「神秘公式 p<0.05 」支配了整个硅谷的产品决策?

零基础学产品,BAT产品总监带,2天线下集训+1年在线课程,全面掌握优秀产品经理必备技能。了解详情

产品开发过程中,我们经常会遇到各种决策问题。本文将为你介绍,硅谷决定产品走向的最终统计学判据 — “p<0.05”

我过完年回来上班啦!好兴奋!!因为。。终于可以再次见到好基友Tommy了。。。可我今儿,一打眼就发现他不对,愁眉苦脸的,就问咋滴了呢。

他说:“哎,最近又收到好多人寄来的刀片儿。。。”

原来,这是用户们在抱怨他的产品不好用呢:“这个App是脑残吗…”,  “孤儿产品…”

哎,我们搞App真的很难,因为有太多太多的细节,要做决策了。有一丢丢搞不好,用户就会不开心。比如,按钮应该放在上面,还是侧面?让用户手机验证,还是密码验证?二维码还是手动输入?等等等等。。。

关键是人们的要求又不一样!总自相矛盾。。。

比如你问妹子想吃啥,她嘴上说“随便”,其实她心里是想说:

这是一道送命题。。我们也很无奈啊,我们虽然工资低,但是放假少啊,心累……

那,时间紧迫,竞争压力好大,产品毕竟总要出去的。那最后到底怎么做决定啊!

最科学的办法,还真不是靠产品经理拍脑袋,也不是靠码农和设计师撕逼,更不是靠高层们微信扔骰子定的。

其实,好多硅谷企业呢,现在都已经有了一套科学方法啦!

最简单地,总结起来就是一个公式:

P<0.05

这是TM啥?

这是一个统计学公式,现在已经被硅谷各企业广泛采用,来做产品的决策了!

那应该怎么实用呢?下面我就来给你爆料下,这个不是秘密的公开内幕吧!

案件重现

现在你接到一个产品优化任务,核心KPI是要提升一个按钮的点击率。那个按钮可能是“搜索”按钮,可能是“预定”,也可能是“了解更多”,等等等等。总之,越多人点击越好。

现有的线上产品方案,那个按钮是一个绿色的。

你知道,因为心理学因素,“颜色”对用户行为有显著的影响吧。(不知道也不怕,我之前的文章有介绍过“颜色”在产品里的作用和背后的心理学原理,点这里:王者荣耀和LOL:真受不了没素质玩家

于是,你现在想试试把按钮的颜色从绿色改成红色,想看看是不是有更多的人点击。应该怎么办呢?当然是做实验啦!

好了,现在实验上线开始,你让一半儿的人看到绿色按钮,而另外一半儿的人看到的,则是红色:

实验结束后,你得到的结果是这样的:

A组,绿色:100个人看到了这个按钮,没人点击这个按钮

B组,红色:同样有100个人看到,50个人点击。。。

结论很明显嘛。你得出结论,A组点击率0,B组点击率50%,B组高于A组,红色有效的促进了用户点击!实验成功!!

是的,很好,到目前为止没有任何问题。这个产品决策很愉快的就决定了,你也成功交差。

下面,咱们看一个稍微复杂一点的例子。

你应该知道,手机的“推送通知”对挽留用户很重要吧。发一个推送,用户没准就会点开好久不用的App了。这样就会促进用户对App的交互了。(我之前的文章也有详细介绍过优化“推送通知”的办法,点这里:避免骚扰用户?硅谷这样打造移动推送通知!

你又知道,现在都流行做个性化推送。之前你们的产品线上运行的可能是一个非个性化的群发通知,所以,你又有了一个想法,想试试个性化通知内容,是不是更有效呢。

于是,你设计了一个实验,分别给两组人发了不一样的推送通知内容,就像这样:

第一组收到的是非个性的:“屠龙宝刀点就送!明星都在玩!”

第二组则有一点点个性化:“{$Name(玩家姓名)},屠龙宝刀点就送!明星都在玩!”

推送发出之后,过了24小时的测量周期,你收到的实验结果如下。

第一组,有95个人看到了,有4个人打开了App。

第二组,有107个人看到了,有11个人打开了App。

跟上面按钮颜色的例子数据处理一样,你开始进行了数据分析:

第一组,是非个性化的推送,接收到推送之后,用户的App打开率是 4 / 95 = 4.21%

对于第二组的个性化推送组,App打开率是11 / 107 = 10.28%。

于是你直接得出结论:第二组更好!

事情就……结束了么?要是在硅谷的话,你会被直接喷回来。

为什么??因为这个结论,根本不可靠!两组的打开App的行为很有可能只是巧合,是一个完全随机的事情!

