分析总结

一切皆可量化

一句话解读：talk is cheap, show me data

无论是运营，测试， 性能评估，研发效能，还是销售，量化的思维都可以派上用场。

举个例子，销售招聘，培训和管理过程在大家印象中应该是最不容易量化的，可是国外的一个工程师接管销售团队之后，却给整个销售招聘，培训和管理过程都进行量化评估，收集了各个维度数据指标，进行评估和改进，最后将公司的销售业绩从 0 做到 1 亿美元。 这家公司叫 HubSpot。 大家如果对具体的实现过程感兴趣可以去看下这本书《销售加速公式》。

这个案例也说明了量化的思维可以带来不可思议的效果。 完全感性和主观的认知不具有复制性和且不利于自动化和规模化，但是一旦将一件事情量化之后，可以不断积累数据优化，将主观的经验转化为公式，方便和系统进行整合，从而实现自动化和规模化。

服务皆可监控

一句话解读：没有监控，容易失控。

在系统设计里，上线的核心功能一般都是要求可以被监控的。 最简单的监控是监测这个功能是否可以被正常调用，其次是性能指标，安全指标等。

很多著名的开源系统，比如监控系统 Open-falcon，它有很多的模块，每个模块都会开放一个健康检测接口，通过调用这个接口可以知道这个模块是否正常，方便对其自身做自监控。

反过来想想， 上线一个服务，如果没有监控，会出现什么情况呢？

如果没有监控，出问题之后，往往后知后觉，甚至系统崩溃了才会察觉到，会把影响扩大。

下一次系统或者模块设计的时候，记得要把监控的需求考虑进去。

A/B Test 思维

一句话解读：不确定性的方案解

相信大家在工作中会遇到这样的问题： 提出了几种方案，但是不知道哪个是有效的； 没有经过 A/B test 验证，导致全面推广后被业务吐槽。。。

上述问题都可以通过 A/B test 来避免和优化。

A/B Test 也称为对照试验，它是一种检验方法，通过合理的随机实验，科学地建立事物间的因果关系。比如当前产品的版本为 A，你针对某些问题提出了产品的优化方案 B，但是并不能确定 B 的效果会好于 A，于是你在线上同时部署了版本 A 和 B，将 1% 的流量导入 B，剩余 99% 的流量导入 A，通过持续观察数据指标或者其他方式决策方案的优劣。

如果 A 优于 B，重新修正方案 B 继续测试。如果 B 优于 A，尝试扩大流量比例，例如灰度 50% 的时候 B 是否也优于 A？如果最终确定 B 优于 A，再将流量推到 100%。

【参考资料】

互联网时代你需要掌握的 A/B Test 技能^[1]

参考资料

[1]

互联网时代你需要掌握的 A/B Test 技能: https://mp.weixin.qq.com/s?__biz=MzA4NTg4Njk0Mw==&mid=2247483862&idx=1&sn=3fc01618c59c62b013850c422feea022&chksm=9fd05366a8a7da70a79986dbd66a0d0ae30af54b040d570690d596c7ba86ee01640081230ecb&scene=27#wechat_redirect