快速解答： MVT（最小可行測試）回答一個問題：怎麼用最有效率又不犧牲正確性的方式，驗證一個假設？好的 MVT 得先把問題切成單一範疇，再設計出最激進、最簡單、最漸進三種版本做取捨，最後定義一個成功指標、一個權衡指標。優先排序,則靠效力、機率、潛在效益、樣本數時間五個維度打分數,再 用兩維度記分卡找出低成本高效益的「灌籃」機會。搭配 Claude AI,你能更快整理數據、算出分數、模擬優先順序,但該信哪個假設、該砍哪個實驗——這個判斷,永遠是你的工作。

文章同步發表在 我們的部落格

你可能才剛寫完人生第一支會動的功能。你興奮地把它推上線，然後呢？

多數新手接下來做的事——盯著儀表板，看數字有沒有動。這個做法，藏著一個陷阱。數字會動，不代表你懂為什麼動。而這正是為什麼，光靠直覺猜測哪個功能該做，根本撐不起一個能規模化的產品。

你需要的是實驗。而實驗裡最容易被做砸的一步，就是定義 MVT。

MVT 到底是什麼？它回答的是哪個問題？

一句話講完：MVT 回答的是「怎麼用最有效率的方式，驗證一個假設，同時不犧牲正確性」。

注意這句話裡藏著兩個互相拉扯的東西——效率跟正確性。多數新手只顧著快，結果做出一個根本測不出什麼的實驗。這不是省時間，是浪費時間。

定義一個好的 MVT，走三個步驟：

• 範疇：這個假設，裡面藏著一個問題，還是好幾個問題？
• 設計：這個實驗，具體怎麼跑？
• 成功與權衡指標：什麼指標證明假設是真的？又有什麼東西可能被犧牲？

三個常見的致命錯誤，你現在就該記下來：

• 想一次測多個問題——結果結論模糊到沒人看得懂
• 為了效率犧牲正確性——實驗跑完卻什麼都證明不了
• 沒想清楚權衡指標——贏了一個數字，卻沒發現另一個數字正在崩潰

範疇：你的假設裡，到底藏著幾個問題？

你的假設陳述，有時候會不小心把兩三個問題塞進同一句話。遇到這種情況，你得先把它拆開——拆成一組更小、更具體的假設，確保每一個假設只回答一個問題。

為什麼這一步不能跳過？因為學習的清晰度，直接取決於這一步做得夠不夠乾淨。拆開之後，你得先問自己：我現在最想先解決哪一個問題？

設計：三個問題，幫你找出最好的實驗版本

拆完範疇之後，才輪到設計。這裡有三個問題,你每次設計實驗都該問一遍：

• 最激進的版本，長什麼樣子？
• 最簡單的版本，長什麼樣子？
• 有沒有更小的版本，可以朝理想體驗邁一步？

先講第一個問題——最激進的版本。為什麼要先想這個，不是先想最簡單的？因為不確定的結果，比失敗的結果更糟。

多數團隊的實驗,一路走過規劃、徵求意見、跨部門溝通,最後被稀釋成一個溫吞到根本測不出結果的版本。與其讓這個過程慢慢把你的實驗磨平，不如先想出最激進的那個版本——它給你最高的機率，拿到一個明確的結果，不管是正是負。想完激進版，你才回頭問：如果我對這個版本不放心，該怎麼往回退一步？

第二個問題——最簡單的版本。這裡你要搞清楚的,是光譜的另一端:做到這件事,最少需要多少工作量?跟最理想、工作量最大的版本相比,中間差了多少?

第三個問題——如果理想版本工作量太大,有沒有辦法先測一小塊?這樣你就不用把所有資源都押進去,卻換來一個失敗的結果——你可以先用一個小版本,拿到一個方向性的訊號。

記住一件事：設計 MVT 的目標，從來不是想出「一個」版本，而是想出「多個」版本，攤開它們的取捨，拿去跟團隊討論。 這會讓你的設計更貼近你實際擁有的資源，而不是你一個人關起門來想的理想方案。

成功與權衡指標：你怎麼知道假設是真的？

設計定案之後,第三步是成功跟權衡指標。第一個問題很直接：什麼指標,能證明你的假設是真的？

這個成功指標,通常來自兩個地方——你在問題陳述裡定義的那個指標,或是它底下的某個子指標、某個輸入變數。

這裡有個硬性規則:每個實驗,只能有一個成功指標。 定義多個成功指標,只會讓你事後判斷「這到底算成功還是失敗」變得異常困難。但這不代表你不能監控其他數字——你可以定義額外幾個要觀察的指標,只是別讓它們跟成功指標搶位子。

