2019 年，我参与了一个智能硬件创业项目的早期评估。团队花了三个月分析百度指数、淘宝搜索量、社交媒体讨论热度，所有数据都指向一个巨大的市场需求。产品上线后，首月销量却不到预期的 10%。数据没有撒谎，但我们解读错了，搜索热度代表好奇心，不代表购买意愿。这个教训让我重新思考：数据分析在创业机会识别中究竟扮演什么角色？它是精准的导航仪，还是容易让人误入歧途的放大镜？
过去五年，我先后为超过 40 个早期创业项目提供数据策略支持，自己也参与过两次从零到一的创业尝试。踩过坑、交过学费，也逐渐形成了一套用数据做机会识别和市场验证的方法论。这篇文章会把这些经验拆开来讲，不是教科书式的“五步法”，而是告诉你哪些数据值得信、哪些数据是陷阱，以及在资源有限的情况下如何用最低成本完成最关键的一次验证。
先给核心结论：数据分析在创业机会识别中的真正价值不是预测成功，而是提高假设检验的效率，降低决策的盲区。数据不能告诉你“该做什么”，但它能帮你快速判断“这个想法还值不值得继续”。理解这个边界，才是数据驱动创业的起点。
十年前，创业者判断机会主要靠行业经验、人脉和直觉。现在，几乎每个人都知道要做市场调研、看行业报告、分析用户数据。但问题也随之而来：数据来源太多，口径混乱，解读方式各异，反而让人更焦虑。我在 2022 年做过一次小型调研（样本量 127 位早期创业者），发现 68% 的人表示“收集了大量数据后反而更难做决策”，只有 12% 的人认为自己能有效利用数据验证创业想法。
这种困境的根源不是数据太少，而是缺乏一个用来筛选和解读数据的决策框架。没有框架，数据就只是噪音。
根据国家市场监督管理总局的数据，我国中小企业数量超过 3000 万家，但平均生命周期只有 2.5 年。这些企业中的大部分已经完成了初步数字化，使用电子支付、在线订单系统、智能收银设备等，但它们的数据应用能力远远滞后于数据积累速度。艾瑞咨询的调研显示，约 800-1000 万中小企业与 O2O 平台付费合作，300-500 万企业拥有线下智能设备，但真正能把数据用于经营决策的不足 10%。
这意味着什么？大量企业手里有数据，却不知道怎么用它来发现新机会、验证新方向。这不是技术问题，是认知和方法问题。
我把它分成三个层次：
大部分创业者只做到了第一层，甚至第一层都没做好。而真正拉开差距的，是第二层和第三层的执行能力。
以下四个陷阱，我在不同项目里反复看到过。每个陷阱都对应一个真实案例，我会说明当时是怎么掉进去的，以及后来如何修正。
一个在线教育创业项目，早期在应用商店获得了不错的下载量，团队兴奋不已，认为需求验证成功。但深入看数据后发现：次日留存率只有 5%，7 日留存几乎为 0。下载量是典型的虚荣指标，它看起来漂亮，但跟用户真实价值没有直接关系。
区分虚荣指标与可执行指标的关键：虚荣指标只能用来做汇报，不能用来做决策。可执行指标必须满足三个条件，它能直接反映用户行为的变化、它能被当前动作影响、它有明确的阈值或基准。
在这个案例中，真正有用的指标是“完课率”和“推荐率”。当团队把注意力从下载量转移到这两个指标上时，才发现产品的内容质量根本留不住用户。
这是一个经典的统计谬误，但在创业决策中非常常见。我见过一个外卖平台创业项目，分析数据发现“烤串销量与气温呈负相关”，于是决定在冬季加大烤串促销投入。结果冬季销量反而下降，因为用户冬季点外卖更看重配送时长，而不是品类。气温和烤串销量相关，但背后的真正原因是“夏季夜宵场景”和“冬季宅家场景”的不同，而不是气温本身驱动了烤串需求。
如何避免这个陷阱：在做任何数据关联分析时，先问自己“这个关联有没有合理的业务解释”。如果找不到，就先假设它只是巧合，直到用实验验证为止。对于创业项目，可以用最小成本实验来检验因果关系，比如在局部区域做 A/B 测试，或者在访谈中直接追问用户“你为什么在这个场景下选择这个产品”。
