第一章
第一章：我们都在说谎
-
什么是最小可行化产品？
在精益创业理论中，最小可行化产品指足以向市场传达你所主张的价值的最小化产品，但是并未对产品的真实程度做出要求。例如，你考虑创建一种拼车服务，可以试着尝试人工牵线达桥的方式将司机和乘客联系在一起。因为创业之前我可需要先考虑的问题是“人们会接收陌生人的搭车吗？”，而不是"人们是否会使用拼车软件"。
这样做的有点是成本低廉、可以立即得到反馈结果。
-
Airbnb上门摄影服务：
有时候，增长来自于你未曾想到的方面。在你认为自己找到了值得一试的想法时，想一想应如何以最小的投入快速完成测试（最小可行化产品）。然后事先为成功下定义，并明确如果直觉准确的话下一步要如何走。
第二章：创业记分牌
-
什么是好的数据指标
- 好的数据指标是比较性的
- 好的数据指标是简单易懂的
- 好的数据指标是一个比率
- 比率的可操作性强，是行动的导向
- 比率是天生的比较性指标
- 比率还适用于各种因素之间的正相关和负相关
- 好的数据指标会改变行为
此外，如果想要改变公司员工的商业行为，就必须原则哪些与你希望促成改变相关联的指标。如果衡量的指标和目标不相关，那么员工的行为就不会发生变化，那么无异于浪费时间。另外，指标之间的耦合现象也要注意。
-
指标的五种不同分类
-
定性指标与量化指标
定量数据是指那些我们跟踪的客观数字，如电影的豆瓣评分。定性数据是杂乱的、主观的、不精确的，极难量化，例如一个导演在电影上映前对电影的自我评价。定量数据排斥主观因素，定性数据吸纳主观因素。
然而量化数据在创业初期及其匮乏，因此我们许多时候需要定性指标收集定性数据需要直接与客户堆化，需要一些充分的准备与客户访谈。
-
虚荣指标与可付诸行动的指标
数据驱动决策，指的就是可付诸行动的指标。例如活跃用户占总用户的百分比，单位时间内新用户的数量，因为当产品做出调整时，他会相应的变化。
如果拥有一个数据，但却不知如何根据他采取行动，那么他就是一个虚荣数据，例如：总注册用户数、总活跃用户数，因为这个不出意外都是增长的。
8个常见的虚荣指数：点击量、页面浏览量（PV值）、访问量、独立访客数、粉丝好友赞的数量、网站停留时间/浏览页数、收集到用户邮件地址数量、下载量。等
-
探索性指标与报告性指标
- 世界上的事物可以分成这样几类：
我们知道我们知道的，可能并不是真的事实，须经由数据的检验。
我们知道我们不知道的，意味着某种度量行为，比如想要知道一种产品的市场评价，我们可以通过度量复购率、好评价率来度量。
此外，还有我们不知道我们知道的，是直觉，需要我们评估并训练以提高其效能即效率
以及我们不知道我们不知道的，这是与创业关系最紧密的，它意味着经过一系列探索之后，我们得到了一个能够撼动市场的新产品。如妈妈圈的成功之路。
-
这四个象限的都有重要的应用：
检验我们手头的事实和假设（如打开率或转化率），以确保我们不是自欺欺人，我们的商业企划是切实可行的；
验证我们的直觉，把假设变成证据
为业务预测表、瀑布式开发流程图和董事会提供数据
帮助我们发现黄金机遇，大展宏图
-
先见性指标与后见性指标
先见性指标可以预测未来，比如潜在用户数，后见性数据指标可以提示问题的存在，比如用户流失
-
相关性指标与因果性指标
相关性指标可以预测未来，因果关系意味着你可以改变未来。仅仅关注单一的关联而不追溯因果关系会导致错误的决定。而且因果关系通常并不是简单的一对一关系，很多事情都是多因素共同作用的结果。可以通过控制变量试验并测量因变量的变化。
-
-
移动的目标
在创业过程中，调整目标和关键数据指标都是可行的。（HighScore House案例分析：了解你的客户，没有比直接与用户和客户对话更有效的手段）
-
市场细分、同期群分析、A/B测试和多变量分析
-
市场细分：就是一群拥有魔种共同特征的人。市场细分不仅可以用于网站，他对任何行业、任何形式的营销都大有裨益。美国的直邮营销（通过传统纸质信件营销）早在几十年前就开始了市场细分的实践，并取得巨大成功。
-
同期群分析：产品会随着你开发和测试二不断迭代，导致产品发布第一周就加入的用户和后期用户有着不同的体验。这种细分比较的是相似群体随时间的变化。数据是沿着客户群体的自然生命周期收集的。
-
A/B和多变量测试：
假设其他条件保持不变，仅考虑体验中的某一属性（如连接的颜色对被试用户的影响）这是A/B测试。但是这种测试需要庞大的用户流量。
多变量测试采用多变量分析法，同时对多个属性进行测试。用统计学方法剥离出单个因子对结果中某一项指标提升的相关性。
-
总结：遇到评估思考
- 哪些是好的数据指标
- 哪些指标可以帮助你进行商业决策，有哪些是虚荣指标？
- 你能剔除那些不能为你带来任何价值的指标吗？
- 是否存在你尚未想到但是可能更有意义的指标？
第四章：以数据为导向与通过数据获取信息
单纯的数据优化、渐进式的改变可以达到局部极限，创新可能导致全局洗牌，得到全局极限。滥用数据可能导致局部优化，进而忽略大局。
- 数据科学家的思维误区
- 假设数据没有噪声
- 忘记归一化
- 排除异常点
- 包括异常值
- 忽视季节性
- 抛开基数奢侈谈增长
- 数据呕吐：数据过多，不知道关键数据是什么
- 谎报军情指标：设置阀门值过于敏感
- 不是在这儿收集的综合征：将你的数据与其他来源的数据合在一起能带来很多独特的见解。
- 关注噪音：人类与生俱来的模式识别能力，容易使我们误以为无规律的事物是有规律的