比如,你先用左手抛硬币5次,发现2次硬币正面朝上。之后再用右手抛硬币5次,发现3次硬币正面朝上。于是你得出结论,右手抛硬币出现正面的概率是60%,高于左手的40%。 – 这明显是错误的。因为无论那个手抛硬币,都应该是50%的概率而已。

同样的道理,回到推送的分析案例,那凭什么,你在这里就能直接相信这个结果呢?提高的打开率,真的是因为“个性化”的原因造成的呢,还是仅仅只是一个巧合呢?

对于此,统计学上会有一个概念,叫做 – “p值”

p值是啥?

在展开复杂的计算之前,为防止你被绕晕,先直接上一句最最最简单的灵魂总结:

p值,就是实验结果不能被相信的概率。

也就是说,p值就是“实验结果完全是瞎猫碰到死耗子”的几率。

直觉告诉我们,这个p值应该是越低越好,因为越低,他就表示我们的实验越可以被相信。

那么多低是低呢?标准是啥?硅谷各公司,普遍采用的p值标准线是0.05。如果p小于0.05,那结论就可以被相信了!

下面咱们来计算一下p值。(需要你静下心来读)

统计方法上,我们会先来一个“无效假设(Null Hypothesis)”:也就是假设结果纯属巧合,也就是假设“个性化”通知根本没啥卵用。如果没啥用的话,那就是说。。。两组之间的实际App打开率应该相等的*(此处有简化,详情见文末)。

我们来算一下,第一组的App打开率4/95 = 4.21%。

下面,重点来了,我们需要计算的是,按照4.21%这个打开率,第二组出现11个人打开App的概率是多少呢?这个概率,就是“无效假设”成立的概率。

无论文科理科,这是一道高考送分题,答案就是:

这个值,就是p值, p = 0.0037。它代表,“个性化通知”没有任何用处的概率仅为0.0037。

刚刚说过,p值的检测标准是0.05,你看,咱打开率的p值小于0.05,那么就可以说实验可信!“个性化”通知,对于促进用户打开App,有效!你们决定上线新产品!

可是就在这时,数据部门,突然给你发来了最新的另一组数据。。。

实战应用

数据部门告诉你,用户看了推送通知之后,其实还有一些用户有删除App的行为发生。可能是因为看了太多推送太烦了,直接删了App。数据是这样的:

现在这样看来,第二组收到个性化推送的人,删除率是2.8%,高于第一组的1.1%。甚至都已经双倍了!难道是因为用户看到了自己的名字在推送里,很害怕然后就把App删掉了?

这可怎么评价啊!!太烦了,要是两组数据结论不同,还怎么上线新产品啊。。。看来又要撕逼了,哎。

稍等,我们刚刚介绍了p值的概念呀!!赶紧计算一下删除率的p值!

经过一番计算,删除率的p值等于……p = 0.1795!!大于0.05,什么意思,p值大于上面提到的分界线!也就是说,删除率上升,纯属偶然

这下好啦!!产品决策清晰了!

相比原来的非个性化推送,我们发现个性化的推送打开率显著性提升,而删除率没有显著的统计学差异

于是,你欢快地决定:上线“个性化推送”功能!! 今晚请大家吃鸡!!

A/B测试

上面提到的,整个新产品的验证过程,被称之为“A/B Test”(AB测试)。A和B就是指,实验里的两个组。

AB测试是最最简单的工具啦,实际工作中会遇到更多的奇葩情况,那“A/B Test”可就不够了。比如,涉及到两个用户以上的社交功能,还有涉及到“钱”的情况等等,这些我以后再讲。。。

可以说,硅谷就是由实验驱动着的。无论是一个小小的UI变动,还是推荐算法模型的升级,都会进行一次实验。因为实在是太常用了,很多大型App里,往往同时运行着超级多的实验。

为了提高效率,各厂们都纷纷开发了,专门的实验工具和分析系统,让人们快速使用。

比如:

Google旗下Analytics产品的Content Experiments工具:

他可以快速的通过UI创建一个实验,还能在运行时,利用Multi-armed bandit算法,自动调整并分配流量比例,到不同的用户组,以加快实验速度。结束后,还会自动生成报表。

Uber的实验平台XP

XP不仅是实验和分析工具,还帮助Uber安全上线和部署新功能,实时观测数据。

Airbnb的实验框架 ERF(Experimentation Reporting Framework):

ERF的交互设计非常好,还提供了美观的报表系统,p值一目了然:

