增長假設
提出正確的增長假設對增長起至關重要的作用。雖說寫增長假設文無定式，但從增長工作中，我摸索出一套增長假設的寫作方法，可以幫助我們更好的理清思路，寫清楚增長假設。
公式 1 ：
假設【某功能】的【某指標】跟【某元素】具有【事物的三種關係】，如果我們能優化【某元素】，就能提升【某指標】，進而提升【某指標】。
說啥子呢？舉個例子：
增長假設：假設購買按鈕的點擊率與購買按鈕文案具有相關性，如果我們能優化購買按鈕文案，就能提升購買按鈕的點擊率，進而提升整體購買率。
增長策略：測試3種文案策略的轉化率：製造緊迫感，製造場景，利益誘惑：
實驗方案：
對照組：立即開通
實驗組1：馬上搶購
實驗組2：開通看孩子
實驗組3：現在開通，立省500元
進階版：如果你能預估出增長的數值，你可以這樣子寫：
公式 2 ：
假設【某功能】的【某指標】跟【某元素】具有【事物的三種關係】，如果我們能優化【某元素】，就能提升【某指標】，預計提升【某指標】【某數字】。
別說了，你舉例子吧：
增長假設：假設會員的購買率跟未付費用戶是否體驗過會員產品具有相關性，如果我們能讓所有未付費的用戶體驗過會員產品，預計能帶來會員開通率125%的增長。
增長策略：通過數據發現，日活的未付費用戶，從打開 App 到體驗會員，漏鬥轉化只有20%，所以我們將在未付費用戶的常用的功能或頁面上增加具有吸引力的入口樣式，引導用戶點擊體驗會員，通過實驗觀察上述假設的效果。
實驗方案：
對照組：首頁入口
實驗組1：首頁入口+我的頁面入口+信息流入口
事物的三種關係
在統計學中，認為事物間一共存在三種關係，分別是因果、共變和相關。
因果，一個事物是另一個事物產生的原因。比方說溫度升高，你感覺到熱，前者就是因，而後者就是果。
共變，兩個事物間表面上看似有聯繫，實際上不存在直接聯繫，它們只是都和第三個事物有關。比方說溫度計上的數值和你熱的感覺，二者之間實際上並沒直接聯繫（如果你因為熱，就去把溫度計拆了，你不會感覺更涼快），這兩個變量只是和溫度有關而已。
相關，兩個事物在變化方向和大小上存在一定的關係，但又不是很明顯的因果關係或是共變關係。比方說你熱的感覺和你心情的煩躁程度，不能說是因為熱，導致了你的煩躁，因為有時候即便你感覺很熱，你也會心情很舒暢（比方說泡溫泉），但二者間也並不是不存在直接聯繫。此時的關係就可以被定義為相關。
我們工作分析中，一般常用到因果和相關，相信大家或多或少會聽過這樣一句話，老闆又把相關性當成因果性啦！其實我們可以用概率來理解這2個概念，發生概率小於30%，是弱相關，發生概率大於30%小於50%，為中等相關，發生概率大於50%，為強相關，發生概率100%，自然就是呈因果性了。
而共變性也是常見的歸因錯誤。11月用戶的使用時長漲了，訂單數也上漲了，所以是使用時長的上漲帶來了訂單數的上漲，我們下個月的 kpi 就定用戶的使用時長了。於是產品經理下個月上了多款休閒小遊戲，用戶使用時長大漲，但訂單數卻下降了。聰明的你一定一眼就看出來了，11月使用時長和訂單數上漲，是因為日活漲了，這兩個變量只是和日活有關而已。
貝葉斯公式
上面第二個增加假設，我們預估增長是125%，這個125% 怎麼來的，拍腦袋的嗎？當然工作中很多情況我們是可以拍腦袋的，但地球上有個預測未來的貝葉斯公式，可以讓我們更具科學的拍腦袋。
貝葉斯公式是用於當信息有限時，如何運用有限的信息預測未來事件發生概率的工具。
太玄乎了，你算命呢？舉個例子：
程式設計師小黃今天很苦惱，因為產品經理小徐見到他就笑的一臉邪魅，小黃很擔心這TM 都要上線了，小徐是不是又要改需求？於是他用貝葉斯公式計算了一下小徐改需求的概率：
根據已知信息和未知信息，小黃這樣假設：
1）要求解的問題：小徐改需求，記為A事件
2）已知條件：小徐對小黃邪魅笑，記為B事件
所以，P(A|B)表示小徐衝小黃邪魅笑這個事件(B)發生後，小徐改需求（A）的概率。
上貝葉斯公式：
其中P(A)，我們稱為先驗概率，即一個預估值。小黃按對小徐的了解，小徐每次需求都會有改動，所以這次至少有5成也會想改。
P(B/A) /PB，我們稱之為可能性函數，這是一個調整因素，即我們用這個來調整我們先前預估P（A）這個先驗概率，校正成比較準確值。
小黃認為P（B/A），如果小徐改需求，肯定要來笑著來求他這個爸爸，所以這個概率是1。接著問了下其他的程式設計師同事，平常小徐會對他們笑的一臉邪魅嗎？反饋小徐平常還算正經，不多，大概就是20%吧。所以P(B/A) /PB 是5。
於是小黃現在可以得出：
P(A|B)=P(A)* P(B|A)/P(B)=50% *5=250%；
這傢伙鐵定要改需求。
小徐：Hey 小黃，我有個想法….
小徐：我大意了，沒有閃，程式設計師不講伍德，耗子尾汁。
回到我們一開始舉的例子：
增長假設：假設會員的購買率跟未付費用戶是否體驗過會員產品具有相關性，如果我們能讓所有未付費的用戶體驗過會員產品，理想狀態能帶來會員開通率125%的增長。
那這個125% 是怎麼得來的呢？
首先：
1）我們將開通會員，記為A事件
2）將體驗會員產品，記為B事件
請下貝葉斯：
P(A)，因為會員開通率有歷史數據，拿11月的數據來預估，11月所有日活未付費用戶的會員開通率是4%，
P（B/A）因為根據11月的數據，90% 的用戶開通會員前，都體驗過會員產品，所以我們也可以記做 0.9；
P(B) 還是拿11月的數據來看，日活未付費用戶11 月體驗過會員產品的體驗率是40%，
於是P（B/A）/ P（B）是2.25；
所以我們可以得出未付費用戶體驗過會員產品，並且會開通的概率為：
P(A|B)=P(A)* P(B|A)/P(B)=4% *2.25=9%；
於是（9-4）/4=125%
因為水平有限，以上只是對貝葉斯公式的簡單解釋。
作者：Evan 產品sense