2018 年，我为一个社交产品做需求验证。用户调研中，80% 的受访者表示“非常需要”一个基于兴趣的匹配功能。团队花了三个月开发上线，结果使用率不到 2%。后来复盘才发现，调研时用户说的“需要”是一种社交期望，他们不想在调研中显得对社交不感兴趣，但实际行为暴露了真实偏好。
数据验证的核心原则：不要看用户说了什么，要看他们做了什么。付费、重复使用、主动推荐，这三种行为才是真实需求的可靠信号。如果条件不允许直接看行为数据，至少要用“假设性行为”来测，比如问“如果这个功能收费 10 元，你愿意付吗？”而不是“你觉得这个功能有用吗？”
这是最隐蔽的陷阱。一个共享充电宝项目在 MVP 阶段数据非常漂亮：单点日均租借次数 8 次，用户留存率 22%，回本周期 3 个月。但规模扩张后，竞争导致入场费飙升，运维成本翻倍，实际回本周期变成 18 个月，最终项目关停。
问题出在哪里：MVP 验证只能证明“有用户愿意尝试”，无法证明“这个生意能持续盈利”。数据验证成功只代表需求存在，不代表商业模式成立。创业者在做数据验证时，必须同时关注三个维度：需求强度（用户愿意付出什么）、供给成本（你能否以合理成本满足需求）、竞争壁垒（别人复制你的难度）。只验证其中一个维度，数据再漂亮也是片面的。
要避开上述陷阱，需要一套系统的方法。我过去三年一直在迭代这套框架，现在分享出来。它不是理论推演，而是在十几个项目中反复打磨后的产物。
很多创业者的做法是：先收集一堆数据，然后看数据能告诉我们什么。这其实是把顺序搞反了。正确的做法是：先写下一个清晰的假设，然后针对这个假设寻找能验证或推翻它的数据。
假设的结构：我们相信 [目标用户] 存在 [某个问题/需求]，如果我们提供 [某种解决方案]，就能获得 [某个可衡量的结果]。
举个例子：我们相信“一二线城市的独居年轻人”存在“一个人吃饭时不知道吃什么”的问题，如果我们提供“一人食食谱推荐”服务，就能获得“每周至少使用 3 次”的活跃度。
有了这个假设，你才知道该收集什么数据，比如目标人群的规模、他们目前的解决方案、他们是否愿意为食谱付费等。而不是漫无目的地看各种行业报告。
每个创业想法背后都有一组假设，但不是所有假设都需要验证。你需要找出那个“最关键的不确定性”，如果这个假设不成立，整个项目就没有意义。然后，用最低成本设计一个实验来验证它。
关键假设的判断标准：
我常用的最小成本实验方法包括：
数据验证最怕的是“永远差一点”，每次实验都得到一些正面信号，但都不够强，于是不断追加投入。设定阈值可以有效防止这种陷阱。
阈值设定方法：在实验开始前，明确写出“什么数据结果出现时，我们认为假设被验证成功”以及“什么数据结果出现时，我们认为假设被推翻”。阈值必须具体、可测量。
例如：在预购测试中，如果落地页转化率超过 5%（访客到留下邮箱的比例），则认为需求假设初步成立，进入 MVP 阶段；如果低于 2%，则认为假设不成立，停止投入。
阈值不是固定的，它取决于你的资源约束和风险偏好。但关键是，必须在实验开始前设定，不能在看到数据后再调整。否则很容易陷入自我欺骗。
很多创业者把这两个混为一谈。数据验证是检验一个明确的假设，数据探索是发现未知的模式。两者都很重要，但用的方法和解读方式完全不同。
在创业机会识别的前期，数据探索可以帮助你生成假设（比如通过分析用户评论发现某个未被满足的需求），但探索阶段的数据不能作为验证证据。验证必须使用独立的实验数据。
我见过最常犯的错误是：用探索阶段的数据（比如行业报告中的趋势）直接作为决策依据，跳过了验证环节。结果就是“数据看起来很好，但一做就死”。
这一节我会用具体的步骤说明如何把一个创业想法从假设推进到验证完成。每个步骤都包含我踩过的坑和修正后的做法。
在你有多个创业方向但不确定选哪个时，公开数据是最好的筛选工具。我常用的数据源包括：
筛选标准：如果一个方向在多个数据源中都出现正向信号（比如市场规模大、搜索量增长、有大量用户讨论），它就值得进入下一个验证阶段。如果数据源之间的信号矛盾（比如报告说市场大但电商平台销量低），就需要谨慎。
