增长自动驾驶仪 可以根据您的实际表现数据以及同类应用的市场表现，帮助您确定该运行哪些实验。无需靠猜测，您将获得具体的测试建议，这些建议更有可能改善您的结果。 本文将深入介绍 Autopilot 的决策逻辑——它使用哪些数据、如何评估机会，以及为什么会产生特定建议。我们希望帮助你充分了解 Autopilot，从而将其作为增长工作流的重要组成部分，放心使用。

Autopilot 的实际作用

Autopilot 会分析你的应用和付费墙数据，找出最有可能提升收入的实验方向。它会综合考量以下因素：

• 当前设置：定价、试用、产品以及转化效果
• 市场规律：同类应用的定价策略和产品结构
• 测试历史：你已经运行过哪些实验，以及这些实验揭示了什么
• 增长潜力：哪些改变最有可能带来实质性提升 Autopilot 利用 AI 综合评估这些因素，并直接生成可立即启动的 A/B 测试方案。你无需调研竞品或猜测下一步该测什么，就能获得一份现成的测试计划。

Autopilot 背后的数据

每条建议都基于三个主要数据来源，它们协同工作。

应用自身数据

Autopilot 会分析你的应用当前的表现：

• 各付费墙的转化数据
• 定价与产品结构

这为 Autopilot 在提出任何更改建议之前提供了基础参考。

付费墙分析

Autopilot 会分析你的付费墙截图，并将其设计与同类顶级应用所采用的成熟模式进行对比。它会评估布局选择、文案、订阅方案呈现方式，以及转化导向元素（如优惠标签或用户评价区域）。

该分析会产出两类建议：

• 基准建议，来源于表现优异的应用的差异化做法——每条建议均附有具体数据支撑（例如：“72% 的高绩效教育类应用采用了此做法”）。
• 视觉分析建议，由 AI 根据您的截图生成，涵盖文案优化、布局调整及其他设计改进建议。

这些建议将直接输入您的成长计划，作为 A/B 测试轮次使用。

竞品数据

Autopilot 会利用定价、订阅结构、所在品类的常见模式等公开信息，将你的配置与市场中同类应用进行对比。由于竞品定价和结构因市场而异，这些对比均按国家/地区维度进行。竞品定价数据来源于第三方和公开渠道（如 App Store），与数据图表分析中使用的 Adapty 网络匿名数据不同。 这样，你测试的是已经在同类应用中验证过的策略，而不是随意的想法。看到分析结果后，你可以将自己的基准数据与竞品价格并排对比。如果同类应用采用不同的定价或结构效果更好，这就是一个有力信号——同样的思路也可能适合你。

行业基准

Autopilot 借助 Adapty 追踪的 20,000 款订阅应用的匿名数据，展示你与特定国家/地区内同类应用平均水平的差距。这些数据在整个网络中聚合，不与任何具体应用挂钩。

例如，你的转化漏斗可以与同类别、同国家/地区的应用平均值进行对比，帮助你判断自己是低于平均水平、与平均水平持平，还是已经领先一步。

地理市场数据

Autopilot 分析各个地理市场——借助 Adapty 网络中 20,000 个应用的规律——识别哪些地区的定价调整能够释放更多收入。针对每个国家，它会评估以下维度：

• 转化率：安装到付费的转化率与全球均值的比较。较高的转化率可能意味着有提价空间；较低的转化率则可能说明用户对价格较为敏感。
• 价格指数：该国家在 Adapty 定价指数 中的位置，反映当地居民的购买力水平。 您可以根据这些建议，从您的增长计划中的地理定价建议创建 A/B 测试来付诸实践。

Autopilot 如何决定推荐内容

Autopilot 会生成一批建议，帮助你提升付费墙的转化率。这些建议按顺序逐一测试，以便可靠地衡量每项变更的实际效果。

以下是 Autopilot 生成建议的方式：

1. 找到最大的优化机会 Autopilot 会分析你的定价、产品和漏斗表现，并与行业规律和同类应用进行对比。分析以你主要市场的货币为准——而不仅仅是美元——因此价格建议与订阅者的实际支付情况相符。它会找出最有改进空间的地方，无论是调整价格、增加试用期，还是改变优惠结构。

2. 选择下一个实验 每个假设都基于你现有的测试历史生成。Autopilot 知道你已经运行了哪些实验、哪些赢了、哪些方向还值得探索。下一个建议会在上一个实验结论的基础上继续推进，而不是按固定顺序机械执行。

3. 运行赢家 vs. 挑战者轮次

   每次实验结束后，赢家成为新的基准。该结果会影响增长计划中的下一条建议——Autopilot 保留有效的内容，排除无效的内容，并从中选出下一个测试。

4. 保持实用 Autopilot 只会推荐你可以用现有产品和配置直接启动的测试，或者只需做少量调整（比如新建产品或修改价格）就能启动的测试。目的是让测试保持高效、易于管理。

5. 向你展示推理依据

   针对每条建议，Autopilot 都会提供清晰的假设，说明为什么这个测试值得运行。你将看到当前数据指标与竞争对手及行业平均水平的对比、潜在的机会点，以及我们预期会改善哪些关键数据指标。 这让实验成为一个可重复的过程——每次测试都能带来新的洞察，推动你不断优化付费墙的效果。

每次实验结束后会发生什么

建议不会用完。每次完成的测试都会成为下一步实验的基础。只要你持续测试，Autopilot 就会不断给出新的建议。

你还可以重新运行完整分析，刷新底层市场数据。这将拉取最新的竞品定价、转化基准和品类趋势。一旦优化好基准线，你也可以选择与更强劲的竞争对手过招。这种迭代方式帮助你随着应用的成长和市场的变化，持续最大化收入。