摘要：在当今快速变化的商业环境中，项目管理和产品优化面临着诸多不确定性和复杂性。如何在有限的资源和时间内做出科学合理的决策，成为每一个产品经理和项目管理者的核心挑战。
在当今快速变化的商业环境中，项目管理和产品优化面临着诸多不确定性和复杂性。如何在有限的资源和时间内做出科学合理的决策，成为每一个产品经理和项目管理者的核心挑战。
“大胆假设，小心求证”，“真正的高手都是贝叶斯主义者”这两句话很多人应该都听过，但怎么运用于实际呢？
（本文分析问题的方法很通用也很实用，但可能较难理解，如果一次看不太懂，可以先收藏，过段时间再看，相信一定会有收获~）
假设，也就是指如果在某“事件”发生的前提下，另一个“事件”发生的概率。比如AB实验，控制唯一变量，当我们让这个“变量”按我们的预设发生改变时，我们的目标能达成的概率。我们先对概率有个基本的认知，然后给出一个实际工作中的社区项目例子来说明如何运用。
一、对概率的进一步理解：贝叶斯贝叶斯理论给“知行合一”(知：认知-假设；行：验证假设；合一：验证拿新认知）提供了数学模型的阐释。通过知识、经验(认知）提炼关键假设，获得解决问题的先验概率，然后小心求证获得新的认知，迭代更新获得后验概率，进而指导更好的行动(提高假设的质量）,最终将解决问题的概率(做决策）提升到边界内的相对极致。通过贝叶斯理论:
重视先验(基础）概率(实事求是-尊重客观事实、做预判—做调研)。做预判依赖基础概率，不同的假设背后的基础概率不同，不同认知的人能提出的假设不同。所以不同人预判能力不同。(假设，可认为是你做这个事的核心出发点，唯一关键变量，做了这个就能得到你想要的结果等等。你认为，你觉得的，这些都是假设，再被验证过之前，都不是事实。不同人的“我认为，我觉得”的被验证后为真的概率不同。另一方面，不同假设的背后对事情的影响面也不同，一件事情中只有关键假设的影响面是最大的，事情被拆解出来后每个分支下也都能拆除各自的关键假设。这样，一件复杂的事就能被清晰的梳理出来）放弃追求完美，目的是降低被证伪的概率(MVP跑通最小单元模型)什么都无法舍弃的人，大概率什么都改变不了，完美主义是个陷阱，是个悖论。遇事不决，先逻辑推演，提炼关键假设，推到不能退了，就去验证关键假设。拥抱不确定性，用概率思维做决策(ROI、单元模型、关键假设)提出假设–>验证假设–>得到新认知–>基于新认知，提出新的假设。建立知行合一的闭环，用知指导行，用行来迭代更新知，实现有系统的复利效应(刻意练习+最佳实践+持续迭代）不断拿认知，尽可能提高先验概率的确定性(认知管理)勇敢探索未知(开放思维），充分利用已有(实事求是，找准先验概率)重视基础概率或许是做预判阶段最重要的，需要把现有的认知和信息转换成一个成功的概率，而这中间的关键就是提炼出关键假设，概率来自关键假设，不一定要算出精确的数，有些事情上也可能很难做到，但这一过程至少知道了哪些地方是虚的，信息不全的，认知有盲区的。当被选项之间概率相近无法决策或者推演出来的概率模糊时，继续拆关键假设去验证那些信息不全的环节。验证获得的信息就可以帮助迭代最初的预判(更新认知），这样可以不断提升基础概率的大小和稳定性。或许在上帝视角下，存在一个完美答案。这个答案是客观存在的，贝叶斯可以无限逼近这个答案，机器学习，自动驾驶，AI等的底层原理也就是贝叶斯。因为贝叶斯属于概率论，概率论属于统计学(不知道说的对不对），所以人工智能需要大量数据的喂养训练，才能逐渐无限逼近那个完美答案。训练的过程就是调试迭代更新认知，为下一次判断决策提升正确率的过程。总结下，贝叶斯的核心：观点随事实改变。
要理清你已有的判断客观对待新的证据（新认知）两者缺一不可。前者是判断的出发点，后者是更新判断的依据。
