第一章：我們都在說謊
-
什么是最小可行化產品？
在精益創業理論中，最小可行化產品指足以向市場傳達你所主張的價值的最小化產品，但是并未對產品的真實程度做出要求。例如，你考慮創建一種拼車服務，可以試著嘗試人工牽線達橋的方式將司機和乘客聯系在一起。因為創業之前我可需要先考慮的問題是“人們會接收陌生人的搭車嗎？”，而不是"人們是否會使用拼車軟件"。
這樣做的有點是成本低廉、可以立即得到反饋結果。
-
Airbnb上門攝影服務：
有時候，增長來自于你未曾想到的方面。在你認為自己找到了值得一試的想法時，想一想應如何以最小的投入快速完成測試（最小可行化產品）。然后事先為成功下定義，并明確如果直覺準確的話下一步要如何走。
第二章：創業記分牌
-
什么是好的數據指標
- 好的數據指標是比較性的
- 好的數據指標是簡單易懂的
- 好的數據指標是一個比率
- 比率的可操作性強，是行動的導向
- 比率是天生的比較性指標
- 比率還適用于各種因素之間的正相關和負相關
- 好的數據指標會改變行為
此外，如果想要改變公司員工的商業行為，就必須原則哪些與你希望促成改變相關聯的指標。如果衡量的指標和目標不相關，那么員工的行為就不會發生變化，那么無異于浪費時間。另外，指標之間的耦合現象也要注意。
-
指標的五種不同分類
-
定性指標與量化指標
定量數據是指那些我們跟蹤的客觀數字，如電影的豆瓣評分。定性數據是雜亂的、主觀的、不精確的，極難量化，例如一個導演在電影上映前對電影的自我評價。定量數據排斥主觀因素，定性數據吸納主觀因素。
然而量化數據在創業初期及其匱乏，因此我們許多時候需要定性指標收集定性數據需要直接與客戶堆化，需要一些充分的準備與客戶訪談。
-
虛榮指標與可付諸行動的指標
數據驅動決策，指的就是可付諸行動的指標。例如活躍用戶占總用戶的百分比，單位時間內新用戶的數量，因為當產品做出調整時，他會相應的變化。
如果擁有一個數據，但卻不知如何根據他采取行動，那么他就是一個虛榮數據，例如：總注冊用戶數、總活躍用戶數，因為這個不出意外都是增長的。
8個常見的虛榮指數：點擊量、頁面瀏覽量（PV值）、訪問量、獨立訪客數、粉絲好友贊的數量、網站停留時間/瀏覽頁數、收集到用戶郵件地址數量、下載量。等
-
探索性指標與報告性指標
- 世界上的事物可以分成這樣幾類：
我們知道我們知道的，可能并不是真的事實，須經由數據的檢驗。
我們知道我們不知道的，意味著某種度量行為，比如想要知道一種產品的市場評價，我們可以通過度量復購率、好評價率來度量。
此外，還有我們不知道我們知道的，是直覺，需要我們評估并訓練以提高其效能即效率
以及我們不知道我們不知道的，這是與創業關系最緊密的，它意味著經過一系列探索之后，我們得到了一個能夠撼動市場的新產品。如媽媽圈的成功之路。
-
這四個象限的都有重要的應用：
檢驗我們手頭的事實和假設（如打開率或轉化率），以確保我們不是自欺欺人，我們的商業企劃是切實可行的；
驗證我們的直覺，把假設變成證據
為業務預測表、瀑布式開發流程圖和董事會提供數據
幫助我們發現黃金機遇，大展宏圖
-
先見性指標與后見性指標
先見性指標可以預測未來，比如潛在用戶數，后見性數據指標可以提示問題的存在，比如用戶流失
-
相關性指標與因果性指標
相關性指標可以預測未來，因果關系意味著你可以改變未來。僅僅關注單一的關聯而不追溯因果關系會導致錯誤的決定。而且因果關系通常并不是簡單的一對一關系，很多事情都是多因素共同作用的結果?？梢酝ㄟ^控制變量試驗并測量因變量的變化。
-
-
移動的目標
在創業過程中，調整目標和關鍵數據指標都是可行的。（HighScore House案例分析：了解你的客戶，沒有比直接與用戶和客戶對話更有效的手段）
-
市場細分、同期群分析、A/B測試和多變量分析
市場細分：就是一群擁有魔種共同特征的人。市場細分不僅可以用于網站，他對任何行業、任何形式的營銷都大有裨益。美國的直郵營銷（通過傳統紙質信件營銷）早在幾十年前就開始了市場細分的實踐，并取得巨大成功。
同期群分析：產品會隨著你開發和測試二不斷迭代，導致產品發布第一周就加入的用戶和后期用戶有著不同的體驗。這種細分比較的是相似群體隨時間的變化。數據是沿著客戶群體的自然生命周期收集的。
-
A/B和多變量測試：
假設其他條件保持不變，僅考慮體驗中的某一屬性（如連接的顏色對被試用戶的影響）這是A/B測試。但是這種測試需要龐大的用戶流量。
多變量測試采用多變量分析法，同時對多個屬性進行測試。用統計學方法剝離出單個因子對結果中某一項指標提升的相關性。
總結：遇到評估思考
- 哪些是好的數據指標
- 哪些指標可以幫助你進行商業決策，有哪些是虛榮指標？
- 你能剔除那些不能為你帶來任何價值的指標嗎？
- 是否存在你尚未想到但是可能更有意義的指標？
第四章：以數據為導向與通過數據獲取信息
單純的數據優化、漸進式的改變可以達到局部極限，創新可能導致全局洗牌，得到全局極限。濫用數據可能導致局部優化，進而忽略大局。
- 數據科學家的思維誤區
- 假設數據沒有噪聲
- 忘記歸一化
- 排除異常點
- 包括異常值
- 忽視季節性
- 拋開基數奢侈談增長
- 數據嘔吐：數據過多，不知道關鍵數據是什么
- 謊報軍情指標：設置閥門值過于敏感
- 不是在這兒收集的綜合征：將你的數據與其他來源的數據合在一起能帶來很多獨特的見解。
- 關注噪音：人類與生俱來的模式識別能力，容易使我們誤以為無規律的事物是有規律的