Netflix的跨平台实验工具ABlaze

他有着跨平台的优良特性。要知道,其实Netflix的压力非常大。数据发现,如果用户不能在90秒内找到自己喜欢的影片,他们就会关掉App。借助ABlaze,Netflix得以快速迭代产品,以便满足全球超过一亿用户的观影需求。

其实,这里还是要提一句,硅谷各企业的产品决策,绝对不是只考虑“p<0.05”这么简单啦。

这里也仅是出于科普的目的,对实际情况进行了极大的简化。

比如,当年“扁平化设计”刚出的时候,通过数据来看,用户肯定不满意,觉得丑。但是苹果,偏是不听呢~ 就要上线,就要上线,就要上线~ 最后你看,用户乃至业界还不都是被成功的教育了。

更进一步

你可能会问,为啥这些硅谷企业都选0.05这个数字呢?

答案就是:

嗯……其实这个真的就只是一个约定俗成的数值而已。

Tommy告诉我,提出这个值的人,还是和英国有关。这是几十年前,英国统计学家Ronald Fisher提出来的,后人沿用了而已。

当然,很多产品为了更加可靠,也会使用更低的p值, 比如0.01。

不仅仅是硅谷这样的工业界啦,在学术界,尤其是统计学支撑的学科,比如心理学,生物医学甚至经济学,“p < 0.05”早就被当作常识一样了。

比如,医学领域,有人提出了一种新药。想知道这种新药的效果,那就要进行实验了。简单来讲,他们会找到一些病人,随机的分成两组,比如每组20个人。

双盲测试:医生和患者都不知道分组情况

一组人,作为测试组,会按时吃这种新药。而另一组则是控制组,不会吃这种药。

当然了,也不是啥也不吃。他们会被要求随便吃点啥,比如吃淀粉片,这东西被称为“安慰剂”。

因为心里作用也会影响治疗效果,所以不能让他们知道其实他们吃的东西没啥用嘛。吃安慰剂,就能保证他们不知道自己被分到了控制组。

实验结束之后,会看看哪组人治愈率更高,这我也是从身边好多医学生物学博士朋友那里知道的:他们经常说,科研狗奋斗一生,就为了那0.05,其实硅谷的码农们又何尝不是呀~

后记

我告诉Tommy,你看“p < 0.05”对吧,这就意味着,概率上来讲,咱们每上线20个产品,其实就会有一个产品是垃圾。。。所以,别难过了 ,你可能就。。。恰好是那个垃圾。。。

然后Tommy把我打了一顿 :)

备注

文中p值计算过程和描述并不完全准确哈,而是为了可读性,进行了简化。首先p值不是“无效假设”成立的概率,而只是可以“表示”这个概率的大小。另在案例计算中,因为第一组的4.21%也不能代表真实情况。这里其实是在比较两个样本的分布。特此大感谢我的数据科学家同事+朋友Cora帮我Review~实际比较复杂,比如先看成是一个正态分布,然后计算一堆值,再。。不说了,你去看统计学课本吧。。但是告诉你一个小秘密,已经有很多开源在线工具可以帮你计算p值了: ( 可见对于文中的例子,打开率p值可以为0.0453。)

另外,感谢我的博士朋友:(以下为他贡献原文)其实利用p值是频率学派的假设检验方法,而p值的滥用已经是科学界的一个严重问题。2017年nature上有篇文章redefine statistical significance 是一堆统计学大佬写给科学家群体的,大意是我们认为贝叶斯假设检验的框架更好,但是鉴于科学家普遍没有受过贝叶斯框架的训练,那么为了降低得出错误结论的概率,至少把p值的阈值降到0.005。

 

作者:Han,facebook美国硅谷总部商业产品全栈软件工程师。先后负责facebook中小企业广告及大型电商零售企业广告商业产品开发。微信公众号:涵的硅谷成长笔记(ID:HanGrowth),和我一起向硅谷大牛们发起夸学科学习进击,共同见证进步。

本文由 @Han 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pixabay,基于CC0协议

赞赏是对原创者的最大认可
6人打赏
评论
欢迎留言交流
  1. 还可以用standard error of proportional来解释一下,第一个例子中的两个比率,他们各自的95%置信区间是有重叠的

    回复
    1. …,应该是standard error of proportion

      回复
  2. 只有大公司玩玩了~~~而且是核心功能玩玩了

    回复
  3. 我看得云里雾里 不知道怎么跟公司的PM解释

    回复
  4. 有点意思,撕逼的时候可以拿出来忽悠人 :arrow:

    回复
    1. 国内好多都不靠做实验的吗~~

      回复