观察数据分析，识别正误结果

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。(www.xing528.com)

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。我们需要做的，是当预期提升20%时，结果只提升了5%，确认到底哪里出了问题，是否有优化空间，还是这条路压根儿就走不通。或者提升到了30%，我们要确认之前的判断是否正确，还有哪些没有想到的（甚至很有可能是碰巧触动了意想不到的用户价值，也未可知）。

判断了正误，接下来我们就可以有所行动。在讨论如何行动之前，我们先讨论一下数据思维。