第二個問題,是反過來問：什麼指標,你希望它維持不變？

幾乎每一次你試圖拉升某個指標,都會引發某種反作用力,衝擊到另一個指標。這就是權衡指標存在的理由。

想一下 LinkedIn 動態的例子。假設你的問題是「提高每個使用者在動態裡的廣告營收」,你的實驗是在動態裡加更多廣告。這個實驗,有個很明顯的權衡指標——動態的留存跟參與度。廣告加多了,營收可能真的漲了,但如果留存被打垮,你很可能會得出結論——不該把這個實驗推給全部使用者。

再舉一個例子,Facebook 廣告的投放。成功指標是來自 Facebook 廣告的註冊數,權衡指標就是那批使用者的活化率。你可能靠砸錢衝出一堆註冊,但如果活化率同時下滑,你得把這兩個數字放在一起看,才能做出正確的結論。

優先排序：你永遠沒辦法把所有 MVT 都跑一遍

走到這裡,你已經學會怎麼定義一個好的 MVT。但現實很殘酷——你手上的 MVT,永遠比你能跑的多。

這時候,問題變成：怎麼選出該優先跑哪些？

別信你的直覺。 偉大的團隊,靠的是能回答同一個問題的方法論：在有限的時間、人力、資金之下,現在最該做的是什麼？每間公司,不管規模多大,都會被這三樣東西之一卡住。

一套有方法的框架,能做到三件事:

• 讓團隊能獨立做決定,不用每次都卡在主管那裡等批准
• 提高生產力,因為大家終於能用同一套標準比較,不再雞同鴨講
• 放大學習效果,因為你能回頭看紀錄,持續優化整個流程

前 Uber 成長主管、現 a16z 合夥人 Andrew Chen 說過一句話,值得你記下來：「我一直在問的問題是,這值不值得試,不是這會不會成功。」 一旦你陷入「這會成功嗎」的辯論,只會沒完沒了地討論各種假設情境。你該問的是「這值不值得試」——從你眼前的選項裡,挑出最可能解決問題的那個。

優先排序,走五個步驟:

第一步：效力——這需要多少資源？

用 T 恤尺寸來評估——低、中、高,不要硬估確切的工時或天數。這樣才能讓不同的實驗,快速攤開來比較。

第二步：機率——這個實驗,成功機率有多高？

同樣用低中高三級,不要硬掰出「52% 還是 61%」這種幾乎不可能估準的數字。一般來說,完全陌生的領域,機率偏低;有過幾次實驗經驗但還不算熟,算中等;累積了大量經驗、靠前面的學習往上疊,才算高機率。

第三步：效益——你覺得成功指標會移動多少？

效益,由兩個東西組成——觸及跟影響。

觸及,問的是這個實驗,會碰到多少人?想像你的核心使用者是一個小圈圈,再往外擴,是所有活躍使用者,再往外,是所有註冊使用者,再往外,是所有造訪過網站的訪客,最外層,是你所有管道能接觸到的全部人群。一般來說,越往產品核心使用者以外看,觸及的人群規模越大,潛在效益也越大。

影響,則要套進你的模型——拿到基準值、推估潛在的天花板、再看這個效果會怎麼隨時間演變。重點是,你得看長期,不能只看短期——留存、參與這類會隨時間複利的東西,短視只會讓你低估真正的效益。

這裡有三個常見的高槓桿施力點:

• 迴圈:迴圈會隨時間複利,是天生的高效益區域
• 留存與參與:每一點改善,都會流向獲客跟變現,長期效益極高
• 瓶頸:找出你成長模型裡卡最死的那個限制,想辦法解開它

第四步：樣本數與時間——你需要多少轉換數，要跑多久？

把時間當成一種資源來看待。兩個條件完全相同的實驗,一個要跑三天,一個要跑七天——永遠選跑得快的那個。 因為同樣一段時間裡,你能跑的實驗越多,學到的東西就越多,而且這些學習會複利。

要算出樣本數跟時間,你得回答幾個問題:這個部分每天有多少流量?你打算讓多少比例的流量看到變化版?目前的轉換率是多少?你預期的相對變化幅度是多少?你希望多有信心(通常是 95%)?你希望偵測效果的能力有多高(通常是 80%)?把這些數字丟進任何一個線上的實驗計算機,它就會告訴你,需要多少轉換數,再換算成實際需要的時間。

