天退款率
• 第 2 个月的订阅暂停率

出草稿之后我会手动改两处。第一，模型把"每周上新的素材数量"放在第 3 层；对创意团队这没问题，但我会改名为"每周跑出的获胜素材数"，让这个指标是"真正带来注册的素材数量"，而不是单纯"上了多少素材"。前者是操作杆，后者是虚荣。第二，我会在 organic（自然）那一支的第 4 层强加一个反指标 —— 品牌词搜索量应该挂一个"非品牌词搜索量增长"做护栏，确保品牌是在建设，而不是单纯在收割。

两处修改加起来 5 分钟。提示词帮我干了 80% 的活。

这棵树在哪些场景下会骗你

KPI 树是一个模型，模型撒谎有三种可预测的方式。

第一，归因撒谎。一棵带"付费 CAC"分支和"自然流量"分支的树，默认两个渠道之间的边界是清晰的。其实不是。品牌词搜索转化掉的，本来就是付费社媒制造出来的需求。树里必须加一个 "halo（光环）" 分支，否则你会为了"哪个渠道是赚的"吵 6 个月。

第二，时滞撒谎。MQL 量是 MRR 的领先指标。LTV 是 CAC 的滞后指标。树里必须明确标出来哪个是领先、哪个是滞后，否则你会在第 1 周为 CAC 下降庆祝，到第 4 个月才发现 LTV 跟上来了。

第三，选择撒谎。第 2 层挑出来的 3 个驱动指标，就是"全部的驱动"。如果你漏掉一个，树会默认剩下几个加起来就是 100%。自检方法：拿这 3 个驱动 + 它们的输入指标，数学上能不能反推回 North Star？如果乘回去差超过 10%，一定有驱动漏了。ChatGPT 自己不太会做这个检查 —— 它会给你一棵乘不回去的树。你得自己在电子表格里乘一遍。

这件事最大的一个好处

KPI 树的意义不在仪表盘。仪表盘是容易的部分。意义在周一的会。当一个指标动了 —— 比如付费 CAC 周环比涨了 18% —— 这棵树会告诉你先查哪个输入指标。LTV 掉的时候，这棵树会告诉你本来应该托住它的是哪个驱动。当高管问"市场怎么样"，这棵树能让你用 30 秒回答，不用甩 14 张图。

如果你的团队每个周一盯着 47 个数，依然答不出"变了什么、为什么变"，那问题不在数据。问题在形状。把树搭起来。