一、背景
基于达尔文进化论的思想来看，基因突变，为物种繁衍产生了各种可能性，有好的突变、有坏的突变。对于突变后的新个体来讲可能弊大于利，但是经过自然选择，对于整个物种来讲却是利大于弊，它们进化的更适应大自然了。
二、假设
在这里提出一种假设：达尔文进化论同样适用于互联网产品的迭代进化。
三、疑问
如果达尔文进化论规则同样适用于互联网产品的迭代进化，那其中起作用的关键属性是什么？我们应该怎样把握这些关键属性，利用它们促进互联网产品的快速迭代进化？
四、回答
我认为在达尔文进化论规则中起作用的是基因突变和自然选择两个关键属性，是它们驱动物种进化过程，或许我们可以在产品迭代过程中找到类似关键属性，合理应用它们促进互联网产品的快速迭代进
4.1、关键属性
1) 基因突变
因为基因突变，保障了物种的多样性，为繁衍进化带来了各种可能
2) 自然选择
突变后产生多样性的众多个体，都会经历自然选择，相对更不适应自然的个体会被逐渐淘汰，更合适自然的个体会获得更多资源走向繁荣，继续繁衍。
4.2、在产品迭代中找到类似的关键属性
1) 产品中的基因突变属性
如果问什么东西可以保障产品形态的多样性，为每次迭代带来各种可能?那我首先想到的是基于产品的新的想法、新的创意进行的试验，这些试验就能赋予产品基因突变属性。
2) 产品中的自然选择属性
在产品迭代中我们更多的是根据试验得到的试验结果，对不同创意产生的不同的产品形态进行最优选择，然后进行大规模推广。这里试验成功与否的衡量标准就类似自然选择中的选择标准，试验后产品形态选择推广过程就类似自然选择过程。
4.3、应用关键属性
1) 新想法的试验
物种进化的速度受物种繁衍的周期和每次繁衍基因突变的数量以及质量因素影响。那么同理，迭代产品的时候我们也需要足够多的新想法（包括疯狂的），足够频次试验才能确保产品拥有快速迭代进化的可能。
参考应用措施：
- 集思广益：开辟想法收集渠道，在团队中集思广益，激活、补充想法池，比如指引一个进化方向，告诉大家我们当前阶段关注的数据指标是什么，然后团队成员才会根据这个方向对产品提出各种想法，加入到想法池。
- 参考借鉴：参考行业标杆产品（也就是抄），许多我们没有尝试过的新玩法新元素，在一些标杆产品里已经被试验验证过并保留，将这样经历市场考验的新玩法拿到自己产品试验，试验成功率往往会比较高，因此一定程度上的借鉴标杆是一个很好用的方法论。
- 程序化：通过建立一个项目管理系统，或借用第三方（类似Ansna 、Confluence工具平台）来协调想法的提交和管理以及测试结果的跟踪和报告。
- 模版化：为提高想法传达的高效性，想法应该按照一个事先制定的模版提交到想法池，类似要素如：想法名称，想法描述，预期结果，待测数据指标等等（类似案例如jira管理bug的提交上报）。
- 优先级排布：因为开发资源有限，所以我们不可能短时间去试验所有想法池中的想法。这时候减少拍脑袋决策，将需要进行试验的想法进行科学的优先级排序尤为重要。这项工作最好通过流程化工作来规范，评判标准也按照某一套确定的原则来。具体可以参考下国外比较流行的ICE评分体系(import 影响力、confidence 信心、 ease简易性)
- 敏捷试验：根据优先级从想法池中取想法进行快节奏试验，量变产生质变，《增长黑客》里面有一句话是这样讲的“大多数‘一举成功’的案例都需要大量试验做铺垫”
2) 确定衡量指标，追踪数据，确定试验结果，选择最终结果
物种进化的方向受自然选择规则影响，选择留下那些在进化过程中更能够适应大自然的物种。那么同理，产品迭代过程中对每个想法进行试验和选择也是必要的，试验之前我们也要确定一些试验观察指标，以这些指标来衡量最终试验结果并量化。然后选择在这些指标表现更好的产品形态进行扩大推广。
如果产品迭代不存在这种对产品功能选择过滤机制，而允许没有被试验论证，没有可靠数据支撑的功能囤积在产品中，那么产品只会越来越臃肿难用，进而离用户越来越远。
参考应用措施：
- 确定指标：针对试验想法需要说明具体评估测试结果需要追踪哪些指标（可能被影响到的需要关注的指标，因为一个指标的改善有时候是通过牺牲其它指标来实现的。
- 降低干扰：设立干扰影响因素小的实验对照组进行试验对比，比如赫赫有名的A/BTesting的意义就在于此。
- 追踪数据：通过数据收集、监测、分析试验功能的实际表现情况。
- 降低风险：创建沙盒，试验不应该影响一定数量以外的用户群体（试验发布灰度）。
- 选择结果：选择有优势的实验结果所有上面工作的最终目的就是为了找到更好的产品形态，实现产品迭代进化！需要注意的是，在实验结果不确定时，保持原有对照组产品形态。