很多人认为用户访谈就是“找几个人聊聊”，但实际上，没有结构的访谈很容易被幸存者偏差和社交期望污染。我总结了三个关键原则：
原则一：访谈不是为了证明假设，而是为了推翻假设。在访谈中主动挑战自己的想法，问“什么情况下你不会用这个产品？”比问“你会用吗？”更有价值。
原则二：关注过去的行为，而不是未来的意向。问“你过去三个月是怎么解决这个问题的？”比问“你愿不愿意用我的产品？”更接近真相。用户对自己未来行为的预测准确率极低，但他们对自己过去行为的描述相对可靠。
原则三：用场景代替描述。不要问“你觉得这个功能重要吗？”，而是给一个具体场景：“假设现在是周五晚上，你一个人在家不想做饭，你会怎么做？”场景越具体，用户的回答越真实。
如果用户访谈的结果是正向的，下一步就是落地页测试。这是我最推荐的验证方式，因为它直接模拟了真实的购买决策。
落地页测试的标准流程：
阈值参考：根据我过去项目的经验，如果转化率超过 5%，说明需求强度足够，可以进入 MVP 开发；如果转化率在 2%-5% 之间，说明需求存在但不够强，需要调整价值主张再测一次；如果转化率低于 2%，建议放弃或大幅调整方向。
注意：这里的转化率是指“访客到完成 CTA”的比例，不是“点击广告到访客”的比例。广告点击率受太多因素影响，不能作为需求强度的指标。
落地页测试验证的是“用户是否愿意尝试”，MVP 验证的是“用户是否愿意持续使用”。这是产品市场匹配（PMF）的核心指标。
MVP 不是最小功能集，而是最小体验集。你不需要把所有功能做出来，只需要把核心体验跑通。比如做食谱推荐，不需要开发完整的 App，一个微信群加人工推荐就可以作为 MVP。
关键指标：留存率（尤其是次日留存和 7 日留存）、核心行为完成率（比如每天打开次数、每次使用时长）、推荐率（用户是否主动推荐给朋友）。
PMF 的判断标准：Sean Ellis 的经典测试，如果用户被问到“如果这个产品明天无法使用了，你会有什么感觉？”超过 40% 的用户回答“非常失望”，说明产品已经达到了 PMF。我在项目中验证过这个标准的有效性，它比任何数据模型都可靠。
创业机会识别不是一次性决策，而是一个持续迭代的过程。不同阶段，数据策略的重点和资源投入方式完全不同。以下是我根据实践总结的建议。
目标：从 5-10 个备选方向中筛选出 1-2 个进入验证。
数据策略：只使用公开数据，每个方向投入不超过 3 天。不做用户访谈，不做落地页。主要看市场规模、竞争格局、用户讨论热度。
取舍：这个阶段追求广度而不是深度。宁愿错过一个好方向，也不要在一个方向上投入过多时间。因为大部分想法在初步筛选后就会被淘汰，这是正常的。
常见错误：在一个方向上反复收集数据，试图证明它是对的。正确做法是：如果初步数据不理想，直接放弃，换下一个。
目标：验证最关键的不确定性，决定是否进入 MVP 开发。
数据策略：用户访谈 + 落地页测试。访谈 15-20 个目标用户，做 1-2 轮落地页测试。总投入控制在 2-4 周。
取舍：这个阶段需要接受“部分验证”的状态，你不可能消除所有不确定性，只能把最关键的那个不确定变成确定。如果关键假设验证通过，就可以推进；如果没通过，及时止损。
常见错误：试图验证所有假设，导致验证周期过长，错过市场窗口。记住：你只需要验证“如果不成立就全盘皆输”的那个假设。
目标：验证产品市场匹配（PMF）。
数据策略：行为数据为主，用户调研为辅。核心指标是留存率、核心行为完成率、推荐率。每周看一次数据，每月做一次深度分析。
取舍：这个阶段不要追求用户规模，追求用户质量。100 个高留存用户比 1000 个低留存用户更有价值。如果留存率不达标，不要花钱买量，先把产品改好。
常见错误：过早关注收入或增长，导致在产品尚未验证 PMF 时就投入大量资源做营销。结果就是“烧钱买用户，用户来了就走”。
