這個神祕公式支配了整個矽谷

矽谷的幾乎所有企業,都在使用一套科學的數據統計方法,來幫助團隊做出最優化的決策。

我們在工作的時候,經常會收到用戶各種各樣的意見、建議,甚至是抱怨。

「這個App設計的是瑕疵品嗎?」
「真想給他們產品經理寄刀片!」

設計師會糾結,應該用的字級多大,放幾個按鈕,按鈕用什麼顏色等。

內容工作者會糾結,ABC三個圖題,到底應該用哪個標題。

產品經理會糾結,用戶申請流程分幾步驟合適;是不是可以簡化一些用戶輸入項;簡化之後用戶品質會不會下降;讓用戶手機驗證或密碼驗證的流失率如何等。

技術人員當然會更糾結,出現一個新的前端框架,是否需要把整體程式碼遷移;當用戶量增加、系統變慢時,到底應該選哪個優化文案等。

各個職位上的人,每一次的琢磨和糾結都是一次決策,而這些無數次大大小小的決策累加起來就是一個產品的完整體驗。但是,這些問題之所以讓人糾結,是因為:表面上看,根本沒有標準答案。而且,就算你去做簡單的用戶調研,詢問幾個用戶意見,他們的想法也很有可能自相矛盾。這就像賈伯斯說過的,用戶根本不知道自己想要什麼,直到我們告訴他。

這一幕,就像是你問女朋友晚上出去想吃什麼,她嘴上說「隨便」,其實她心裡想說:「人家要去格調高又便宜,好吃又不會胖,不擁擠還很有人氣,拍照好看又不要太俗的店。」

用戶和女朋友一樣,難以捉摸。無論你怎樣糾結,時限一到,還是要做出決斷。

最後怎樣做出決斷?當然不是靠產品經理憑主觀臆斷,也不是靠碼農和設計師談判,更不是靠高層們微信扔骰子(比大小)。其實,矽谷的幾乎所有企業,都在使用一套科學的數據統計方法,來幫助團隊做出最優化的決策。

簡而言之,總結起來就是一個公式:p < 0.05

案例重現

我們都知道,想要對兩個方案做出選擇,最好的方法就是做實驗。在互聯網(網際網路)行業,這個實驗統稱為A/B測試(A/B Test)。也就是找出一部分實驗用戶,例如10萬人,給其中一半人使用A方案,而對另一半的5萬人,使用B方案。

看看下面這個案例。

透過第一章,你現在應該已經知道了,「顏色」對於用戶的行為有著顯著的影響。於是,你們的產品團隊現在想試試,把按鈕的顏色從綠色變成紅色,是不是有更多的人點擊。於是你就簡單地設計了下面這個實驗。對於所有進入這個頁面的用戶,你讓一半人看到綠色按鈕,而另外一半人看到的,則是紅色。

實驗就這樣跑了幾天,你得到了如下的數據統計結果。

A組,綠色:100個人看到了這個按鈕,可是卻沒人點擊,點擊量為0。
B組,紅色:同樣有100個人看到,居然有50個人點擊。

圖/寶鼎出版提供

如果是這樣完美的數據,我們容易得出結論——紅色完勝,畢竟綠色組成績為0。之後,你的產品團隊就高興地上線了紅色按鈕方案。可是,在現實的實驗中,我們往往得不到這麼完美的一面倒的數據,而且我們如果同時關注兩個以上的用戶指標,結論還很有可能相互矛盾,在這個時候我們應該怎麼辦呢?

再來看一個例子。

還是應用了第一章的內容,你現在應該知道,手機的「推播通知」對挽留用戶很重要吧。發一個推播,用戶說不定就會點開好久不用的App了。所以,你的團隊又有了一個想法,想和文案部門聯合,一起試試「個性化通知內容」是不是更有效。

於是,你們設計了下面這個實驗。依然是把用戶隨機分成兩組,然後你們分別給兩組人發送不一樣的推播通知。

圖/寶鼎出版提供

第一組收到的是非個性的「屠龍寶刀點就送!明星都在玩!」
第二組則有一點點個性化,在開頭加上了用戶的名字,「(用戶姓名),屠龍寶刀點就送!明星都在玩!」

通知發送一天之後,得到了如下圖所示的實驗結果。

圖/寶鼎出版提供

第一組,有95 個用戶接到了推播;收到通知24小時內,有四個人打開了App,但是有一個人刪除了App ,可能是因為收到推播太多,太煩了。
第二組,有107個用戶接到了推播;收到通知24小時內,有11個人打開了App,但是有三個人刪除了App。

注意,對於上面的數據,我們並不區分用戶是直接點擊推播通知打開的App,還是看到推播後,過了一會兒,用戶自主找到App圖示打開的。

結果擺在面前,就很尷尬了,似乎是喜憂參半的悖論。如果只看讀取率,那可能是第二組更好,但是第二組的刪除率又上升了。

到底應該怎樣抉擇?還好我們有統計學。

矽谷思維:矽谷頂尖工程師實戰經驗總結,五大模式訓練邏輯思考,職場技能提升+競爭力開外掛!

(本文摘自Han著《矽谷思維:矽谷頂尖工程師實戰經驗總結,五大模式訓練邏輯思考,職場技能提升+競爭力開外掛!》,寶鼎出版提供)


延伸閱讀

流於表面的觀察都無濟於事 抗疫更需要「數商」

會計學之父:商人應保持機警 每天對帳

英特爾將輪椅軟體升級 為何被霍金拒絕?