没有原始记录的判断，过一个月就变成了信仰。
一、十几条判断，一条也复查不了
以下情境为教学假设，人物、引语和数字不代表经核实的真实案例。
牧野做一款发票整理工具，一个人开发、一个人运营。一个月里他做了十几个决定：加批量导出、重写定价页、砍掉移动端、把「自动识别」提到首屏、把试用从 14 天改成 7 天。
季度复盘时，同伴问他每个决定的依据。他发现自己答不上来：
- 「加导出」的依据是「有个用户提过」。哪个用户、原话是什么，翻不到了。
- 「砍移动端」的依据是「移动端日活低」。低到多少、和桌面比差几倍，没记。
- 「试用改 7 天」的依据是「感觉 14 天太长」。这是直觉，不是证据。
这不是他不努力，而是他从来没有把「判断」和「证据」分开记。研究留下的只有结论，没有可复查的原始材料。
二、四类证据，四种偏差
一个人能采的证据只有四类，每类都有固定的偏差，也各自回答不同的问题。
| 证据类型 | 能回答的问题 | 主要偏差 | 单人每周可采 |
|---|---|---|---|
| 访谈 | 用户怎么描述问题、怎么解释自己的行为 | 美化过去、讨好提问者、记不清细节 | 3–5 次 |
| 观察 | 用户实际怎么做、在哪一步停下 | 被观察者改变行为、样本小 | 2–4 次 |
| 行为数据 | 多少人、在哪一步流失、用了什么功能 | 只有「发生了什么」，没有「为什么」 | 持续，取决于埋点 |
| 支持与销售对话 | 谁在为什么付钱、卡在哪 | 只覆盖已经开口的人 | 随工单量 |
四类证据不能互相替代。访谈告诉你「他觉得自己为什么卡住」，观察告诉你「他实际卡在哪」，数据告诉你「有多少人卡住」，支持对话告诉你「卡住的人愿不愿意为此付钱」。
一个常见的错误是用数据回答「为什么」。看到 62% 的人在第一屏离开，只能说明有问题，不能说明问题是什么。要回答为什么，必须回到访谈或观察。
另一个常见错误是用访谈代替观察。用户说「我一般直接拖进去就行」，实际录屏里他先复制路径、再点三次菜单、最后才拖。说法描述的是他希望的自己，行为记录的是他真实的路径。两类证据都要，但要分清楚哪一类能支撑哪一层结论。
三、强度表：轶事、模式、对照、实验
同样叫「证据」，强弱差得很远。给每条证据打分，比争论「我觉得」有效得多。
| 等级 | 定义 | 典型样本 | 能支持的决定 |
|---|---|---|---|
| L0 轶事 | 单个人的一次说法或一次行为 | 1 人 1 次 | 只能提出问题，不能支持决定 |
| L1 模式 | 多个独立来源出现同一说法或同一动作 | 3 人以上，来源独立 | 可以调整方向、排优先级 |
| L2 对照 | 有可比的两组：改动前后、两类用户 | 每组 5 人以上 | 可以判断某个改动是否有效 |
| L3 实验 | 随机分流、预先写判据、样本量够 | 按基线转化率估算 | 可以对外说「这个改动带来了提升」 |
证据强度分 = 来源独立性（0–2）+ 行为可观察（0–2）+ 对照存在（0–2）
0–2 分：轶事，只能写进「待验证」
3–4 分：模式，可以排进路线图
5–6 分：实验级，可以作为对外结论
打分的三个维度要具体：
- 来源独立性：三个人是同一个微信群里的朋友，算 0–1 分；来自三个不同渠道、互不认识，算 2 分。
- 行为可观察：只有说法，0 分；能回看录屏或操作日志，2 分。
- 对照存在：只有改后数据，0 分；有改前基线或同时段的另一组，2 分。
按这个标准，牧野那五条判断里，四条是 L0，一条最多到 L1。这不是说决定一定错，而是说错了也不知道为什么错。
举一个打分的例子。「把试用从 14 天改成 7 天」这条判断：来源是三个人都在社群里提到试用期太长（独立性 1 分，同一社群），没有观察到真实行为（0 分），也没有对照（0 分），合计 1 分，属于 L0。如果改成「取两组各 20 个新注册用户，一组 14 天一组 7 天，预先写明转化率差 3 个百分点以上才算有效」，就是 L3。
同一个决定，证据等级不同，能承受的投入也不同。L0 的判断适合先做小改动、留好回退路径；L3 的判断才适合写成对外宣传的改进。
四、一周采得动多少：采样预算
一个人做研究，最大的约束不是方法，是工时。先算清楚一周能采多少，再决定采什么。
一次访谈（招募 + 40 分钟执行 + 整理）= 约 2.5 小时
一次观察（含陪同与整理）= 约 3 小时
一次可用性测试（5 人、3 任务、含整理）= 约 6 小时
一次行为数据核对 = 约 1 小时
按每周 40 小时、研究占 20% 计 = 8 小时/周
方案 A：3 次访谈 × 2.5 = 7.5 小时，余 0.5 小时做周复盘
方案 B：1 次可用性测试 6 小时 + 1 次行为核对 1 小时 + 周复盘 1 小时 = 8 小时