最后，保持开放心态：不能仅仅被量化的数值决定你的判断。虽然永远都摆脱不了主观的成分，但是你会做出更科学的决策。
二、假设思维的运用拿一个曾经做过的社区业务举例说明如何用假设思维分析需求：
首先简单了解下社区功能大致背景信息：
社区整体功能结构如下：
几个相关概念名词的关系如下：
社区功能背景如下：
产品生态里原本没有“社区”功能，即用户在产品内没有一个基于“同好”（相同兴趣爱好）聚集交流互动的场景。而我们想尝试用户是否有这种“社区”需求。于是，先上线了一般社区功能模块，计划根据上线后的用户数据情况和用户调研反馈，再做下一步决策。以下描述的“假设”，即是基于第1版社区模块上线后的纸面推演过程。
2.1 提炼关键假设
从关键假设从发分析问题：
社区能做起来的一个客观前提假设是：“在现有产品的用户中，存在那么一群人，他们潜在（即上帝视角下客观存在的需求）很愿意和其他人讨论交流某个方向的内容(比如小红书是泛生活方向）”。如果不存在，则需求就不存在，即社区不可能做起来。
上述中的“客观前提假设”即是“社区业务能否做起来的”先验概率。即我们如果想要去验证“社区业务能否做起来”的前提是“先验概率成立”。
但，以我们目前的数据和历史经验来看，无法用逻辑或其他辩证的方法去推演这个假设是否成立，只能通过上线功能去验证它。
而我们已经上线了社区功能，现阶段的关键问题还不是也无法去验证社区这个需求的真伪（还没到这一步），因为功能刚上线不久，还没有足够的样本数据来支撑去分析这个假设是否成立。所以，我们当前可以也只能先默认这个假设是成立的（即承认先验概率），基于这个前提，去分析现阶段（社区刚上线不久用户样本量少这个阶段）需要解决的关键问题是什么（寻找当前的后验概率）。
总结下，我们先承认“存在那么一群人…”是社区蕞根本的先验概率（客观事实），现在需要寻找后验概率：
2.2 明确当前待解决的关键问题是什么（寻找后验概率）
即找到当前待解决的关键问题，基于这个问题，给出解决问题的解决方案，上线去验证看是否能解决这个问题。
怎么找呢？我们当然需要从用户的需求出发。社区的本质可能是吸引同圈层用户的聚集，以社群（类比小组，圈子，或某个贴吧）为载体，内容(帖子包括帖子的评论)为媒介，对外释放自己的认同感（即发帖或评论的核心动力是想得到他人的认同或认同他人），激发表达欲。（个人对社区经验较少，关于社区的个人观点仅供参考，这里重点放在如何用假设思维分析问题即可，对社区理解的深浅对错不影响分析问题的逻辑）
所以，认同感是建立在内容（帖子）之上的，而内容来源于用户，所以社区冷启动阶段，解决种子用户这个事就非常关键。
即我们明确了现阶段的关键问题是：种子用户的培养。
那么，接下来我们就来拆解和分析这个问题：
种子用户的培养再具体一步是：
让更多用户加入社群；（后验概率）让已加入社群的用户更多的发布帖子。（后验概率）优先级方面：加入社群 > 发帖 （因为功能规则是，用户发帖时需选择一个社群）
“让更多用户加入社群和发帖”这个后验概率还不能直接被实验验证，比如怎么让更多用户加入社群/发帖？首先得让用户“看到”社群，其次要对“看到”的社群“有兴趣（即匹配）”，“让更多用户加入社群”这个后验概率才可能发生，所以我们现在需要先确认“看到”和“匹配”是否是事实，如果是，则我们才可以直接去验证“让更多用户…”这个后验概率，如果不是，则当前阶段待解决的问题变成“看到”和“匹配”。
“看到”这个是已经发生的事实，不需要确认，顶多是增大被看到的概率。“匹配”这个目前需要待确认。所以，接下来我们围绕“匹配”展开分析：
我们先重新梳理下思路，现在我们找到了这么三个“概率”：
“存在那么一群人”（社区最根本的先验概率–直接理解成社区业务成立的前提条件即可）“内容匹配（社群，帖子）”（1的后验概率，3的先验概率）“更多用户加入社群/发帖”（2的后验概率）由于“2”是“1”的后验概率，所以我们现在需要证明“2”是真是假。