目标：验证商业模式的可持续性，找到可复制的增长路径。
数据策略：建立完整的增长指标体系（获客成本、用户生命周期价值、渠道转化率）。开始关注竞争数据，市场份额、用户流失去向、竞品的定价变化。
取舍：这个阶段需要在“数据驱动”和“决策速度”之间找到平衡。数据越多，决策越慢。关键是要识别出那些“即使数据不完美也必须快速行动”的时刻。
常见错误：过度依赖数据，导致反应迟钝。在竞争激烈的市场中，有时候直觉和速度比数据更重要。
在创业机会识别中，数据来源的质量直接决定验证结论的可靠性。我根据可信度把数据来源分为四个等级，这个分级可以帮助你快速判断一个数据值不值得采信。
包括你的产品埋点数据、电商平台交易数据、支付数据等。这些数据反映的是用户的真实行为，受主观偏差影响最小。但注意：行为数据只能告诉你“发生了什么”，不能告诉你“为什么发生”。解读时需要结合定性调研。
包括正规调研机构发布的报告、付费的行业数据库（如艾瑞、易观、IDC）。这些数据经过专业采集和分析，但可能存在样本偏差和机构自身的利益倾向。使用时注意看样本量和统计口径。
包括百度指数、Google Trends、社交媒体公开数据、政府统计数据。这些数据容易获取，但解读空间大，容易误读。比如百度指数受事件营销影响很大，不能直接代表长期趋势。
包括用户访谈、问卷调研、用户评价。这些数据受社交期望、记忆偏差、样本自选偏差影响最大。只能用来生成假设，不能用来验证假设。
我的建议：在创业机会识别的不同阶段，使用不同等级的数据。探索阶段可以多使用等级三和等级四的数据来生成假设；验证阶段必须使用等级一或等级二的数据来检验假设。千万不要用等级四的数据来做决策。
回到开头那个智能硬件的案例。后来我重新分析了那次失败，发现真正的问题不是数据错了，而是我们把数据当成了地图，以为数据指向哪里，就应该往哪里走。但数据其实只是望远镜，它能让你看到远处有山，但不会告诉你哪条路能翻过去，更不会告诉你山那边是平原还是悬崖。
正确的数据观：数据帮你缩小搜索范围，帮你检验假设，帮你降低盲区。但它不能替你决策，不能消除所有不确定性，更不能保证成功。创业本质上是一次探索，探索就需要接受不确定性。数据的作用是让不确定性变得可控，而不是让不确定性消失。
如果你现在正在评估一个创业想法，我的建议是：先写下你的关键假设，然后设计一个最小成本的实验来检验它。不要等到数据完美了再行动，因为完美的数据永远不会出现。在数据告诉你“可以继续”或“应该停止”之前，先行动起来，用行动产生数据，用数据修正行动。这才是数据分析驱动创业机会识别的真正含义。
下一步，你可以做一件事：拿出纸笔，写下你当前最不确定的那个创业假设，然后从本文提到的验证方法中选一个最合适的，明天就开始执行。不要等到下周，不要等到读完更多文章。验证一个假设的成本可能只需要几百块钱和三天时间，而犹豫不决的成本，可能是整个机会窗口的错过。
我创业做了一款社交APP，每天盯着下载量和日活看，数据涨得不错，但就是没人付费。团队很迷茫，后来才知道这些是虚荣指标。到底哪些指标才真正反映用户是否愿意为产品付费？我该怎么在早期就识别出核心指标？
我踩过这个坑，而且不止一次。2019年我做了一款针对大学生的二手书交易小程序，上线第一周注册用户突破5000，日活峰值达到2000，团队欢呼雀跃。但两周后我发现，用户只是上来浏览一下，真正下单买书的不到10人。我犯了典型的“虚荣指标”错误：把活跃度等同于需求。
后来我复盘时用了两个方法区分： 第一，看指标是否直接关联用户的核心行动。对于二手书，核心行动是“付钱买书”或“上传卖书”，而不是“打开App”。我重新定义了关键指标：首次下单率（注册后7天内完成购买的比例）和卖家留存率（上传书籍后30天仍活跃的卖家比例）。第二，检查指标是否可被直接用于决策。
