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4页）

幸存者偏误也与基本归因错误有关，是我们在观察一件事的结果时，更倾向于相信人对结果的影响，而忽视环境的作用。

比如，我们做一个司机使用的接单工具，发现司机的点击情况很奇怪，跟乘客的使用习惯相比，他们经常点错误触，取消返回，这是不是代表司机群体比乘客群体平均年龄大，受教育程度低，因此使用手机的能力差？当然不是，考虑到具体场景，是司机在车内环境下使用手机，手机可能是在支架上，使用难度变大导致的。

●回归谬误（regressionfallacy）指的是没有考虑随机起落的正常波动现象，造成不准确的因果推论。

生活中最常见的就是许多药物的药效，大多治标不治本，而我们吃药后病情好转会认为是药效好，其实大都是自愈（比如感冒）。

在做用户数据分析时，也经常可能遇到以下情况：我们做了一些事情A，结果用户似乎有了变化，做出了反应B，于是我们推导出A一定会导致B。

其实未必，还是要洞察是否存在随机现象，是否存在外界影响等。

●社会期望偏误（socialdesirabilitybias）是在做用户调研时经常遇到的：相较于真实的答案，被调查者更有可能选择符合社会期望的答案。

最典型的例子是在一个社会文化过于传统的环境中，同性恋极少会公开自己的性取向。

有的公开调查里，喜欢性玩具的大都是男性，是因为女性在并不太开放的文化氛围中一般难以启齿。

我们在做日常的调研时，很可能会遇到用户认为某些真实答案会显得自己“自私”

“不合群”

“过分夸张”

等，于是就选择一个更符合社会普遍预期的答案。

所以，一定要谨慎选择调研方法，打消被调查者的疑虑，尽可能地发现这些偏误。

●受试者期望效应（subject-expectancyeffect）是指用户会有自己的目的性和预期，所以不选择更真实的答案，社会期望偏误是其中的一种。

还有的情况，可能涉及利益关系，比如我们做了一个商品，询问用户在涨价20%的情况下是否还会购买，虽然用户内心清楚涨价20%还是会买，但考虑到不希望涨价，就会表示不会购买，这样得到的结论就是错误的。

还有关于统计误用的更多信息，可以参考https:zh.wikipedia.ccwiki%E7%B5%B1%E8%A8%88%E8%AA%A4%E7%94%A8。

这只是统计学里和认知心理学里对数据分析认知偏误的沧海一粟，不过已经能够覆盖多数数据分析新人会犯的错误了。

统计学，尤其概率的一些初步知识，对我们做迭代流程中的判断来说极为重要，这个学科已经非常成熟，有海量的知识可以自行获取。

“数据分析十条”

里的2、3、4，描述的是科学精神，我们接下来要讲的就是实事求是的道理。

坚持对的，放弃错的

几年前的某天，我非常不满地发了一条朋友圈信息：“有的人做实验，效果好就优化，效果差就弃用；有的人做实验，是想尽办法证明自己的实验效果好，然后优化。”

这源于当时某个同事的行事作风让我很气愤，在他每年做的一二十个策略里，没有哪个是不成功的，全部有效果，没有效果的，也要找出数据来证明有效果。

在他的眼中，数据是他用来证明自己的工具，而不是判断真伪的工具。

在迭代过程中，“坚持对的，放弃错的”

是最容易理解，也看似最容易执行的一项工作。

可惜，比较容易执行的是前半部分“坚持对的”

，而不是后半部分“放弃错的”

。

只是因为，我们每个人——不仅仅是我那个急功近利的同事——都要面临人性的弱点：我辛苦耕耘之后，还要跟别人承认我的方案不行？更难的是，假如这个方案的来源是老板和不熟悉的人，要说服他们认可你的结论，也要做许多工作。

常见的一种麻烦的情况是，当你否认对方或者自我否认时，大家都会想到一个点：应该不会是我的逻辑推断有问题，可能就是方案没有做好，再优化一下试试？于是就会陷入无穷无尽的优化，几乎所有的坏策略都会进入这种恶性循环，那些没办法给用户带来太大价值的功能和服务，也越堆越多，最后终于不堪重负，在问题暴露之后再着手解决。

因此我们知道，做到“放弃错的”

并非是单纯的能力和方法问题，而是心态问题。

确保我们在迭代中真的能够“放弃错的”

，有以下几件事可以做。