增长自动驾驶 可以根据您的实际业绩数据以及同类应用的市场表现，帮助您找出应该进行哪些实验。无需凭空猜测，您将获得具体的测试建议，这些建议更有可能改善您的业绩表现。 本文将透明地呈现 Autopilot 的工作逻辑——它使用哪些数据、如何评估机会，以及为什么会出现特定的建议。目的是帮助你在增长工作流程中放心地使用它。

Autopilot 的实际功能

Autopilot 会分析你的应用及付费墙数据，找出最有可能提升收入的实验方案。它关注以下几个方面：

• 当前设置：定价、试用、产品及转化效果
• 市场规律：同类应用的报价结构与收费水平
• 测试历史：已运行过的实验及其结论
• 增长潜力：哪些调整最有可能带来实质性变化 Autopilot 借助 AI 综合评估这些因素，直接生成可立即启动的 A/B 测试方案。你无需自行研究竞品或反复猜测下一步该测什么，开箱即用。

Autopilot 背后的数据

每条建议都基于三个协同工作的主要数据来源。

你的应用自有数据

Autopilot 会分析你的应用当前的表现：

• 各付费墙的转化数据图表
• 定价与产品结构

这为 Autopilot 在提出任何调整建议之前提供一个基准参考。

付费墙分析

Autopilot 会分析你的付费墙截图，并将其设计与你所在品类中表现最佳的应用所采用的成熟模式进行对比。它会评估布局选择、文案、订阅方案的呈现方式，以及节省金额标签、用户评价区块等以转化为导向的元素。

分析完成后，会生成两类建议：

• 基准测试建议：参考同类头部应用的差异化做法，每条建议均有具体数据支撑（例如”72% 的教育类头部应用采用了这种做法”）。
• 视觉分析建议：AI 基于你上传的截图生成，涵盖文案优化、布局调整及其他设计改进建议。

这些建议会直接作为假设方案进入你的增长计划，你可以将其启动为 A/B 测试。

竞品数据

Autopilot 会通过定价、订阅结构、同类应用常见模式等公开信息，将您的设置与市场中的同类应用进行对比。由于竞品定价和结构因市场而异，这些对比均按国家/地区进行。竞品定价数据来源于第三方及公开渠道（如 App Store），与数据图表分析所使用的 Adapty 网络匿名数据相互独立。 这样一来，你测试的是已经在同类应用中验证过的策略，而不是随机尝试。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。如果类似应用采用不同的定价或结构取得了更好的效果，这就是一个很好的信号——同样的方法可能同样适用于你的应用。

行业基准

Autopilot 汇集了 Adapty 追踪的 20,000 款订阅应用的匿名数据，帮助你了解自己在特定国家/地区与同类应用平均水平的差距。这些数据经过全网汇总，不会与具体应用关联。

例如，你的转化漏斗和每次安装收入会与同类应用在同一国家/地区的平均值进行对比，让你清楚地看到自己是表现不佳、处于平均水平，还是已经领先一步。

地域市场数据

Autopilot 会分析各个地区市场——借助 Adapty 网络中 20,000 款应用的规律——找出哪些地区通过调整定价可以释放更多收入。针对每个国家，它会评估以下指标：

• 转化率：安装转付费的比率与全球平均水平的对比。转化率较高，可能意味着有提价空间；转化率较低，则可能表明用户对价格比较敏感。
• 价格指数：该国在 Adapty 定价指数 中的位置，反映当地居民的购买力水平。 您可以根据增长计划中的地域定价建议创建 A/B 测试，以落实这些推荐策略。

Autopilot 如何决定推荐内容

Autopilot 会生成一批建议，帮助你提升付费墙转化率。这些建议设计为逐一测试，以便可靠地衡量每项改动的效果。

以下是 Autopilot 生成建议的方式：

1. 找出最大的优化机会 Autopilot 会审查您的定价、产品和漏斗表现，并与行业模式及同类应用进行比较。分析以您主要市场的货币为基准——而不仅仅是美元——因此价格建议与订阅者实际支付的金额相符。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，还是改变您的优惠结构。

2. 选择下一个实验 每个假设都基于您现有的测试历史生成。Autopilot 知道您已经运行过哪些实验、哪些取得了胜利、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推进，而不是按固定顺序执行。

3. 运行优胜者对挑战者测试

   每次实验结束后，获胜者将成为新的基准。该结果会影响您增长计划中的下一个建议——Autopilot 保留有效的内容，排除无效的内容，并从中选择下一个测试。

4. 保持实用性 Autopilot 只会推荐你能用现有产品和配置直接启动的测试，或者只需小幅调整（比如新建一个产品或调整价格）即可运行的测试。目的是让测试保持高效、易于管理。

5. 向你展示推荐逻辑

   针对每条推荐，Autopilot 都会提供清晰的假设说明，解释为什么这个测试值得运行。你可以看到当前数据指标与竞品及行业均值的对比、潜在的优化空间，以及我们预期会改善哪些关键指标。 这让实验成为一个可持续迭代的过程——每次测试都能带来新的洞察，推动你不断优化付费墙的转化效果。

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后续实验的基础。只要你持续测试，Autopilot 就会不断提供下一步的建议。 若要刷新底层市场数据，可在同一版位上重新运行分析。每次重新运行都会拉取最新的竞品定价、转化基准和品类趋势，并将新发现的假设添加到增长计划中，而不会影响已有内容。重新运行不会覆盖现有内容——AI 生成的假设、自定义假设以及进行中的 A/B 测试均会保留。 一旦优化了基线，您也可以选择与更高级的竞争对手一较高下。这种迭代方法有助于您随着应用的增长和市场的演变持续最大化收入。