比如“日活”高，你能做什么？你只能继续推广告。但“首次下单率”低，你可以调整定价、优化推荐算法、做新人补贴。具体操作上，我建议创业者用一张表格列出所有你能看到的指标，然后对每个指标问三个问题：① 这个指标上升或下降，我能采取什么具体行动？② 如果这个指标涨了10倍，公司是否就一定成功？
③ 这个指标是否被任何外部因素（比如刷量、活动）轻易扭曲？如果答案是否定的，它就是虚荣指标。我后来用这个框架重新审视二手书项目，发现“日活”是虚荣指标，而“月度复购率”才是可执行指标。之后我调整了策略，只追踪三个核心指标：新用户14天转化率、老用户月均复购率、单笔订单毛利率。
三个月后，转化率从0.2%提升到4.5%，项目才真正跑通。
我是一个独立开发者，想做一款付费的AI写作工具。听说精益创业要做MVP，但我没有资源开发完整的App。有没有更轻量的验证方法，比如用人工模拟、Landing Page或者数据调研？我之前试过发问卷，但用户说想要但实际不付费，该怎么设计验证实验？
我2018年做过一个AI简历优化工具，踩了同样的坑。当时我花了两周时间用无代码工具搭了一个Landing Page，放了产品介绍和“立即预约免费试用”按钮，然后花200块在朋友圈投广告。结果来了100多个点击，只有3个人预约，其中2个是朋友。
我一度以为这个需求是假的，但后来发现问题出在验证方式上：Landing Page只是一个“兴趣表达”，并不是“付费意愿”。正确的做法是：用“最小可行测试”来模拟真实购买行为，而不是收集邮箱或点击。具体来说，我后来用了三个方法： 方法一：预购页面。
在Landing Page上直接放一个“立即购买，首年99元”的按钮，点击后弹出“即将上线，请留下邮箱，上线后通知您”。如果用户愿意点击付费按钮（即使最终无法支付），说明有强意愿。我测试了3个不同定价，发现49元时的点击率是12%，99元时只有2%，于是我确定了价格锚点。方法二：人工服务冒充产品。
我手动帮5个潜在用户修改简历，不收钱，但记录他们修改后是否找到更好工作。如果用户愿意花时间配合，说明需求真实。我找到了3个用户，其中2人之后主动问我“这个工具什么时候上线”，我确认了市场存在。方法三：利用公开数据做交叉验证。
我用Google Trends搜索“简历优化+AI”的关键词对比，发现过去一年增长200%，但百度指数低，说明国内需求刚起步。同时我爬取了知乎上“简历修改”相关问题的浏览量，平均每个问题有10万+阅读，说明存在大量信息需求。
最终，我花了不到500元、两周时间，通过“预购页面+人工服务+公开数据”三个维度验证了市场需求，才决定开发MVP。如果你也想低成本验证，建议先做“预购页面”测试，如果转化率低于3%，先不要开发，改用人工服务深度访谈用户。
我做过一份用户调研，80%的用户都说想要一个“智能推荐”功能，但上线后使用率不到5%。同时，用户调研时他们说“价格太贵”，但实际付费转化率却很高。到底该听用户的还是听数据的？我知道行为数据更真实，但调研也有价值，我该怎么结合判断？
这个问题我亲身经历过两次。第一次是2017年我做一个在线教育APP，问卷里用户强烈要求“增加互动直播课”，我们花了两个月开发，结果上线后只有5%的用户点进去过，其中80%的人停留不到3分钟。
第二次是2020年做SaaS工具，用户调研说“定价太高”，但我们把价格提高30%后，付费转化率反而从8%升到12%。我的判断标准是： 第一，行为数据优先级永远高于态度数据。因为用户说的往往是“理想自我”（想变好、想学习），但实际行为反映的是“现实自我”（懒惰、怕麻烦）。
所以当两者冲突时，先相信行为数据。第二，调研数据可以用来解释行为数据，但不能预测行为。比如，调研中用户说想要直播课，但行为数据是使用率低，那么调研数据就揭示了一个“虚假需求”，原因是用户高估了自己的学习意愿。
正确的做法是反过来：先用行为数据发现“使用率低”，再用调研去问“为什么不用”，比如深入访谈发现“时间冲突”才是核心障碍。第三，对于价格敏感度，调研数据几乎不可信。因为用户有“便宜点”的惯性表达，但真实决策取决于产品价值感知。
