户活跃或留存的动作（如签到活动、红包激励），在活动期间相关指标上升，但活动结束后，实验组与对照组的长期留存曲线无显著差异，甚至实验组因补贴撤销而下跌更猛。这表明动作未产生持久增益，只是临时“购买”了数据。
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
…。。