在“转化优化：先研究，后测试”一文中，我阐述了开展A/B测试前应进行的四种转化研究。研究完成后，首要任务是识别阻碍转化的问题并构思解决方案。
例如，基于前述研究流程，可能发现以下转化问题：
- Google Analytics显示移动访客转化率低于桌面端；
- 转化漏斗在支付环节存在流失；
- 男女访客比例相当，但男性转化率更高。
通过启发式研究（评估UI设计最佳实践），可能发现移动端用户难以找到加购入口或浏览品类困难，这有助于改善用户体验。
通过定量研究（依赖指标），可定位支付环节的流失原因，如缺乏信任、支付方式不足或运费过高等。
为确定主因，可进行定性研究（探究行为动机），例如通过问卷询问阻碍交易的具体因素。技术调研旨在确保网站功能正常，此处假设已排除技术问题。
提出假设
“想法”仅是模糊概念，而“假设”需提供详尽信息，包括具体解决方法、优先级、问题成因、受影响人群及预期改善程度。
相比之下，假设应提供更详尽的信息，包括解决该问题的具体方法及其优先级。
假设的核心是消除问题的解决方案。成功假设示例如下：
- 观察到的问题：访客在支付环节流失。
- 受影响数量：流失率80%，约影响3,000名访客。
- 问题范围：结账支付流程。
- 拟议方案：增加支付方式、信任标识及新客折扣。
- 工作量：中等。
- 信心程度：高。
电商优化的目标是增收，因此应优先处理能以最少努力带来最大收入增长的问题。
假设优先级排序
为聚焦短期内提升转化率的方案，需建立标准对假设进行排名。以下是主流框架：
PIE：由Chris Goward开发，按Potential（潜力）、Importance（重要性）和Ease（易用性）评分（1-10分）。优点在于快速制定测试计划；缺点是“易用性”包含主观政治因素，可能干扰客观评估。
TIR：按Time（时间）、Impact（影响）和Resources（资源）评分（1-5分）。该框架主观元素较少，且与PMI（Plan-Measure-Improve）研究方法相关联。
ICE：源自GrowthHackers，按Impact（影响）、Confidence（信心）和Ease（易用性）评分（1-10分）。另有ICE变体将“信心”替换为Cost（成本）和Effort（努力），以避免主观性，效果往往更好。
PXL：由ConversionXL开发，扩展了评估维度，考察数据支持度及目标。其优势在于客观量化，缺点是比较复杂，构建耗时。
为了对假设进行优先级排序——专注于在最短时间内提高转化率的解决方案——请创建一个允许您对假设进行排名的标准列表。
为什么要优先排序？
优先排序能帮助以最高效路径找到增收方案，并将假设清单转化为测试计划。
研究是必要前提，但若未形成解决方案假设则毫无价值。无合适假设的测试结果往往杂乱甚至无用。最重要的是依据数据而非主观意见制定方案，以消除测试中的猜测成分。