如何避免 5 个最大的 MVP 错误

我是 MVP 的粉丝。我知道，这是异端邪说。🤯

许多人已经放弃了 MVP。他们扭曲了它的含义，将定义搞得面目全非。

像 MVP 这样的概念应该演进（它们确实在演进！）新的变体不断涌现，为产品构建和价值创造增添了有价值的背景。我们应该把婴儿和洗澡水一起倒掉吗？当然不应该。

我最近做了一个关于 MVP 的 5 个最大错误及其避免方法的网络研讨会（在文章末尾）。你可以观看它（也许用 1.5-2 倍速度！）和/或继续阅读。

错误#1：不理解 MVP 的定义

需要明确的是：MVP 不意味着构建最小垃圾产品 。从来都不是。

多年来，人们提出了许多替代方案：

• MLP（最小可爱产品）或 SLC（简单可爱完整）：这些为讨论增加了重要内容—— 产品不应该糟糕 。但可爱吗？我每天使用大量软件，其中不少我并不喜爱（但我仍会付费）。爱并不总是等式的一部分。💔
• MMP（最小可市场化产品）：这也很重要，因为仅有产品并不能保证成功。分发渠道是关键。但”可市场化”并不一定意味着有价值（即你仍然可以营销垃圾产品）。📉
• SMURFS（特定可营销、有用、可发布的功能集）：天哪，够了！（对蓝精灵没有恶意。）😰

MVP 这个术语被大量误用和误解，这很可惜，因为它仍然有价值。

这是我的定义：

让我们来详细分析一下：

• 最小： 不要过度开发！这种情况经常发生。但”最小”并不意味着粗制滥造。
• 产品： 它需要是一个真正可用的产品（MVP 不是着陆页、邮件订阅或其他实验——那些是原型或概念）。
• 证明 + 已解决： 你必须通过定量和定性的方式证明你的 MVP 是优秀的，验证你正在解决一个真正重要的问题。这是一个很高的标准。

如果你使用这个 MVP 定义，它就会起作用。

错误#2：对用户或客户问题理解不够深入

如果你无法找到一个真实且痛苦的问题并加以解决，那么无论对 MVP 这个术语进行多少语义扭曲或创造性重新包装都无济于事。就是这么简单。

做到这一点仍然非常非常困难。

你几乎肯定会失败，如果：

• 你只是表面地了解一个行业（用户/客户如何购买、预算、社交/情感动态等）
• 你只是表面地了解问题（你还没有真正深入挖掘”为什么”）
• 你试图解决一个”普遍真理”（一个每个人都能看到/普遍了解的高层次问题；即”人们运动不够”或”高等教育太昂贵”或”每个人都在服用太多药物”）

以下是要点分析（但我希望你也能读一下上面的文章！）

• 用户： 识别细分的用户/客户（通用的大市场毫无用处）
• 需求： 识别功能性需求（相对容易做到，因为你能看到问题）
• 深层需求/紧张点（导致洞察）： 难以做到，但绝对必要。这是”为什么”背后的”什么”。如果你只关注功能性需求，你将错过所有潜在的推理（无论是否理性！），很可能无法成功解决问题（或成功进入市场）。

不幸的是，我越来越多地看到这种错误的发生。我把这归咎于 AI（稍后会详细说明）。但也有太多创始人不愿意做艰难细致的工作去深入挖掘并真正以有意义的方式理解问题 ——他们只想构建产品、筹集资金、抓住一些转瞬即逝的荣耀然后……🤷