第五步：記分卡——怎麼把這五件事,變成一個排序？

最後一步,是把前面四件事,組裝成記分卡。

一維記分卡,把效力、機率、效益各自打一到五分,加總起來,總分最高的,就是最優先的實驗。

二維記分卡,則是把所有實驗,畫在一個 Y 軸是效益、X 軸是成本的四象限圖上。四個象限分別是:

• 灌籃:低成本、高效益——數量通常很少,但永遠該優先衝這裡
• 快速小菜:低成本、低效益——帶來漸進式的小改善
• 登月計畫:高成本、高效益——新管道、新迴圈、解開重大瓶頸的大賭注
• 烏龜:高成本、低效益——基本上不該碰

怎麼避免只盯著眼前、越做越窄？

有三個方法,幫你避免陷入「只優化眼前指標」的陷阱:

• 把團隊的焦點,放在改善產品、解決問題上,不是瘋狂榨指標——瘋狂榨指標只會換來短期成果
• 特別留一塊時間,給高效益、低機率的實驗——這樣團隊才有空間,敢去賭那些機率不高但一旦成功影響很大的點子
• 調整一維記分卡的權重,例如把效益的權重拉高,讓高效益的實驗自然浮上來

Claude AI 能在定義與排序 MVT 的過程裡，幫你分擔什麼？

把假設拆成單一範疇、列出激進跟保守版本的取捨、算出五個維度的分數再排出記分卡——這些事，過去需要一整張 Reforge 實驗地圖，還得靠團隊開好幾次會才能對齊。

就算你現在只是一個人，用 Claude AI 打造你的第一個軟體產品，你也能這樣用它：

• 把你的假設陳述丟給 Claude，請它幫你檢查裡面是不是藏著多個問題，需不需要拆開
• 請 Claude 幫你列出同一個假設的激進版、簡化版、漸進版三種設計，再由你判斷哪個最貼近你現有的資源
• 把你的歷史轉換率數據丟給 Claude，請它幫你估算樣本數和跑完實驗需要的時間
• 請 Claude 幫你把多個 MVT 的效力、機率、效益整理成一維記分卡，甚至畫出二維象限圖

但記住一件事：Claude 給你的是計算和整理，不是最終判斷。 哪個假設真正值得你押注、哪個實驗該砍掉——這個判斷，永遠需要你自己對產品和使用者的第一手理解。工具能加速分析，無法替你拍板。

把 MVT 設計進你的日常決策，而不是事後補救

走到這裡，你應該看懂一件事：MVT 不是實驗流程裡隨手一跑的步驟，是從範疇、設計、到指標，三個步驟環環相扣的思考過程。優先排序也一樣——效力、機率、效益、樣本數時間，五個維度組裝成記分卡，幫你在永遠不夠的資源裡，找出真正值得押注的實驗。

就算你現在只是一個人，用 Claude AI 打造你的第一個軟體產品，這套邏輯依然成立。你同時是要設計實驗的工程師，也是要判斷該優先跑哪個的策略者。搞懂這套框架，你就已經比多數新手更早想清楚，你的下一個實驗，到底該怎麼設計、該不該優先跑。

下次你打開 Claude，準備設計你的第一個 MVT 之前，先問問自己：如果我今天只能選一個最激進的版本，我敢不敢真的跑它？

常見問題

MVT 跟假設，是同一件事嗎？
不是。假設是你相信什麼是真的，能解決某個問題；MVT 則是把這個假設，轉換成一個具體、可執行、有效率又不犧牲正確性的測試方法。一個假設，可以衍生出好幾種不同的 MVT 設計。

為什麼要先想最激進的版本，不是先想最簡單的？
因為不確定的結果，比失敗的結果更糟。實驗規劃的過程，容易被跨部門意見磨成一個溫吞到測不出結果的版本。先想激進版，能確保你拿到明確的正負結果，之後再視情況往回退。

一個實驗，可以有多個成功指標嗎？
不建議。多個成功指標，會讓你事後很難判斷這個實驗到底算成功還是失敗。你可以監控額外的指標，但只能有一個拿來做最終判斷的成功指標。

二維記分卡裡的「烏龜」象限，真的完全不該碰嗎？
基本上是。高成本、低效益的實驗，投入產出比太差，資源有限的情況下，優先度應該排在最後，甚至直接捨棄。

Claude AI 能幫我決定該優先跑哪個實驗嗎？
不能完全決定。Claude AI 能幫你整理數據、計算樣本數、排出記分卡分數，大幅加速分析過程。但哪個實驗真正值得優先投入資源，這個判斷仍然需要你對自己產品和使用者的第一手理解。