古民编写脚本，自动化扫描过去一年的主要增长动作数据，标记出符合上述一个或多个特征的可疑案例。结果生成一份长长的列表，其中“暑期拉新冲刺”项目的部分渠道赫然在列，且特征显著。此外，列表中还出现了其他一些他未曾留意的日常运营活动、功能推广，甚至某些版本的APP更新。
第四步：构建“真实转化率”与“有效成本”核算体系。
这是模型的核心输出。古民要挑战的是唯“注册量”、“点击成本”论的表面指标。
他定义：
? 表面转化率 = 动作直接带来的目标行为次数 / 动作曝光或触达次数。（如：广告点击注册率）
? 真实转化率 = （动作带来的、且在后续观察期内被识别为“中高价值”的用户数量）/ 动作曝光或触达次数。 观察期可根据业务特点设定（如7天、30天）。
? 表面成本 = 动作总花费 / 动作直接带来的目标行为次数。（如：单用户注册成本）
? 有效成本 = 动作总花费 / 动作带来的“中高价值”用户数量。
模型会自动计算主要增长动作的这两组指标。差距越大，说明该动作的“无效水分”越多，资源错配越严重。古民将“真实转化率”与“有效成本”视为更接近业务本质的“北极星指标”候选。
第五步：尝试归因与压力测试。
有了可疑动作列表和修正后的成本效益指标，古民开始尝试分析，为什么这些“无效动作”能够持续存在。
他调取了这些动作相关的项目文档、评审记录、结案报告。他发现，在项目规划和复盘时，焦点几乎全部集中在“表面转化率”和“表面成本”是否达标。只要这两个数字“好看”，项目就是“成功”的。至于带来的用户后续如何，往往只有笼统的“留存有待提升”等模糊表述，缺乏严格的归因和问责。
他模拟了如果考核指标从“注册量”转变为“有效用户获取量”或“长期用户价值增量”，资源分配会发生怎样的变化。模型模拟显示，大约有30%-40%的预算，如果从当前的高“无效动作”嫌疑渠道，转移到那些表面成本可能稍高、但真实转化率和用户价值也更高的渠道或策略上，理论上可以在相同总预算下，获取更多具有长期价值的用户。
模型还揭示了另一个问题：某些产品功能或运营策略的“内卷”。例如，为了提升日活跃用户数，不断推出新的签到奖励、任务体系，这些功能确实能拉动短期数据，但模型分析显示，它们主要吸引了“功能羊毛·党”，对核心用户的粘性提升有限，却增加了产品复杂度和运营成本。这些动作，在古民的模型里，也被标记为“低效”或“可疑”。
模型构建的挑战与局限：
古民清楚，这个UVAR模型远非完美，存在诸多局限：
? 数据质量与完整性：跨部门数据口径可能存在差异，归因模型本身存在误差，用户行为追踪可能有遗漏。
? 价值定义的武断性：“中高价值”用户的划分标准可以争论，权重设置有一定主观性。
? 长期预测的不确定性：模型基于历史数据，但用户行为和市场环境会变。
? 无法涵盖所有动机：有些市场动作（如品牌广告、阻击竞争对手）的战略价值无法用短期用户价值衡量。
然而，即便有这些局限，模型的价值依然巨大。它提供了一个不同于主流KPI体系的、系统的、数据驱动的审视视角。它将隐藏在漂亮汇总数据之下的“无效动作”及其成本，以量化的方式暴露出来。它不再依赖于模糊的“感觉”或个别的“问题”，而是提供了一套可重复、可验证的分析框架。
古民将模型的所有代码、分析逻辑、数据查询脚本、可视化模板，都整理在一个结构清晰的本地项目文件夹中，并做了详尽的注释。这既是他实习期间独立思考的结晶，也是一件强大的分析工具，更是一份潜在的关键“资产”。他暂时不打算向王磊之外的任何人展示全部细节，但他知道，一旦时机合适，这个模型及其背后的分析，可以成为刺破数据迷雾的利器。
他给这份总结文档起了个朴素的标题：《用户增长有效性评估与无效动作识别模型（UVAR）V1.0》。在文档末尾，他写下几行不带感情的结论要点：
1. 初步估算，当前约30%-40%的用户获取相关预算，其产生的“有效用户价值”效率显著低于最优渠道/策略潜力。
2. “表面转化率/成本”与“真实转化率/有效成本”之间存在系统性偏差，偏差幅度因渠道和动作类型而异，在10%到70%之间。
3. 考核指标与激励体系是导致资源错配和无效动