DIAGNOSE METHOD
假设树
HYPOTHESIS TREE先列出互相竞争的解释，再用高信息量证据排除。
什么时候该用，什么时候别用？
- 潜在原因很多、排查成本高
- 团队过早锁定单一解释
- 需要选择最有价值的诊断数据
- 缺乏基本事实，连症状都没定义
- 假设写得无法被证伪
假设树的具体操作步骤
按顺序完成；每一步都要留下可以复查的文字或证据。
- 01
定义异常
给出基线、差值、时间和影响范围。
我们要解释的精确变化是什么？
- 02
生成竞争假设
按结构维度列出 3–7 个原因，包含与直觉相反的可能。
还有什么机制能产生同一现象？
- 03
写预测证据
为每个假设写出若为真/若为假应观察到的不同结果。
什么证据会推翻它？
- 04
按信息增益验证
先执行能排除最多分支且成本最低的检查，随结果更新树。
下一条证据能减少多少不确定性？
跟着一个例子完整走一遍
原始问题
广告转化率本周下降 30%。
- 1
假设：流量质量变差、落地页故障、价格变化、归因丢失。
- 2
按渠道分组能区分流量问题；端到端下单能检查页面故障。
- 3
只有 iOS 报告下降，但支付订单总量稳定。
- 4
进一步确认隐私设置更新导致归因事件丢失。
得到的结论
团队修复测量链路，没有误把“统计下降”当成真实需求下降。
复制后直接填写
第一次不用追求完美，先把空白处填出来，再根据证据修改。
异常：【】
H1：【若真会看到 / 若假会看到】
H2：【若真会看到 / 若假会看到】
H3：【若真会看到 / 若假会看到】
首个验证：【成本 / 可排除分支】
更新后判断：【】看似在用，其实容易用错
- 只写自己相信的一个假设
- 收集支持证据却不设计反证
- 假设层级混合原因与解决方案