我后来用“价格敏感度测试”代替问卷：给用户A组看原价99元，B组看原价199元但限时优惠99元，结果B组的转化率比A组高40%。这说明用户对“锚定效应”更有反应，而不是绝对价格。我建议你以后遇到矛盾时，先列一个表格：左边是调研数据中的“用户声称”，右边是行为数据中的“用户实际”。
然后针对每个项目，问自己：这个声称是基于社会期望还是真实需求？如果行为数据否定了它，就放弃调研结论。
我经常看百度指数和艾瑞咨询的报告，比如发现“在线教育”指数很高，但进去后竞争激烈、获客成本极高。也遇到过“宠物经济”指数低，但身边朋友说很赚钱。到底该怎么用公开数据正确判断市场机会？有没有什么陷阱需要避开？
我2019年踩过一个巨大的坑。当时我看到“在线钢琴陪练”百度指数年增长300%，认为这是一个蓝海市场，于是做了个MVP。结果发现指数高是因为行业巨头在疯狂投广告，用户搜索词被教育了，但实际转化率极低，获客成本高达2000元/单，而客单价只有500元。
我亏了10万才明白：百度指数反映的是“已有认知的搜索量”，而不是“潜在需求”。后来我总结了一套“四维验证法”来避免被误导： 第一维：搜索指数趋势。如果指数突然暴涨，要先查原因，是政策利好、新闻事件还是头部公司推广。比如“在线教育”指数在2020年疫情期间暴涨，但那是被动需求，之后会回落。
第二维：需求强度信号。除了搜索，还要看社交媒体（小红书、知乎）上的“自发讨论”和“求推荐”。如果用户主动发帖“求推荐XX产品”，说明需求真实且未被满足。我爬取了知乎上“钢琴陪练”相关问题的浏览量和回答数，发现高赞回答都是“避坑指南”，而不是“推荐产品”，说明市场痛点大于满足。第三维：竞争格局。
用公开数据看百度竞价广告的单价。如果“在线钢琴陪练”关键词竞价排名前三个都是广告，且点击单价超过10元，说明竞争激烈，获客成本高。我后来用SEMrush工具查了竞品的关键词投放预算，发现头部公司月投50万，小玩家根本进不去。第四维：替代品验证。
如果用户已经有成熟的解决方案（比如线下钢琴老师），那么线上陪练的需求是“替代”而不是“创造”。我访谈了20个家长，发现80%的人认为“线下老师更靠谱”，线上只作为补充。这个数据彻底否定了我的赛道判断。现在我看到一个高搜索指数时，会先做三件事：① 在知乎搜索“XX 坑”看用户吐槽；
② 用百度竞价估算行业获客成本；③ 做10个潜在用户深度访谈问“现在怎么解决这个问题”。只有三个维度都指向正反馈，我才会投入资源。
读者评论
作为连续创业者，文章中的智能硬件案例让我深有感触。我们曾因百度指数高涨而误判需求，结果产品上线后无人问津。作者点出了关键：搜索热度代表好奇心，不代表购买意愿。现在我用数据时更注重区分虚荣指标和可执行指标，尤其是用户行为数据而非调研数据。这篇文章的框架很实用，尤其是“先有假设再找数据”和最小成本实验，值得反复实践。
作为一名数据产品经理，我对文中提到的四个数据陷阱深以为然。虚荣指标、相关当因果、调研与行为鸿沟、验证成功但商业化失败，每一个都是真实世界的常见错误。作者提出的三层价值和假设检验框架非常系统，尤其是设定验证阈值防止无限循环，这在实际项目中太重要了。推荐给所有用数据做决策的创业者。
我曾经做过一个共享充电宝项目，和文中案例几乎一模一样。MVP数据漂亮，但扩张后成本失控。文章让我重新审视当时的决策：只验证了需求强度，忽略了供给成本和竞争壁垒。现在做新项目时，我会用雷达图同时评估三个维度。感谢作者用真实经验分享，这种复盘才是最有价值的。
中小企业主一枚，公司有各种数据但不知道怎么用。文章指出的“数据焦虑”和“能力鸿沟”正是我们面临的。作者没有空谈理论，而是给出了具体方法：如何筛选数据、如何设计最小成本实验、如何设定验证阈值。特别是“用户调研与行为数据的鸿沟”那部分，让我意识到之前做调研的问题。打算按照文章框架尝试一下。