若“2”为真，则它可作为“3”的先验概率；则需要进一步分析“3”，解决“3”；若“2”为假，则当前阶段的关键问题即是解决“内容匹配”问题；暂不用继续分析和解决“3”；既然要证明“匹配”的真假，那么我们就用假设推演下：（还记得几何也是用假设来证明的吗）
假设1：社群匹配，帖子不匹配假设2：社群不匹配，帖子也不匹配假设3：社群匹配，帖子也匹配假设4：社群不匹配，帖子匹配(这种情况应该不存在)以上，到底哪个假设是成立的呢？在还没有拿到功能上线后的数据之前，我们可以先做如下分析：
如果假设1成立：社群匹配，帖子不匹配，则问题可以拆解为：
1）社群匹配：
加大社群曝光—目的：既然冷启社群是匹配的，那么就想各种办法让更多用户看到更多社群，从而进入社群首页，最终加入社群。
给出解决方案：（仅举例：方案可从产品侧，运营侧，推荐侧几个角度思考）比如增加社群的曝光，增加精选社群二级页，二级页里可以先增加按”社群标签“进行刷选；搜索路径增加社群曝光；社区首页帖子流里穿插社群推荐；
2）帖子不匹配：
种子用户（愿意发帖的）培养–目的：既然冷启内容不匹配，那么就要想各种办法让用户在社群下生产UGC内容。
给出解决方案：现有运营活动的增强，比如社区/社群主页增加活动位（新的社群运营活动等）；社区/社群页：优先召回和排序UGC帖子（调整多路召回比例等）
如果假设2成立：社群不匹配，帖子也不匹配，则问题可以拆解为：
社群和帖子都不匹配：那么用户来到社区很快就会流失，所以暂不适合加大社区渗透的动作。当前问题变成：UGC社群的供给，UGC帖子的供给。
给出解决方案：种子用户，培养群主—自主创建UGC社群，其次，吸引用户加入社群，以及发布UGC帖子。比如：运营通过社区活动的用户线索去建联有意向的版主，通过激励手段吸引用户创建社群及自主维护社群。
如果假设3成立：社群匹配，帖子也匹配，则问题可以拆解为：
社群匹配，帖子也匹配：既然都匹配，而我们的目标是，首先让更多用户加入社群，其次让已加入社群的用户发布帖子。
那这里就会存在两条用户路径：（为什么是这两条？因为从逻辑分析上没有第3条路，即使有，也是边角路）
路径1：用户来到社区–>先找到感兴趣的社群–>然后加入社群–>然后发帖或评论点赞等
路径2：用户来到社区–> 先在社区浏览帖子–>然后加入社群–>然后发帖或评论点赞等
假设路径1是对的：则关键待解决问题就变成：用户来社区后，首先让他看到社群，即想办法在社区首页增加冷启社群的曝光（当然还有推荐准确率）…即前面假设1的社群匹配那块；（因为路径告诉我们用户来到社区的首要需求是要找社群，而社群又是匹配用户的，所以当然就要增加冷启社群的曝光了）
假设路径2是对的：则关键待解决问题就变成：用户来社区后，首先让用户先浏览帖子，即想办法在社区首页增加帖子的曝光（当然还有推荐准确率），让用户先消费帖子。
如果假设4成立：社群不匹配，帖子匹配
社群不匹配，帖子却匹配：即使让用户先浏览帖子（上述路径2），对帖子感兴趣，吸引进入帖子所在的社群，用户加群概率也不大，即使加群了，留存的概率也不大。
另外，冷启帖子数量有限，如果没有持续的UGC帖子供给跟上，用户很快就会刷完冷启帖子。
所以，这种情况下关键问题就变成：UGC社群的供给。本质上和假设2是一样的。
如何判断社群是否匹配，帖子是否匹配？（当然，我们在开始证明时就可以直接从这里开始，前提是已经拿到了数据）
判断社群是否匹配：看社群首页加群率判断帖子是否匹配：看社区首页人均浏览帖子数（实际数据很低，用户几乎没有向下滑动页面的行为）结论：社群匹配，帖子不匹配，即假设1成立；
