以我在字节这几年的感受，字节的产品性格是小步快跑、数据驱动。今天我想聊聊产品迭代和数据驱动。
首先产品迭代是什么？我们把当前产品的状态（功能集合、数据指标等）记为，迭代过程记为函数
，那么我们就得到了这样一个迭代函数
。我们的目标是在不断迭代的过程中，让
保持递增，同时优化
，使之输出可衡量可预测。
让产品和迭代过程可量化可衡量，有很多定性的、定量的方法和思路，但同时我们也要敏锐地意识到产品生命周期是一个复杂系统，这些方法和思路可能有统计上的偏误和数值上的误差，并通过不断迭代，而逐渐累积。
字节常常选择的方法是数据驱动，比如通过 ab 实验选择更优的路径、通过转化率漏斗去优化薄弱环节等等。但我思考的一个问题是，这真的有用吗？我们看到太多的产品和功能，一直数据向好，但全盘推翻，为什么。我常做的一个比喻是：打赢了每场战役，却输了整场战争。为什么？战略意图不明确。就像你跟女朋友吵架，吵赢是目标吗？不是，维护爱情才是（不爱的当我没说），所以你越是吵得赢，你越是输得惨。同样，数据驱动下，这些我们关注的数据是目标吗？不是，收入（也可能是真正的使命愿景）才是。但影响收入的因素太多了，我们关注的数据指标也许相关，也许不那么相关，我们真的分得清吗？
最近，我回过头来再来看复杂系统的迭代过程，发现这其实就是一个混沌系统。我曾在一篇文章（https://www.jianshu.com/p/c2d04f6e9cd8）中讲过一些简单的概念，这里我再引述一下。
假设我们去观察一个岛上的兔子数量，我们考虑兔子的出生率（）、死亡率（
）、环境所能承载兔子数量上限（
），把兔子的数量记为
，生态学家用一种叫 logistic model 的模型来简化
的变化过程：
再进一步做简化，定义增长率（
），再定义一个环境承载率
（
），那么我们就得到一个针对于
的迭代方程：
看着挺简单的呀，只要确定了，那么我们就能预测
的变化了。真的是这样吗？我们不妨取
（
值对迭代过程的影响可以看之前的文章），
的初始值分别取
和
代入计算，我们得到：
虽然初始值差异极小，但大约迭代 30 次后结果已经明显不同，后面再进行迭代就完全相似性了。
这样的模型给了我两个启示。
第一，产品初期一些微小的差异可能会在迭代过程中持续放大，直到天壤之别。比如 iPhone 早期，蝴蝶扇动的第一下翅膀可能是“取消键盘”，于是才生长出了基于触摸的交互系统，可能也影响了后续的产品逻辑，比如 siri ，比如取消耳机接口等等。而也因此，手机这一成熟的产品领域产生了一次又一次革命。
第二，数据驱动是短期视角，单次迭代带来的影响长期看，是不可预测的。所有的短期决策的成功不能推导长期目标的成功。所以数据驱动在我看来，是一种可选的方法，而不是原则。原则应该是产品方向或者商业目标，再俗气一点说，就是使命和价值观。我们可以因为数据来决策要做什么，但需要时常看一眼我们的方向还对吗。又或者，我们方向定了吗？最近看《俞军产品方法论》，也看到了类似的观点：
我们更难区分产品经理的好坏。AB 测试还给了某些产品心弱的产品经理偷懒、少思考的理由，减少了他们在深度思考方面的锻炼和成长。但其实，快速迭代和 AB 测试都只是降低了互联网产品经理的门槛，互联网产品经理的上限却没降。
