Sean Ellis 测试
判断产品是否达到 PMF（产品市场契合）的量化标准——问活跃用户”如果再也不能使用这个产品，你会有什么感觉？“，若超过 40% 回答”非常失望”，则可能已找到真正的 PMF
简介
Sean Ellis 测试是增长黑客之父 Sean Ellis 提出的、用来判断产品是否达到 PMF（Product-Market Fit，产品市场契合）的经典量化方法。它把”产品到底有没有戳中真实需求”这个抽象问题，变成一个可测量的单一问题：向你的活跃用户提问”如果再也不能使用这个产品，你会有什么感觉？“，给出”非常失望/有点失望/不失望”等选项。
判断标准很明确：如果超过 40% 的人回答”非常失望”，说明你可能找到了真正的 PMF；如果低于这个数字，那你还在寻找的路上。这个测试的价值在于，它把创始人容易自我安慰的”我觉得产品挺好”替换成一个来自真实用户、有明确阈值的信号。
在 Anthropic《创始人手册》的语境里（见 2026-07-14-woshipm-let-ai-reject-your-idea），它是 MVP 阶段”用最小代价验证问题是否真实存在”的收尾判据，与”从推到拉”的留存信号互为印证。
关键信息
- 类型：概念（PMF 判断方法）
- 领域：产品管理 / 增长 / PMF 验证
- 提出者：Sean Ellis（增长黑客概念提出者）
- 核心指标：活跃用户中”非常失望”占比 ≥ 40% → 可能达到 PMF
- 相关概念：MVP、Vibe Coding、让AI否定你、增长黑客、留存分析
核心特性
定义与操作
- 提问对象：产品的活跃用户（不是所有注册用户，也不是路人）
- 核心问题：“如果再也不能使用这个产品，你会有什么感觉？”
- 选项：非常失望 / 有点失望 / 不失望（无所谓）
- 判据：回答”非常失望”的比例超过 40% → 找到 PMF；低于 40% → 仍在寻找路上
为什么有效
它把”用户是否真的需要你”的判断从创始人的主观感受，转移到用户对”失去它”的真实反应上。用户可以对”未来会不会用”礼貌性撒谎，但对”失去它会不会失望”的情绪反应更接近真实依赖程度。这与 用户调研 中”问过去不问未来”、让AI否定你 中”寻找能推翻自己的证据”的思路一脉相承。
配套的”从推到拉”信号
本文补充了一个比问卷更直观的定性信号：
- 找到 PMF 之前：用户留存靠创始人不停地推、催、激励、人工跟进、亲自下场维护（“推”）
- 找到 PMF 之后：用户自己就来了，不用推，还会主动拉别人来用（“拉”）
“从推变成拉”这种感受的变化，是判断自己是否在正确道路上最清晰的信号。如果还在用力推，不一定是产品做得不够好，而可能是方向要调整——也许目标用户选错、功能侧重偏了，或整个问题就不够痛。
常见误区
- 对象搞错：对全部注册用户或随机路人做测试，而非真正的活跃用户，会稀释信号。
- 把不达标当失败：低于 40% 不是失败，而是”系统在正常工作”——数据不支持当前方向，正是它该告诉你的事。
不同素材中的观点
- 2026-07-14-woshipm-let-ai-reject-your-idea（@王三思转述 Anthropic《创始人手册》）：文章把 Sean Ellis 测试作为 MVP 阶段”验证问题是否真实存在”的量化判据引入——MVP 的目的不是把产品做出来，而是拿着它去找 5 个目标用户观察反应（能否理解、是否愿意试用、试用后是否主动再用、是否愿意分享）。Sean Ellis 测试（≥40% 非常失望）和”从推到拉”的留存信号是这一阶段判断 PMF 的两个核心工具。作者引用手册金句”数据不支持当前的方向不是失败，而是系统在正常工作”，强调很多人死于”数据已经说走不通时选择假装没看见”。
实用信息
- 适用场景：产品已有一批活跃用户、需要判断是否达到 PMF、是否值得加大投入放大时
- 基本用法：
- 圈定真正的活跃用户群体
- 问”如果再也不能使用这个产品，你会有什么感觉？”
- 统计”非常失望”占比，对照 40% 阈值
- 结合”推 vs 拉”的留存体感交叉验证
- 注意事项：低于 40% 时优先检查目标用户是否选错、功能侧重是否偏、问题是否够痛，而不是简单归因为”做得不够好”