以前的模板太糟糕了？
“嘿，你们有实验模板借我们抄抄吗？”
每隔几周，就有人过来问我们有没有一个精益创业的模板让他们写清楚自己的实验。而我们的回答都是：
没有。 我们不是固定模板的粉丝
我们也不推荐盲目使用固定模板
我们更喜欢流程，可重复的一套流程
Kromatic的模板对我们而言确实管用，但这不代表对别人也管用啊！ 模板是敲定创新流程的时候用的，这样就可以严格控制团队的速度。 所以，为了满足你们的要求，我们不会轻易给出什么建议，以下是我们使用的模板，还有我们设计这个模板的原因。 如果你不想这么麻烦，你也可以直接下载下面的模板。
(这个模板已得到《知识共享署名许可》，即ShareAlike 4.0国际许可证，你可以随意使用。)
精益创新案例延伸阅读：
工具模板 | 定性测试和定量测试有哪些？
入门指南 | 通过减小批量降低产品失败风险
了解“模板”的基本原则和实验的流程
任何模板、框架或者清单都可以为我们提供一个可重复流程。一个精益的创业模板可以让我们更全面地思考，而不是排除批判性思维。它告诉我们：应该去思考更加重要的问题，进而提出有意义的问题。 精益创业实验的基本配置是这样的：
Hypothesis 假设
Metric 标准
Experiment 实验
大多数的模板比如Ash Maurya 和The Validation Board都有以上要素。这些都是定义模板很好的起点，除此之外，没有其他的了。 再来进行几个实验，我们可以从中学习到什么呢？团队的意见一致吗？如果一致，这才是我们想要的结果。
但是，如果当中对实验结果有异议，比如实验所需的时间过长或者团队并没有学到核心信息，那么就需要考虑对模板进行优化。
1.Hypothesis 假设
假设就是为我们的实验做铺垫：必须是可以证伪的假设； 也可以是带风险的假设。 一个成功的实验有一半的时间会产生一个未经验证的假设。
我们所做的假设可能与我们的客户、渠道甚至是关键客户相关。我们可以使用商务模型图或其他工具来帮助进行假设。以下是例子：
Bernie是我们的客户，他每周跑步三天跑得脚都痛了；
如果我们将现有客户的logo添加到我们的登陆页面， Bernie就会增加对我们的信任，那么他就会注册；
那些潜在的合作伙伴在浏览页面的时候会填写一份表，那份表上表明了我们三个关键的价值主张
实验假设就应该清晰地表明与行为人（客户）之间的因果关系。那么反面例子是怎么样的？
我们启动这个页面的时候，有的人会注册网页（这确实是真的，总有人在注册每一个页面）
我们觉得消费者应该会喜欢这个功能。
为什么这么说？
1.首先，我们应该着眼于现实，而不是把想法在脑子中简单过一下。（你觉得客户会喜欢这个功能吗？会。假设验证成功）
2. “消费者”这个概念太模糊。那种客户？难道我80岁的奶奶会用吗？概念要具体化。
3． 我们只可以对可观察的进行测试。我测试不出来两块磁铁是不是讨厌对方，但我知道他们在物理上是相斥的。
让你的假设更有力，这样实验就会更加轻松！
2.Metric 标准
这个标准是用于验证假设的，这些数据可以是定性的，也可以是定量的。
其他网站有不少关于这个主题的文章，这里就不多赘述。只要确保没有毫无价值的指标就可以了，比如“赞的数量”（参考下面的“失败的情况”）。
3.Plan 计划实验
我们要对如何收集这些数据做出详细的说明？
有时候我们的计划可能会包括线框图或者采访脚本。我们只需要输入足够的信息，那么每个人都会同意进行实验。
精益创新案例延伸阅读：
精益画布：创业公司设计商业模式的最佳工具
工具模板丨精益实验画布，帮你高效记录实验结果
优化精益创业模板
有时候简单的模板是不够用的，我们发现我们常处于 “设立—构建—挣扎”的可怕循环中。
别着急！再做几次，进行几次迭代优化，就不会出问题了！
不断明确我们的实验目标
我们发现，有时候进行的实验看似毫无目的，或者和我们的关键业务决定也没什么关系，但是我们当时却认为这很重要。现在回过头来看，似乎我们博客上的分享键也不是那么重要嘛。 为了解决该问题，我们在模板中添加了学习目标。学习目标这一模块比假设更加广泛。如果你了解敏捷开发，你可以把这个看做史诗。典型的学习目标可以是：
我们的客户Sally需要我们帮助她完成作业/任务吗？
领英广告是触达Sally的一个好的渠道吗？
如果添加一个与导师视频交流的选择，Sally使用我们产品的次数会更加多吗？
这些还不够详细，无法做假设，而且这些都是不可证伪的。何况，这些问题有多种答案，我们可以对其进行反复测试。
这个模块非常有用，我们总是将实验和业务的关键要素连接起来，比如商务模型图。许多其他模板也有类似的要素，有些甚至使用商务模型图作为学习。
失败的情况
通常，我们很擅长为实验设置标准，但是我们有时候虽然得出结果了，却不知道怎么办。
登陆页面上7.6%的转化率是好是坏？成功还是失败？如果我们无法得出答案，就无法进行下一步。
“失败”是最终的测量结果，它驳回了所有不确定和怀疑，让我们看清：我们这个假设是无效的。
比起成功的标准，这我们更有用。因为我们在成功的标准上往往过于宽容。如果我们认为成功要有50%的转化率，那么其实49%就可以了。
45%也不算太坏。
我们可以优化30%。
或者15？好吧……也许我们选错市场，我们应该重新等待合适的时机。
通过模拟失败的情景，我们就进入到有科学数据支撑的领域。如果我们无法在此达成一致，那么假设就不能证伪，进而我们的实验就是毫无意义的。
如果我们的失败率是低于10%的转化率，那么我们不得不承认，9.999%的转化率仍然是失败的。