你把一个新产品推向市场。

广告投了，渠道铺了，该做的培训也做了。几个月过去，真正愿意用的人还是寥寥无几。

团队开始犯嘀咕：是不是产品不行？

半年后，情况突然变了。第一批用户开始分享使用结果，更多人跟着尝试，新增用户快速上升。团队刚把目标调高，增长却又慢了下来。

产品没有涨价，功能没有缩水，口碑也没有突然变差。

新增为什么还是掉了？

我们很容易用产品好坏解释销量变化：增长快，说明产品好；增长慢，说明产品出了问题。

可销量还取决于另一件事：

产品正处在扩散的哪个阶段？

1966年，美国彩电市场仍在快速增长。

当时，行业准备的产能约为1400万台，很多人认为市场离顶点还远。营销学者弗兰克·巴斯却作出相反判断：彩电年销量将在两年后见顶。

1968年，年销量峰值果然出现。

巴斯的判断来自三个参数：

• 有多少人不等别人使用，自己就愿意尝试；
• 已有用户能带动多少人跟进；
• 这个市场最终能容纳多少用户。

1969年，巴斯在《管理科学》发表《耐用消费品的新产品增长模型》，正式提出这套方法，并用11类耐用消费品的数据进行检验。

后来，这套分析模型被叫做巴斯扩散模型。

巴斯模型研究的是：在一个范围明确的市场里，每个时期会增加多少首次采用者。

决定新增的，主要有三股力量。

没人带头时，谁会愿意先试？

新产品刚上市，市场上还没有多少人用。此时的增长，主要靠少数愿意尝鲜的人。

广告、媒体报道、渠道推荐和产品本身的吸引力，都可能促使他们行动。巴斯用参数p表示这股不依赖他人的基线力量。

说得直白一点，p代表的是：

不管别人用没用，我自己愿不愿意先试。

但p不等于广告效果。它是一个综合参数，广告、渠道、报道和产品吸引力都可能反映在里面。

身边用的人多了，为什么更多人会跟进？

大多数人不会立刻行动。

他们要先看看同事用得怎么样，听听朋友的评价，再判断这东西是不是值得试。

已有用户越多，其他人看到和讨论产品的机会就越多。巴斯用参数q表示这股模仿力量的强弱。

q也不能简单理解为口碑。价格下降、渠道扩张等随时间发生的变化，有时也会被模型吸收到q里。

还有一点容易误解：p和q说的是两种采用来源，不是两类固定的人。

同一个人买手机时可能愿意率先尝试，换新能源汽车时却会等身边的人先开几年。一个人是主动采用还是跟随采用，要看具体产品和具体情境。

口碑还在，新增为什么仍会下降？

因为真正可能购买的人不是无限的。

巴斯用m表示潜在市场规模。假设某款产品最终可能拥有10万名用户，那么m就是10万。

如果现在已经有N人采用，剩余潜在用户就是m-N。

刚开始时，没用过产品的人很多。随着采用人数增加，剩余市场会越来越小。

到了后期，即使口碑还在传播，新增也会下降。不是产品突然变差，而是该买的人已经买得差不多了。

整个过程连起来，就是这样：

产品刚上市，增长主要靠少数人主动尝试；用的人多了，模仿开始加速；再往后，剩余用户越来越少，新增逐渐回落。

巴斯模型把这段过程写成了一个公式：

不用背公式。

方括号里的部分，计算的是一个尚未采用的人现在有多大可能开始使用；后面的m-N，是市场里还剩多少潜在用户。两者相乘，得到当前的新增采用速度。

记住三个量就够了：

• p：有多少人愿意自己先试；
• q：已有用户能带动多少人；
• m-N：市场里还有多少人没用，但可能会用。

前两股力量推动新增，最后一股力量限制新增。它们同时变化，增长自然会先慢、后快，再慢下来。

假设一家公司上线了一款AI工具。

最初，只有三五个人愿意研究。他们不需要同事示范，自己就想试试。这部分可以理解为基线采用。

几个人用了以后，确实节省了时间，可结果没人知道。其他同事既看不见效果，也不知道自己能不能学会，于是迟迟不动。

不是大家一定不需要，而是模仿还没有发生。

后来，公司拿出一个真实案例：一份原来需要两小时完成的报告，现在四十分钟就能写完。人们终于看到了具体结果，开始跟着尝试，使用人数迅速上升。

再往后，适合使用但还没有使用的人越来越少。即使现有用户仍在分享，新增也会慢慢回落。

工具并没有突然变差，它只是走到了扩散曲线的下一段。

因为早期增长慢，不只一种原因。

如果几乎没人愿意主动尝试，问题可能出在产品的初始价值不清楚、试用门槛太高，或者首批用户找错了。此时扩大投放，只会让更多不匹配的人看到产品。

还有一种情况：已经有人用出了效果，别人却完全看不见。

这时需要做的不是继续喊"产品很好"，而是把首批用户的真实结果呈现出来。谁在用，解决了什么问题，节省了多少时间。说得越具体，越容易被人相信和模仿。

如果用户愿意尝试，却很快放弃，那就不是扩散没启动，而是产品价值或体验没有过关。此时增加曝光，只会更快放大问题。

所以，新产品推不动时，先别急着加预算。

先分清楚：是没人愿意试，还是试过的人没有形成示范，或者产品根本留不住人。