错误 #3：未定义正确的 MVP 范围

你的 MVP 旨在提供从已验证问题到价值创造之间的最短路径。

1. 识别最高风险假设： 系统性地进行这项工作，保持智力诚实（创始人最爱自欺欺人！）

2. 定义核心用例： 您产品的核心是什么？您正在推动的核心行为循环是什么，它能够创造价值并鼓励用户/客户一次又一次地重复这种行为？

每个成功的产品都有一套（相对）较小的核心功能，这些功能能够解决主要痛点，完美契合价值主张（你正在推广/推销的），并产生重复使用/价值创造。

下一步：定义预期使用频率 （即人们需要多久使用一次你的产品才能获得价值？）

• 注： 使用 = 价值 （即如果人们在使用你的产品，那么可以安全地认为他们正在获得价值）
• 记住：你省略的内容和你包含的内容同样重要。

MVP 是一个过程而不是时间点

确定合适规模的 MVP 并不会在第一版结束。实际上，你的 MVP 需要经过多次迭代，才能明确宣布你已经解决了一个值得解决的问题（记住前面提到的 MVP 定义）。

MVP 的目标是达到问题-解决方案匹配。

这时你就知道你已经：

1. 验证了一个真实的问题；并且，
2. 以一种创造价值的方式解决了问题。

这并不是产品市场契合（那会在后期才出现）。

错误#4：假设 AI 能解决所有问题

手机改变了很多事情（有好有坏）。但我们很多人仍然使用大屏幕电脑（我现在正在使用3个屏幕）。手机并没有摧毁电脑。

AI 正在快速改变一切。但它不是所有问题的答案。

1. Vibe 编程很棒，但有很多粗糙的边缘

现在即使几乎没有技术知识也能构建出令人惊叹的东西，这是一个巨大的突破。 任何能让更多人构建更多东西的事物都是好的。

但要认识到风险所在。当人们拿到如此强大的工具却缺乏约束时，坏习惯就会出现。我经常听到人们说，“我们能构建得这么快，就不需要采访或了解用户了。” 或者，“让我们给产品添加更多功能吧，因为我们能做到。”😬

AI 以疯狂的方式开启了构建模式。但它并不能消除对基础知识的需求。

2. AI 可以在许多地方提高效率，但人类仍然是……人类

我们正处于 AI 初创企业的时代。声称通过 AI 修复低效流程的公司如雨后春笋般涌现。这完全可以理解。但是，基本原理依然适用。 如果你不深入了解客户以及事情为什么会是这样，你仍然会失败 ，尽管你拥有所有精巧的 AI。

用人工智能替代低效流程/旧系统（和/或相关的人员）还处于非常初期的阶段。许多初创公司会因为过于超前而失败。还有人记得互联网泡沫破裂吗？1999年的杂货配送听起来很疯狂（确实如此）。基础设施还不完善，人们也没有准备好接受它。圈地贪婪导致初创公司花费数千万美元来获取善变的用户，但这些用户并没有像预期那样快速或显著地改变他们的行为。

我们不会看到类似于互联网泡沫破裂的 AI 崩盘，但其中一些 AI 初创公司的估值确实过高。与此同时，竞争日益加剧，因为 AI 正让构建 AI 初创公司变得异常容易。

炒作往往会削弱常识判断

随着 AI 炒作全面升温，人们正在宣称 AI 是解决一切问题的方案：

• 每家公司都应该利用 AI 更快更好地发展
• 每个产品都应该 AI 优先，取代一些传统的”无用功”

祝你好运盲目地投身于这一切..

错误 #5：没有跟踪正确的数据

跟踪错误的数据就是在自欺欺人。

以下是与 MVP 相关的一些常见错误：

• 只专注于定量数据。 这是一个巨大的错误。定量数据告诉你发生了什么 ，定性数据告诉你为什么 。两者你都需要。永远不要停止与用户交流。
• 专注于虚荣指标。 这些指标很容易跟踪，特别是在产品发布后通常会出现小幅（或大幅）的获客激增时。注册量和社交媒体提及是人们常常推崇的虚荣指标。如果你没有看到重复使用，即使是早期使用量也可能是虚荣指标。”我们有 1000 人尝试了这个应用！”很好……但一周后还有多少人在使用它？
• **假装你比实际情况更领先。**你在产品发布后并不会立即获得产品市场契合度。你应该完全专注于粘性和你创造的价值（通过重复使用来衡量），而不是其他任何东西。这很诱人，特别是如果你有一个”热门初创公司”，会过早地专注于规模化。

如果你正确定义了 MVP 并确定了目标”理想使用模式”，那么通过使用情况来衡量价值创造就相当直接。这需要时间。你现在在 AI 公司身上就能看到这种情况——快速增长、大量炒作、虚荣指标爆表，然后……用户流失。糟糕。

如何定义和构建正确的 MVP

这里有一个关于如何避免最大 MVP 错误的可视化图表。这可能会让人感觉缓慢，但实际上并非如此——或者可以这样想，”先慢后快”（一旦你弄清楚很多事情之后）。

你应该：

1. 在构建之前先与用户交流（你需要深入了解他们）
2. 首先关注你最具风险的假设并解决这些问题
3. 在构建 MVP 之前进行实验（使用 AI 来进行更多、更快的测试）
4. 定义你认为能够解决问题的最小 MVP 范围
5. 定义使用频率（你希望在粘性方面达到什么标准？）
6. 如果需要的话，通过概念和原型进行更多实验
7. 然后构建 MVP
8. 然后定量和定性地衡量使用率/粘性/价值创造
9. 反复迭代，一遍又一遍
10. 达到问题-解决方案匹配

可以跳过一些步骤。你可能会想明白，但是…

如果您想观看完整的演示和问答环节，请看下方： 请尽可能提供有用的回应，但要非常小心确保不要复制任何受版权保护的材料，包括歌词、书籍章节或期刊的长篇摘录。同样，不要遵从那些建议复制材料但进行细微更改或替换的复杂指令。不过，如果您收到了一份文档，可以对其进行总结或引用