构建假设
清晰且可测试的陈述
构建假设 是 CoddyKit 上的免费 Digital Marketing Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Digital Marketing Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Digital Marketing Academy 课程共包含 4 节课。
从想法到 Hypothesis
测试想法只是一种直觉。假设会将它转化为可测试的预测，并说明原因和预期结果。
“我们试试新的标题”是一个想法；“以利益为导向的标题会提高注册量，因为访客不了解其价值”才是一个您真正可以评估的假设。
Hypothesis 模板
一个有力的假设包含三个部分：更改、预期效果以及用于证明效果的指标。可重复使用的句式能让所有人保持严谨。
请在构建变体之前，为每个方括号填写具体且可衡量的内容。
Hypothesis template
We believe [change]
will cause [effect]
measured by [metric].补充原因
最好的假设会包含更改背后的理由。“因为”能迫使您将测试与真实的用户行为联系起来。
扩展模板：“我们相信，[更改] 会导致 [效果]，因为 [洞察]，通过 [指标] 进行衡量。”这样，即使测试失败，也能带来有价值的信息，而不只是令人失望。
Extended template
We believe [change]
will cause [effect]
because [user insight]
measured by [metric].具体示例
假设调查数据显示用户不信任您的定价，于是您决定添加保证。
按照模板填写后，假设自然就形成了。请注意，更改、效果和指标都非常具体。
We believe adding a 30-day money-back
guarantee badge to the pricing page
will cause more visitors to subscribe
because surveys show price-risk anxiety,
measured by checkout completion rate.明确指标
“参与度”或“更好的表现”这类模糊指标无法被清晰衡量。请选择一个与更改直接对应的主要指标。
如果更改发生在结账页面，主要指标通常是结账完成率或购买率，而不是页面浏览量或网站停留时间。
主要指标与护栏指标
跟踪一个主要指标来判定胜者，同时跟踪护栏指标以发现意外损害。
如果缩短表单提高了注册量，却导致后续潜在客户质量大幅下降，您的护栏指标就识别出了一个虚假的胜利。请在上线前定义这两类指标。
Metric setup
Primary | Signup conversion rate
Guardrail | Lead-to-customer rate
Guardrail | Refund rate
Guardrail | Average order value说明方向和幅度
可测试的假设会预测变化方向（上升或下降），理想情况下还会预测大致幅度。“转化会改善”太笼统；“转化率至少会上升 10%”则更加明确。
预期效果大小还有助于您规划测试所需的流量。
以证据为基础
每个假设都应注明来源：分析数据、热图、调查、支持工单或之前的测试。
如果您无法指出支持某项更改有效的证据，那么这个想法就只是猜测。有证据支持的假设更常取得成功，即使失败时也能带来更多学习成果。
Evidence log
Source: exit-survey (n=210)
Finding: 38% cite "not sure it's worth it"
Implied insight: value not communicated
Hypothesis: lead with outcome in headline保持可证伪性
好的假设应当可能被证明是错误的。如果任何可能的结果都无法改变您的想法，那它就是观点，而不是假设。
请事先决定什么结果会让您拒绝这项更改。这样可以避免您在事后为持平或负面的结果寻找合理化解释。
上线前完成记录
在测试正式运行前，写下完整的假设、主要指标、护栏指标和预期效果。将其固定下来，避免之后重新解释结果。
预注册可以防止挑选结果，并让您的实验项目保持可信。
Pre-launch record
Hypothesis | (full sentence)
Primary | Checkout completion
Guardrail | Refund rate
Expected | +8% to +15%
Decision | Ship if +5% with 95% confidence弱假设与强假设示例
比较同一个想法的两个版本。较弱的版本无法测试；较强的版本具体、有依据且可衡量。
请训练您的团队，在开始处理变体之前，先将每个较弱的假设改写为较强的形式。
Weak: Let's make the page nicer to
boost sales.
Strong: We believe moving pricing above
the feature list will lift purchases
because users scroll past it,
measured by purchase rate.快速检查
哪个选项是最有力的假设？
回顾：构建 Hypothesis
使用以下模板将想法转化为预测：我们相信，[更改] 会导致 [效果]，因为 [洞察]，通过 [指标] 进行衡量。
选择一个具体的主要指标并设置护栏指标，预测方向和幅度，以证据为基础，保持可证伪性，并在上线前完成记录。
常见问题解答
「构建假设」课时是免费的吗？
是的 — 「构建假设」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Digital Marketing Academy 课程的其余内容，请升级到 CoddyKit PRO。 Digital Marketing Academy 课程共包含 4 节课。
「构建假设」这节课中我会学到什么？
清晰且可测试的陈述 你通过在浏览器中直接运行的动手代码来练习 Digital Marketing Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Digital Marketing Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Digital Marketing Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「构建假设」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Digital Marketing Academy 课中编写并运行代码吗？
能。每节 Digital Marketing Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。