产品经理每天都在做一件事：说服别人相信自己的判断是对的。方案评审要说服研发，资源申请要说服老板，优先级排序要说服业务方。说服的方式不同，效果天差地别。
场景 A：功能优先级——「我觉得这个功能应该做」
弱说服版：
「我觉得首页改版这个功能很重要，我问了几个用户都说现在找内容太麻烦了，应该优先做。」
这种说法的三个问题：①「几个」是几个？5 个还是 50 个？②「找内容太麻烦」有多麻烦？抱怨频率是多少？③「应该做」——做了能解决多少人的问题？
强说服版：
「首页搜索漏斗数据显示，用户在第 3 步（点击搜索框到输入关键词）的流失率高达 38%——每周约 6200 名用户在这一步放弃搜索。日均搜索量 1.4 万次，38% 流失意味着每天损失约 5300 次搜索行为，每次搜索后续转化贡献 GMV 约 8.2 元，合计每天损失 GMV 约 4.3 万元。建议优先修复搜索漏斗，预计可挽回每日 3~5 万元 GMV。」
两者的差距：第一版是观点，第二版是证据。数字让「我觉得」变成了「我证明」。
🔄 Call back：需求调研时记录行为数据（流失率/频次/评分），不做「我觉得」只做「数据显示」。
场景 B：方案评审——「团队都觉得新设计更好看」
弱说服版：
「我和 UI 设计师、运营同学都觉得新版的交互更顺畅，用户体验更好，建议全量上线。」
「团队觉得」是个案，不是数据。设计师觉得好不代表用户觉得好；运营觉得好不代表数据支持。
强说服版：
「新版在 5000 用户中做了 14 天的 A/B 测试。实验组（新版）点击转化率 12.3%，对照组（当前版）11.1%，提升 10.8%。P 值 0.03，小于 0.05，差异统计显著。保守估计全量上线后每月可带来额外付费用户约 1200 人，月流水增加约 8.4 万元。建议全量。」
数字比「团队觉得」更有说服力，因为它是可重复验证的。
🔄 Call back：方案评审时，用 A/B 测试数据代替主观判断；没有数据就设计一个实验来获取数据。
场景 C：DAU 增长——「我认为 DAU 会涨」
弱说服版：
「这次活动拉新效果很好，DAU 应该会有明显增长。」
「很好」是多少？「明显」是多明显？没有数字就没有基准，没有基准就没有对比。
强说服版：
「活动前 7 天 DAU 均值 1.8 万，活动上线后 7 天 DAU 均值 2.1 万，环比提升 16.7%。其中新增用户占 62%，回流用户占 25%，沉默唤醒占 13%。按当前日均 GMV 贡献 8.3 元/人估算，活动带来的 DAU 增量每日贡献 GMV 约 2490 元。增长主要来源是分享裂变带来的新增，建议将活动延长 7 天并增加分享激励。」
把 DAU 拆成公式，结论就有了方向：「新增 + 回流 + 沉默唤醒」哪个是主力，哪个还有空间，一目了然。
🔄 Call back：做提前预研时，先用数据定义「增长」的具体含义；活动复盘时拆到来源，不只报总量。
场景 D：竞品跟进——「竞品做了，我们也要做」
弱说服版：
「某竞品上线了 AI 助手功能，我们也要做。」
竞品做了不等于我们应该做。竞品的用户结构、生命周期阶段、上线时的市场环境都和我们不同。
强说服版：
「竞品 3 月上线 AI 助手功能，30 天用户留存率从 41% 提升至 47%（+6%）。我们的用户调研显示，对 AI 功能的需求评分 4.3/5（n=312），高于功能优先级均值 3.8/5。参考竞品 6% 的留存提升，按我们的日活规模，预计可带来每日 DAU 净增约 1200 人，留存提升 4%~5%。建议 Q2 排期。」
用竞品数据做参考，用自己的用户数据做决策依据。两层证据，比「竞品有我也要有」有力十倍。
🔄 Call back：竞品分析时，不只记「竞品做了什么」，还要量化「做之后带来了什么效果」。
从四个场景提炼：数字说服的三个底层价值
① 消除歧义：两个人对「很多」「不错」的理解完全不同。数字让「不错」变成「留存率 42%」，没有争议空间。
② 跨越个体差异：一个人的经验是个案，一百个人的数据是规律。统计让我们从「我觉得」变成「我们观察到」。
③ 让对比成立：没有基准线的比较没有意义。「增长了 10%」——从 1 增长到 1.1 还是有 1000 增长到 1100？数字让对比有基准、可复现。
这就是 PM 为什么要懂统计：不是因为要算数学题，而是因为数字是把「观点」变成「证据」的最通用语言。
本章预告：我们接下来会讲 PM 最常用的三种数字武器（A/B 测试、均值对比、漏斗分析），以及如何把数字变成一张有说服力的图。
提示：点击正文区域或按 ← → 方向键翻页 · 按 ↑ ↓ 滚动