没有真实业务数据时,构造有限假设的正确做法不是“先编一组漂亮数字”,而是把假设写成可被单次练习推翻的陈述,并明确它只在什么条件下成立。这样你练的是判断链,而不是记结论。
练习卡住,通常不是“完全没有数据”,而是缺少某一层数据。先分清三种缺口,再决定假设怎么写。
一个实际动作:在练习表里加一列“数据来源”,把每个假设标记为“观测”“推算”或“纯假设”。这个动作会直接影响下一步——纯假设只能用于训练推理,不能写进给他人看的方案结论。
“用户更喜欢短视频”不是假设,是判断。有限假设需要包含对象、条件、预期方向和可观测信号。可以套用这个句式:
在[限定人群]处于[限定场景]时,把[改动项]从A改为B,[某个可观测指标]会朝[方向]变化;如果该指标没有变化,则假设不成立。
假设你练的是一个课程报名页,没有真实报名数据。可以写:“在只看手机、停留不足十秒的访客中,把首屏标题从‘系统学习’改为‘三周完成一个可展示作品’,点击‘查看大纲’的比例会上升;若点击比例不变,则说明标题不是该人群的主要障碍。”这个假设的边界很清楚:它只针对短停留手机访客,不能直接搬到电脑端或老访客。
练习中遇到“个别样本成立、规模化后出现例外”,需要决定对这个假设是保留、改写还是放弃。
适用前提:例外只出现在明确可识别的条件下,且你能说清那个条件是什么。例如你发现某个卖点只在“已有同类工具经验”的人群中有效。保留不等于照搬,而是把假设缩窄到该人群,并标注“不适用于零基础访客”。
适用前提:原假设方向可能对,但变量选错了。比如你原本假设“价格越低点击越高”,练习中发现低价反而让部分人怀疑质量。改写为“在缺乏品牌信息的页面,中等价位比最低价更少引发质量疑虑”,并承认这是新假设,需要重新找证据。
适用前提:假设无法被现有练习条件观测,或每次例外都无法归因。退出不是失败,而是避免把无法验证的结论当成方法。退出后应留下一条记录:什么条件下这个假设曾看起来成立,为什么不能继续用。
一个注明假设的短例子:假设某练习页有100次模拟曝光,其中5次点击。你不能据此说“点击率就是5%”,因为100次不是真实流量,5次也可能来自同一类人。合理做法是把它当作“在假设曝光为100、且访客同质的前提下,点击次数为5”,然后问:如果访客换成另一类人,这个比例还成立吗?
个别样本成立、放大后失效,常见原因有三类:人群变了、场景变了、竞争环境变了。不要急着把原来的数字调低来“适配”新结果,那只是掩盖边界。
对应的动作是:为每个假设写一行“失效条件”。例如“当访客来自推荐流而非搜索时,本假设不适用”。这行字会决定你下一步是继续扩样本,还是先补一个区分来源的练习。
有限假设的价值在于它能告诉你下一步做什么。一个可操作的收尾方式是:对每个保留的假设,写出一个最小验证动作,并规定什么结果算支持、什么结果算不支持。
这样做的结果是:你得到的不是一组看起来合理的数字,而是一套知道在什么条件下不能照搬的判断。下一次练习遇到新品类或新人群时,你可以直接复用这套边界写法,而不必从零猜起。没有真实业务数据并不可怕,可怕的是把假设当成事实继续往下推。