若选 1 次可用性测试 + 2 次访谈，则为 6 + 2 × 2.5 = 11 小时，超预算 3 小时
20% 不是硬性比例。产品尚未上线时可以占到 40%，进入维护期可以降到 5%。关键是把研究工时当成固定预算，而不是「有空就做」——「有空就做」的结果通常是永远不做。
| 阶段 | 建议研究占比 | 主要采什么 | 一周产出 |
|---|---|---|---|
| 想法验证 | 30%–40% | 访谈 | 4–5 条原始记录 |
| 做 MVP | 15%–20% | 观察、可用性测试 | 1 份问题清单 |
| 刚上线 | 20% | 访谈 + 行为数据 | 3 条模式 |
| 稳定运营 | 5%–10% | 支持对话、季度访谈 | 1 份季度复盘 |
预算定下来之后，还有一个更重要的动作：每条证据都要留一条能复查的原始材料。一句原话、一段录屏、一张截图、一个数据查询，附上日期和来源。没有原始材料的「结论」，第二周就会被记忆改写。
记录的成本要算进预算。 整理一次 40 分钟访谈，至少要 40 分钟写记录。如果省掉这一步，采得越多忘得越快。牧野后来的做法是：访谈结束当场写五行，当天补齐九个字段，不拖到周末。
证据要能回答「谁说的」。 「有用户反馈导出很重要」和「3 位来自会计事务所的用户在最近两周内各提过一次导出，其中 1 位说因此续费」，是两个完全不同的证据。前者只能放进待验证清单，后者可以直接排期。
单项成本已含整理，周复盘另外预留。 上表的 2.5 小时访谈、6 小时可用性测试都包含招募与整理，不能排满 8 小时后再额外塞入两小时整理。按方案 A 或 B 先预留周复盘，再根据实际执行记录调整下一周任务。
没有采集计划的周，也会被别的事填满。 研究预算最容易被开发任务挤掉，因为它不产生可见产出。解决办法是把它写进日历的固定时段，而不是写进待办列表——待办可以被推迟，日历上的会议不会。
五、行动清单与复算验收
- 给当前手上的每条判断标出证据等级（L0–L3）
- 把 L0 的判断单独列成「待验证」，不要直接排进路线图
- 为每条 L1 以上的判断附一条原始记录（原话、录屏、截图或查询）
- 算出自己每周的研究预算，写进日历而不是待办
- 选一个证据最弱的判断，本周用一次访谈或观察补上
- 建一个固定目录存放原始材料，按日期与受访者编号命名
- 一个月后回看：有几条判断从 L0 升到了 L1
- 检查四类证据是否都有：缺哪一类，下一周补哪一类
验收标准：能说出最近三个决定各自依据哪一条原始记录、属于哪一级证据。 答不上来的，说明这个决定目前只有直觉。
使用边界与实操验收
本文讲证据的分类、强度与采集预算，不涉及具体怎么访谈、怎么观察、怎么做可用性测试，那分别是第 03、04、05 篇；100 天日程里的取样安排属于第 11–20 天：十次对话 ；完整的五步验证流程属于如何验证 SaaS 产品想法：从假想到付费用户的 5 步验证法 。
本文也不主张「每个决定都要有实验级证据」。一个人的产品里，绝大多数决定只需要 L1 模式就够了，要求 L3 会让决策瘫痪；真正需要实验级的，只有那些改动成本高、不可逆、或者会影响对外宣传的说法。
验证以记录为准：连续四周，每周记录采到的原始材料数与升级到 L1 的判断数。如果四周之后一条 L1 都没有，说明访谈还在问「你觉得」，没有问「上一次发生什么」。
如果记录里全是访谈、没有一条观察或行为数据，说明研究偏向「用户怎么说」，下一步该补一次观察。反过来，如果全是数据没有原话，说明你在猜动机，该补访谈。四类证据里缺哪一类，下一周就补哪一类，这比笼统地「多做研究」更可执行。
最后提醒一句：证据是为了让决定更快，不是让决定更慢。当一条判断已经足够支撑下一步动作时，就去做，不要为了把 L1 升到 L2 再拖两周。研究的终点是行动，不是完整的报告。
本文谈的「证据」不包括竞品功能截图。竞品做了什么，只能说明有人这样做过，不能说明你的用户需要它。竞品信息适合放在定位讨论里，不适合当作需求证据。
另外，证据账本不需要专门软件。一个按日期命名的文件夹，加上一张三列表格（判断、等级、原始记录路径），一个人就能维护。工具越重，越容易在第二周停更。
关键参考与核验范围
本文的工时、比例与样本数为教学演示。核验日期：2026-10-24。
- Nielsen Norman Group ：可用性研究方法与样本量的公开文章集合，可作为方法选择的索引。
- GOV.UK Service Manual: User research ：公共部门服务设计的用户研究流程，包含访谈、观察与可用性测试的操作规范。
上述两条只用于说明研究方法的公开来源，不构成对任何机构流程的背书。具体方法的适用条件在本次核验中未逐条比对，故不引用其条款原文。
系列导航
继续阅读
探索更多技术文章
浏览归档，发现更多关于系统设计、工具链和工程实践的内容。