停止无效实验，产出高质量实验假设（下）

小黑哥 2024-04-06 11:02:10

01 通过多轮数据分析提升假设质量

当你完成了三类数据（定量分析、定量分析、参考最佳实践）的收集和分析后，如果仍然没有形成清晰的实验假设，或者假设过多，可以通过多轮数据分析来提升假设质量。

接下来我们以“社交APP小恩爱注册转化率优化”作为案例，详解去粗留精的优化过程。

首先第一步通过漏斗数据分析发现，小恩爱APP的注册流程，第三步资料填写页的转化率非常低。

据此产品运营同学形成了一些初步的假设，比如说是不是资料转化页上添加头像的字体不明显，或者我要的信息太多了，或者用户找不到照片上传，或者上传照片太慢等等，很多个初步假设。

接下来就要去通过进一步数据分析的方式去筛选这些假设。

第二个动作是细查流失用户的操作路径。这个时候就发现了很有意思的现象，在所有流失的用户里面，有两个路径是最常见的：

这两种路径是比较普遍的路径。

据此，他们进一步筛选出两个假设:

最终，经过实验验证，这两个改动使注册转化率提升了20%。从这个案例可以看出，多轮数据分析能够帮助产出高质量的实验假设。只要以数据分析去寻根问底，验证假设就能点石成金。

（1）定量数据：通过定量数据分析，可以发现具体问题所在。

（2）定性数据：运用定性数据和用户调研，可以深入理解问题发生的原因。

（3）参考最佳实践：参考业内最佳实践，可以获得问题的解决思路。当然最佳实践也不是需要盲目的去遵从，还是通过自己的测试和实验得到最终的结论。

上一篇文章有详细说明，本文就不赘述了。

如果一轮数据分析没能找到高质量假设，或假设过多，可以通过多轮分析提升假设质量。

因为我们知道开发一个实验是非常成本高昂的，如果能通过数据分析的方式排除掉那些不靠谱的实验，相当于间接的就节省了实验开发的成本，瞄准高质量假设，显著提高增长实验的整体效率。

在产生大量想法后，需要将它们整理成清晰的实验假设。清晰假设应具备以下特征：

（1）明确可衡量

（2）有时间限制

（3）可被证伪

（4）可解释背后原因

什么是清晰的实验假设？

举例：

“写公众号可以带来新用户注册”——这是个清晰的假设吗?显然不是，它只是非常虚的一句话。
“写公众号可以带来 100 个新用户注册”——这个会比上面一个强一点，因为它有数字去支持，但是它还是不是特别清晰，因为清晰的实验假设必须有时间限制，写公众号如果等一年可能可以带来 100 个新用户注册，这件事就没有什么意义了。
“写一篇公众号可以在发表两周内带来 100 个信用户注册”——这个就已经清晰很多了，有非常明确的可以去衡量的结果。
“写一篇关于产品的公众号长文，可以在发表两周内带来 100 个新用户注册，因为这篇公号会给大家清晰的介绍产品的价值主张。”——这就是一个非常清晰的实验假设，它有非常明确的指标，也时间的限制，同时解释了背后的原因，且是可以被证伪的，也就是可以根据实际的结果去推翻它。

其实，没有清晰的假设就直接开干是很多实验失败的最常见的原因。