这里有个小问题：人均浏览帖子数低，有可能不是因为帖子不匹配，而是推荐的太准，用户看到首屏的帖子后直接点击进帖子详情页去了。那就看首屏帖子点击转化率，实际这个数据也很低，说明这个判断不成立。那也可能是推荐的太不准了，导致用户看到首屏的帖子发现“啥玩意”，于是失去兴趣不再下滑。我们先不去分析这个结论是否成立，退一步讲，即使冷启帖子是匹配的，因为数量有限，很快会被用户消费完。这种情况下，去提升推荐准确率也不会为社区整体指标贡献多少。
基于结论：社群匹配，帖子不匹配。即到此我们确定了后验概率“让更多用户…”的先验概率是：社区匹配，帖子不匹配（即这是社区当前的一个客观事实），基于这个客观事实，我们接下来需要分析的问题又回到“让更多用户…”上，如何“让更多用户…”？
前面分析过，“看到”和“匹配”，现在“匹配”问题已被确认，那就由此入手：
1、社群和用户相对匹配：
既然匹配，那就让更多用户先“看到”社群，再进入社群，再加入社群；
而现阶段，当用户已加入1个社群后，接下来重点是继续加入更多社群，还是让用户活跃起来（浏览、互动，发帖）呢：
现有社群的数量和质量撑不起让用户加入多个社群；从目前的数据来看，已加入社群的用户平均加入的社群数=1；所以，问题进一步变为：以社群为触点，吸引更多未加入社群的用户加入1个社群；（后验概率）
2、帖子不匹配：
推荐侧：加大现有UGC帖子的曝光权重，降低冷启帖子的曝光权重，逐步让冷启帖子退场；产运侧：提升UGC帖子的供给，即让已加入社群的用户活跃起来，去发帖；（后验概率）阶段性结论，通过上述分析得到现阶段社区一级指标为：日均加入社群用户数。二级指标：日均新发贴数
以上，这两个指标还不足以衡量当前当前的业务目的，因为可能会出现有的社群成员数多，但帖子产出少，有的社群成员数少，帖子产出相对较多，以及帖子每人互动的问题；
需继续向上归因找到另一个指标，因为社群成员数和帖子数都归属于社群：
所以，当前阶段一级指标可定为：活跃社群数 （活跃的口径：成员数，日均发帖数，帖子互动率）
最终结论：现阶段目标：
一级指标：活跃社群数二级指标：日均加群用户数，日均新增发帖数三级指标：日均互动率2.3 基于问题给出解决方案
目标有了，那我们就可以围绕目标制定解决方案了。（本文主要讲述假设思维，所以解决方案仅简述下）
因为策略不能直接作用于一级指标活跃社群数。所以，我们从二级三级指标入手：
日均加群用户数：目标用户是来到社区但还未加入社群的用户；
如何设计方案提升这个指标呢？
在“先验概率”社群匹配成立的条件下，假设增加社区首页的社群模块的曝光–也是这个AB实验的唯一变量（包括模块的物理曝光面积，影响用户点击的重要元素外显等），能增加进入社群首页的用户数。如果假设成立，那么日均加群用户数也会提升。这里这个假设是后验概率日均加群用户数提升的解决方案。（设计AB实验也叫设计实验假设）
日均发帖数：目标用户为已加入社群的用户；假设在社区首页优先展示已加入的社群，能增加用户进入已加入社群的比例，进而增加用户的发帖率。日均互动率：目标用户主要为已加入社群的用户；假设突出社区首页帖子流的曝光，且推荐上加大UGC帖子的曝光权重，能让用户看到更多帖子，进而提升互动率。方案上线后效果：各项指标均大幅提升，数据表现基本和推演预期一致。
以上，只是对假设思维的描述，实际如果从分析社区项目或从复盘一个项目的角度入手的话，还需要增加一些分支情况的假设，以及每个主假设往下落地拆解决方案过程中会衍生出更多的子假设，实际项目中共可提出几十条假设（有的假设会被当场证伪舍弃）。然后从ROI角度去评估优先级，最终确定当前阶段要落地的假设。然后上线策略，验证假设，迭代认知，再复盘，提出新一轮的假设。
本文由 @弋十三 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。
来源：人人都是产品经理
