點子能不能大賣, 在開始實踐之前要先確認, 否則等到做下去後才發現不對, 這樣就會很浪費資源. 為了要能確認點子是否正確, 第一步便是描述清楚你的想法, 唯有清楚描述, 才能被檢視以及進行近一步的測試.
Market Engagement Hypothesis
這裡我們介紹一個作法, 叫做 Market Engagement Hypothesis (MEH), 用來描述市場如何和你的想法或假設互動. 也就是市場、會如何回應或是使用你的點子.
我們先來看個例子:
點子: 如果根據漫威漫畫中的霍華鴨來拍攝點子, 應該會有搞頭
MEH: 人們喜歡虛構的鴨子, 所以一部以霍華鴨為主角的電影, 人們會蜂擁而至去看它
點子: 線上訂家庭日常用品, 然後宅配到家
MEH: 如果有選擇, 許多家庭會經常性地在線上購買日常用品, 而不會想親自到超市購買
點子: 提供好的軟體開發方法
MEH: 對於開發緩慢或遭遇困難的團隊, 會願意想要學習好的做法, 以解決他們的困境
所以 MEH 中的描述, 會包含了你對市場如何和你想法互動的假設. 你必須把這些假設列出來, 這樣才有機會被驗證.
用數字描述
我們都知道憑感覺事件不好的事, 因此 MEH 中需要以數字的方式來描述, 才會比較精準, 並且之後也才容易測試. 我們來看一個改寫的範例.
模糊的 MEH: 我相信如果我們把 “Subscribe” 按鈕加寬一點, 我們將會吸引比較多人去按它
數字為主的 MEH: 如果我們把 “Subscribe” 按鈕加寬 20%, 我們將會吸引至少多 10% 人去按它
有了數字型的敘述, 這樣就可以進行測試. 像是做 A/B testing. 我們可能會得到以下結果
在 A/B testing 的實驗中, 在 1000 次購買我們發現 把 subscribe 按鈕增大了 20% 的哪組, 多了 14% 的購買.
另外, 有的人會想說上面這個範例, 我們在一開始的 MEH 是否可以寫成這樣
數字為主的 MEH: 如果我們把 “Subscribe” 按鈕加寬 16.5%, 我們將會吸引至少多 7% 人去按它.
差別在哪呢? 數字不是整數, 看起來好像比較精準. 可是你要知道: 精確不等於準確. 在一開始時沒人知道答案, 都只是在猜測, 你只需要寫的 rough 的數字就好, 能夠寫很精確的數字, 通常是實驗好幾次後, 你所得到的數字.
XYZ 假設
雖然我們知道要用數字來描述假設, 但是有沒有比較好一點的描述方法. 我們可以來嘗試一下這個公式
在 Y 的範圍中, 至少有 X% 的人會做 Z
X%: 描述佔市場某個特定的比例
Y: 你的目標市場
Z: 你希望市場上怎麼和你的點子互動
例如: 在空污指數PM10 大於 1200 ug/m3 的城市中, 至少 10% 的居民, 每個月會購買 500 元的 A級的 PM2.5防霾口罩.
你看, 這樣是不是比較具可測性. 但是, 這樣的句子不是一簇可及的, 通常是先有一個模糊的 MEH, 慢慢地將敘述中隱晦的地方, 逐漸用數字給描述清楚.
縮小假設
上面這個範例, 一開始在做實驗時是很困難的. 因為一個城市 10% 的數據是很大的. 例如以屏東市來說, 就有約 20 萬人口, 10% 也有 2 萬. 你的實驗要做到這個效果, 時間和金錢是很大的.
在空污指數PM10 大於 1200 ug/m3 的城市中, 至少 10% 的居民, 每個月會購買 500 元的 A級的 PM2.5防霾口罩.
因此, 光只是用數字描述還不夠, 為了讓實驗可行, 你必須要縮小範圍. 例如把城市改成 士林區, 這樣人口數變降到 2.8 萬人. 這樣測試就容易達到.
可是, 在這個縮小的過程中, 你要思考被你縮小的 Y, 是否還是你要想的市場範圍. 有時候你只是好做實驗, 但是找的都是錯的對象, 這樣也是沒用的
Source: The Right It.
全站熱搜
留言列表
