优先级排序：ICE模型
image
1. ICE模型概述
ICE模型通过将大量的实验想法放在影响范围（Impact），成功概率（Confidence），实现程度（Ease）三个维度下进行粗略的评分，得到增长实验假设的优先级进行排序。
ICE 各项指标的打分依据：
image
-
预期影响（Impact）：实验能影响用户的覆盖度。实验成功后，指标提升幅度。
-
成功概率（Confidence）：数据的支持力度
-
实现难易（Ease）：完成实验所需成本的消耗程度。
案例：ICE 模型打分表
image
从上述打分，可以得到「酒店详情页加入“全网最低价”的文案提醒」这个实验想法的优先级最高。可以优先进行增长实验。
2. 扩大影响范围
image
大多数实验都没有覆盖足够的用户，绝大多数核心产品团队只关注核心用户。然而
-
核心用户可能只占活跃用户比例25%以下。
-
活跃用户只占所有注册用户比例50%以下。
-
注册用户可能仅占所有登录过产品但未成为注册用户的访客的20%以下。
-
而接触过产品的渠道访客远小于外部渠道所影响的用户体量（外部渠道过客）。
因此如果仅关注核心用户，那么实验的影响力会十分局限。所以扩大增长实验的影响力的本质就是尽可能的覆盖更多的用户。在这里我们可以通过主动扩大群体覆盖面，关注非核心用户和从流量高的页面或路径进行多次实验的方法扩大实验的影响范围。
3. 提升实现程度
提升容易程度即降低实验成本，最好的方式就是通过 MVP的方式以最低成本验证实验假设。而设计增长实验MVP时需要考虑如何投入最小资源，最快证明实验假设。实验是否可以提供可信的有效的结果，不能因为过度的实验简化和成本缩减而影响了实验的可信有效程度。
案例：通过 MVP 验证实验假设：根据不同的用户画像，制定个性化注册流程。更好的满足用户需求。
image
这里要注意的是ICE模型仅仅是一个优先级排序的参考框架。并不是一门绝对精确的排序算法。不要消耗太多的时间成本去追求完美，而要不断的提高实验频率和次数来确保实验性价比。
