市面上大多数关于增长实验的建议都聚焦于如何执行。但是，真正的秘诀不在于执行，而在于如何识别并停止那些注定无效的实验。
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：
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。
以上一篇文章中提到的海报设计应用canva优化实验为例，输出假设建议采用以下模板:
（1）做什么具体改动：可以设计个人化的海报新用户引导流程
（2）预计某指标提升百分比：预计海报功能新用户激活率可以提升10%
（3）深层原因是什么：当人们通过海报功能找到canva，他们想要很快的完成设计，如果没有找到合适的模板，就很容易流失掉
（4）有数据支持的假设：使用海报功能是最多的，但是很多用户开始使用海报功能之后没有完成就流失掉了
这一模板能帮助清晰记录假设内容、预期效果、原因解释和支持证据。
在产生实验想法时，可能遇到两种极端情况，需要采取不同应对策略。
面对实验目标没有任何想法时，可采用以下方式快速集思广益:
（1）头脑风暴：通过群组讨论的方式，所有人各抒己见，集中提想法且不做评判和回答，只做记录，事后再评估筛选想法。
（2）闪电Demo：每个人快速的拿几个竞品和非竞品来给整个团队进行Demo演示，并共同从中找到可借鉴的点子。
（3）设计冲刺：带领团队在5天内高效的解决设计问题，并且测试想法是否奏效。
群组讨论后若想法过多，可建立实验想法库进行管理：将每个人的假设和想法集中记录在同一个表格中，excel想法库也可以为后续寻找实验灵感提供丰富素材。
最后总结一下，精准的数据分析、清晰的假设构建、有效的假设验证——这三个步骤是落地高质量实验假设的关键。相信你掌握了这一流程后，增长实验的贡献效率将大大提升。
本文由 @小黑哥 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。