AB 样本量粗略计算公式当你进行 A/B 测试时，你需要为你的测试选择合适的样本量。合适的样本量可以确保你的测试具有统计显著性并可靠地检测到变化，同时避免在样本量过大或过小的情况下造成时间和成本的浪费。A/B 测试样本量计算需要考虑以下几个因素：统计功效（Statistical Power）：统计功效表示在样本大小、显著性水平和效应大小不变的情况下，检验检验统计量的分布曲线的高峰究竟能否与显著性水平分界点相分离，从而得出拒绝原假设的能力。通常情况下，我们希望统计功效在 0.8 或 0.9 左右，即我们希望有 80% 或 90% 的几率能检测到真实的效果。显著性水平（Significance Level）：显著性水平表示我们能够接受多大的拒绝原假设的错误率，通常我们将其设定为 0.05。效应大小（Effect Size）：效应大小表示实验组与对照组之间预期的实质差异的大小。可以通过过去的研究

AB 测试产品经理应该都大概知道 AB 测试，至少也都有听说过。AB 测试涉及的统计学理论AB 测试涉及统计学的概念，比如正态分布、二项分布、中心极限定理、假设检验、t 检验等。统计学是个大学问，有大量书籍和教程，我的能力也只够提及下这些重要概念，文章不会介绍统计学知识。p-value、置信区间AB 实验完成后如何才能确定实验组和对照组的数据指标差异是随机波动、偶然发生的结果还是确实有差异？在统计学上有个统计显著性的概念P 值。P值的代表意义是：在假设检验过程中，实验组和对照组的情况是一样的假设前提下，实际观测实验数据统计得出的样本结果的概率。一般P值和 5% 比较，P值小于 5%（即0.05 水平显著），则可以认为 AB 实验结果有统计显著性，简单地说就是实验组和对照组确实有差异，不是数据偶然波动发生的结果；如果P值大于 5%，则无法排除数据偶然波动产生的情况，不能说实验组和对照组有统计

产品工作中经常会遇到有一些新想法，需要验证需求是否存在。这篇文章只是记录下对于功能迭代的一些个人理解新想法最重要的是先验证新想法刚刚落地成功能，首先最重要的是验证需求是否存在（当然最基础的体验水平还是应该达到），不要带入太多的个人臆想的假设，纸上谈兵式的扣各种交互、文案细节。一个功能没有太多人用大概率是需求不存在，不是因为竞品体验更好或用户不会用。如果需求真实存在，用户会有动力咨询客服、反馈各种需求。之前有对接京东平台的新版关联版式，但是因为京东新版关联版式自身限制，每个楼层高度和链接数量有限制，就会有很多用户反馈能不能放开限制不要过度设计，只要最小完成度对于新功能必须有明确定位，但是设计新功能不要追求大而全，不要太追求细节体验，给未来预留可能性。必须把主干流程走通，但是不需要有其他额外的东西比如要弄一个常见收件人管理的，只要可以单个添加收件人就可以，没有必要多弄一个批量导入功能，一方面先

最近看了少楠大佬的一篇文章，里面提到关于如何才能后发先至的思考，我结合自己的工作情况来实际分析。我目前主要负责一个 ISV电商订单处理业务，涉及到打印快递单、订单发货、售后等功能。相关的竞品有快递助手、我打、店管家、风速打单等老牌 SaaS 软件，甚至有些都是 10 多年的积累。与竞品相比，用户量远远落后下面主要实际分析下市场情况：市场增量电商业务目前除了抖店平台，其他平台差不多已经没有太多的增量了。抖店平台与传统货架式电商不同，抖店主要是电商直播和视频带货，这块的话应该还有增量，如果考虑从主播的角度，应该有一点机会，但能不能弯道超车还要待观察行业壁垒老牌的这些竞品目前已经慢慢涉及更多的产业上下游节点，比如快递助手有自己的快麦打印机、做开放平台，我打有开始涉及 ERP 系统，开始做一些仓储的功能，做快递网点单号管理系统，风速打单也有做开放平台、提供物流轨迹接口服务。对于这些业务扩张的方式，

用户体验（我理解的狭义的软件的用户体验指的是交互、界面、文案、色调、图标等）是产品工作中很重要的一部分，很多产品经理都喜欢把用户体验挂在嘴边。动不动拿体验来和开发讲道理。我作为 b 端产品的糙汉子，说实话对于用户体验这块没有像其他 c 端产品经理那么重视。主要关注点还是在需求本身、业务流程、功能逻辑。因为我看过挺多的产品，交互体验都很优秀，结果都已经停止服务了，后面想了想，可能用户体验只是好产品的必要条件，不是充分条件。比如还有需求、市场、政策等好的用户体验确实能够让用户喜欢产品，比如我现在用的Metion 的禅模式，可以伴随着清晨虫鸣鸟叫的白噪音，沉浸式写作，让我这个 30 多年没有写作习惯的人，也能每个月坚持写点东西。整体把用户体验挂在嘴上，讲讲假大空的虚理可以，实际工作中还是要处理好这个度，用户体验要做到什么程度？产品要平衡商业利益和用户价值，不可能一味的追求用户体验，团队的人力总是