因为累计用户和新增用户是两条不同的曲线。

累计用户通常呈S形：前期增长缓慢，中间加速，后期逐渐接近市场上限。

每期新增则先升后降：开始不多，随后达到峰值，最后慢慢减少。

因此，一款产品完全可能出现这种情况：

总用户还在增加，每月新增却已经开始下降。

这并不矛盾。

假设某个产品第一个月增加1000名用户，第二个月增加800名。总用户仍然多了800人，只是新增速度已经放缓。

巴斯预测彩电市场时，判断的正是年新增销量何时达到峰值，而不是彩电从此没人买。

10万人的市场，新增会在哪一年达到峰值？

假设某个市场最多有10万名潜在用户，并以年为时间单位：

模型刚启动时，还没有人采用，也就没有人可供模仿。

此时的新增采用速度是：

当累计采用比例达到：

模仿带来的新增力量第一次超过基线力量。

这个位置只说明增长的主要动力发生了变化：原来主要靠少数人主动尝试，现在更多人开始受已有用户影响。

它不代表市场已经成功，也不代表增长从此不需要外部推动。

按照这组参数，扩散开始约6年后，新增采用达到峰值，约为11556人/年。此时，累计采用约占潜在市场的46%。

峰值过后，模仿仍在发生，但剩余市场缩小得更快，新增开始下降。

这里的7.5%、46%和第6年，都由这组特定参数算出，不是所有产品通用的判断线。p、q或m改变，峰值位置也会跟着改变。

一个产品上线半年，新增用户开始下降。

团队很容易得出结论："产品是不是不行了？"

先看两个问题：

• 已有用户占潜在市场的比例有多高？
• 市场里还有多少真正可能采用的人？
  

如果覆盖率还很低，新增就开始下降，原因可能不是自然饱和。供给不足、渠道失效、竞品分流和产品问题，都可能造成类似结果。

如果累计采用已经接近潜在市场上限，各个渠道又同时放缓，新增下降更可能来自自然饱和。

可以顺着下面的信号继续排查：

巴斯模型不会直接告诉你答案。它能做的是把问题拆开，避免团队看到新增下降，就立刻把责任推给产品。

巴斯模型能帮我们理解扩散，却不是一台自动预言机。

看到S形，就能证明找对原因了吗？

不能。

巴斯模型可以产生S形累计曲线，但S形并不专属于巴斯模型。

价格逐步下降、渠道不断铺开、供给能力提升，也可能带来相似的走势。其他增长模型同样能画出S形曲线。

所以，曲线长得像，只能说明巴斯模型可能适用，不能证明背后的原因一定是主动尝试和模仿扩散。

历史数据对得上，未来就一定算得准吗？

也不一定。

1997年，两位营销学者研究了巴斯模型的参数估计问题。他们发现，只使用早期数据时，模型估计的市场上限m，常常贴近当时已经观察到的累计采用量。随着新数据加入，q等参数也可能明显变化。

原因不难理解。

在增长曲线尚未转弯时，很多组p、q、m都能解释同一段数据。它们对过去的数据都画得很像，对未来的预测却可能相差很远。

因此，参数应该被当作等待验证的假设。预测峰值时，最好给出一个时间范围，而不是断言"明年六月一定见顶"。

数据越少，范围就应该留得越宽。

过了"引爆点"，增长就能自己跑起来吗？

未必。

当累计采用比例达到p/q时，只能说明模仿带来的新增力量开始超过基线力量。

这不等于增长已经能够自我维持，更不能证明产品一定会成功。

现实中的增长还要面对用户流失、竞争、成本、供给能力和产品体验。标准巴斯模型并不处理这些因素。

巴斯模型最实际的用法，不是计算一个神奇日期，而是帮助团队把问题问对。

怎样才算一个人真的采用了？

采用究竟指购买、注册、首次完成核心任务，还是连续使用30天？

口径不同，得出的曲线也不同。

统计单位也要说清楚。如果研究的是"企业是否采用一套系统"，一家公司只能算一个采用者；如果研究的是"员工是否使用这套系统"，每名员工都可以单独计算。

连什么叫"采用"都没说清，后面的参数不会有意义。

你说的市场，到底包括哪些人？

不是所有看见产品的人，都是潜在用户。

哪些人真正有需求，也有条件使用？哪些人从一开始就不属于目标人群？

m必须对应明确的产品、价格、渠道和目标用户。只要其中一项改变，潜在市场规模就可能跟着改变。

总用户和每月新增，为什么要放在一起看？

累计用户告诉你已经覆盖了多少人，每月新增告诉你增长速度有没有掉头。

只看累计，容易忽略新增已经下降；只看新增，又无法判断市场是否接近饱和。

两条曲线放在一起，才知道产品走到了哪一步。

是没人愿意先试、没人跟进，还是快卖完了？

最后检查三件事：

1. 没看过别人使用的人，是否仍愿意主动尝试？
2. 已有用户的成果是否看得见、信得过，也容易模仿？
3. 真正符合条件但还没采用的人，还有多少？

这三个问题不能代替专业分析，但足以帮助团队确定排查方向。

如果有建模条件，可以进一步估计p、q和m，设置几种不同情景，再留出一部分新数据检验预测是否准确。

判断模型好不好，要看它面对新数据时表现如何，而不是历史曲线画得有多漂亮。