momo电子书

手机浏览器扫描二维码访问

第十章 以四个步骤驱动产品迭代（第2页）

这是我见过的最典型的MVP之一。

有了MVP的判断后，我们就要进行下一步的试验了。

对于创业公司和从0到1的产品，无须多说，投放到目标市场就可以了，以某些营销策略让用户先能够使用产品。

更常见一些的是大公司的试验方法，通常有：

●灰度（或称小流量）试验；

●AB试验。

灰度试验是选定一部分特殊目标用户，或者随机选定一部分用户，先行试验。

这其实也是从可控性方面成本最低的方法，目标通常是查看有效性和有哪些异常问题需要解决。

在比较大的公司和平台，会有健全的灰度试验工具和方法论，用以检验每一个上线的功能和策略的有效性，也会监控它们是否引起严重的问题。

在较小的公司，则需要技术人员手工实现了。

AB试验其实是灰度试验的进阶，即同时投放到市场中两套拿不准的方案，看哪个方案效果更好、问题更少。

真正将AB试验的效果发挥到极致的是脸书，而国内的效仿者字节跳动在这方面的功底也非常深厚。

它快速试验的方法论和技术能力已经是顶尖的，有专门的Growth（增长）团队在提供方法论和技术能力方面的平台支撑，赋能给每一个项目团队，以此形成了流水线工厂一般的制造能力。

甚至有传说，连它旗下产品“西瓜视频”

的名字都是从几十个名字里试验得到的最佳用户选择。

确定试验方法的同时，一定要有明确的预期和判断标准，否则所谓的“迭代思维”

就会流于形式。

有不少自认为了解迭代思维的互联网公司，会反复做最小成本版本和AB试验，却从来不复盘，也不关心过去判断的正误，那跟没有做迭代并没什么区别，是属于“自上而下式的设计”

，不是基于用户的“自下而上式的设计”

。

一些抽象的用户价值的试验，可以以用户对产品模式或产品功能的反馈为标准，更需要调研结论来做支撑。

如果要验证业务效果，比如用户增长、留存等，则需要有统计学意义的显著有效的特征，才能证明收益。

用数据观察结果，做分析识别正误

我们在迭代过程中，需要观察的结果大致有两种：用户反馈和行为数据。

在判断结果时的原则是，如果有明确的行为数据，首要考虑的还是行为数据，毕竟数据是相对客观的呈现，且能够量化。

不过数据也并非是万能的，采集数据、分析数据的过程是由人来完成的，这就会存在前文提到的认知偏误，哪怕同样的数据，不同人的认知也会有一些差别，因此在下一节中我会讲到一些数据方面的认知偏误。

另外，的确有不少的观察结果是很难用数据得到的，数据通常只能告诉我们“用户的行为是这样的”

，不能让我们知道“用户的行为为什么是这样的”

。

比如，我们预想效果会不错的功能上线了，结果发现用户数据很差，没有用户愿意使用，这是数据层面可以告诉我们的，但究竟是功能提示不明显，用户搞不清楚这个功能是做什么的，还是用户其实清楚这个功能是什么，只是并不认为有用，这就需要通过用户反馈来完成了，它们会导向不同的改进方法（是增强说明提示，还是优化产品价值）。

因此常规的做法，在条件允许的情况下，都是数据先行，先观测用户的基础行为数据，看我们做的最小成本尝试在用户群体中的影响如何：用户是不是在用，在如何使用，然后做一些推论假设。

这要求我们提前做好计划，尤其是在重要的使用环节，分析有多少用户经过了这个节点，每个用户的路径如何，至关重要。

当我们有了一些基于数据的推论假设后，就可以根据它们做进一步分析拆解，看背后的原因究竟是什么。

用户调研，无论是用户问卷形式的调研，还是街头访谈，或者是电话回访和焦点小组，主要看是定量还是定性，线上的批量调研形式更适合定量，而线下的集中式访谈更适合定性。

经过对结果的观察，我们就能大概识别出正误。

要再强调的是，所谓的正误或者与预期有异，是基于我们在实验之前的假设或者预期，没有什么绝对的标准，比如哪个功能做到提升20%的用户活跃度就是对的，提升10%就是错的，预期是从产品决策的视角人为设定的，没有价值观上的对错之分。