我认为从统计的角度来看，做增长本质是做概率相对最大的事，更严谨一层应该是做数学期望相对最大的事。即找杠杆，找拐点。"找"的对象不仅是功能，也可以是服务，场景，流程，路径，业务，项目等等。

理解这个需要对个体和群体的关系，概率，条件概率，正太分布，大数定律等有一定的理解。

很多实验假设都总会有部分用户在某些情况下不符合假设，总可以举出一些特例来，但大数定律告诉我们群体是有确定性的。所以个体的不确定性，到对于个体所在的群体来讲一定是确定的。所以不要轻易用个体来否定某个群体的实验假设。

增长过程中一定有非常多的增长点非常多的实验假设可以去做，但在资源时间等都限定的前提下选出优先做哪些就很重要，优先做的应该是数学期望高实验。举个可能不那么严谨但便于理解的例子。增长中的aha时刻，引导更多用户触发aha会带来留存的提升，但引导更多用户触发其它看起来留存也很好的功能能不能提升留存呢？能，但是没有aha的杠杆高，从个体角度描述是因为引导用户触发某功能，aha时刻使用户留存的概率会更大，从群体角度描述是因为引导同样多的用户触发某功能，aha时刻会使更多的用户留下来(留存率属于概率)，更严谨的说法应该是aha的数学期望最大。(概率只是一个比率，而数学期望还包含了绝对值)，其它提留存提什么转化率等等都是类似的逻辑，尤其是用户分群，不同分群下设计不同策略本质就是在寻找最大数学期望的过程，可能实际工作中很难真的用公式来量化，但底层逻辑应该就是这样。

试着解释下上面的描述(可能不一定严谨或正确，但思路应该没太大问题)。假设某产品只有AB两个功能，产品整体用户总量100人，A功能对其中40人有用户价值且使用A功能后留下来的概率是70％，对其中60人无显著用户价值，且使用A后留下来的概率为20％；B功能对其中60人有用户价值且使用B后留下来的概率为60％，对其中40人无显著价值且使用后留下来的概率为15%。那么A和B哪个功能的增长空间更大呢？可以分别计算AB的数学期望，A的为40%*70%+60%*30%=0.40,B的为0.42，所以B的空间更大。(如果把上述产品看成一个饭店，AB分别是两道菜可能更好理解些)

但实际工作中我们难以知道以上各数据的实际值是多少的，也就无法计算出哪个功能价值更大。但可以通过其它方式来寻找，比如通过分析是否使用某功能后的留存差值大小来寻找相关性最大的功能，然后通过实验去验证。(注意这里说的使用和上文的使用是有区别的，上文比如"使用A功能后"的使用的用户指那40人，而这里说的使用的用户同时包含40和60中的部分用户)

实际工作应用中比这个要复杂很多，首先业务线一般不只一条，功能也会很多，用户构成也比较复杂，有时还需要加上时间纬度和使用次数等等，但底层逻辑应该是相通的。所以很多时候大家做的增长更多的是单点增长，局部模块的增长，而对于体系增长，全局增长则难度要大太多，需要有一定的业务模型抽象能力，数据指标拆解能力等。但应该也是能抽象出一个相对具象的框架出来的，可能大概是底层的基础能力支撑，如数据指标，埋点，AB平台等，中间层的资源保障即各相关业务方的协同配合，sop等，上层的增长链路，如渠道来源，新用户承接，老用户留存，活跃用户ltv管理，风险用户防流失，沉默用户唤醒召回等。所有这一切都是在做两个字，一个"增"，一个"长"，增的是用户规模，长的是用户质量。