“抓住核心问题。” “先提出假设。” “视野放远、范围放宽、层级抬高。”
这些话当然没错。
但真正的零基础新人最先遇到的问题往往更朴素：
我连该提什么论点、该猜什么假设都想不到。
于是前辈说：“输入不够。先查30分钟，再停5分钟，把已经知道的和仍然不懂的写下来。”
照做。
查30分钟。 整理5分钟。 “咦，会不会是A？”
进步了。
然后第二章立刻开始。
“验证A的数据没有。” “那就加埋点。” “加埋点要开发。” “开发完要测试。” “测试后要观察。” “观察之后发现B比A更可疑。” “验证B又需要另一份日志。” “顺便还发现了C和D。”
嗡——嗡——嗡——
工作变多了。
这就是“学会论点和假设之后”经常没人讲的续集。
本文面向真正从零开始的第一年新人，把整条链路接起来：
调查 → 整理 → 切分问题 → 提出假设 → 建立测量 → 小范围改变 → 观察 → 更新假设 → 决定哪些假设暂时不做。
1. 第一个误区：假设思维不是“灵感比赛”
让新人面对“销售额下降”，马上给出十个原因假设，本来就很难。
不是因为人不聪明，而是因为他脑中还没有这个领域的“零件”。
网站分析里，老手会想到曝光、CTR、排名、来源、新老用户、国家、语言、页面、站内流转。
销售里，会想到商机数、转化率、客单价、流失原因、线索来源、负责人、周期。
制造里，会想到不良率、停机、换线、设备、材料、操作员、批次、温度、班次。
老手看到异常，变量列表会自动弹出来。
新人没有这个列表。
所以只说“再想想”，很像让人从空货架上拿商品。
模拟探究学习研究发现，在低先验知识学习者开始探究前提供基本领域信息，有助于他们理解相关变量并促进后续知识获得。[1] 这不是对职场咨询新人直接做的试验，但它给出的训练原则很清楚：假设需要材料。
2. 零到一阶段，不要一上来就要求原创假设
先看完整推理样例。
例如：
- 现象：销售额下降20%
- 第一次拆分：客户数还是客单价？
- 检查：客户数稳定，客单价下降
- 第二次拆分：商品结构还是折扣？
- 检查：折扣率稳定，高价商品占比下降
- 假设：客户选择高价商品的比例降低
- 下一步：看商品浏览、库存、展示排序、文案变化
把整个思考链展示出来。
Worked example研究表明，对初学者而言，带完整解法的例题能够降低认知负荷，并有助于保持和迁移。[2]
“自己想”对高手是自由，对新人有时只是没有地图的登山。
先看地图没有问题。
3. 第一年的成长，其实是“按顺序拆掉辅助轮”
下面的12个月不是说科学已经证明“必须按这个月数”。这是把学习科学原则转成职场训练路线。
第1—2个月：先学会这个世界有哪些变量
第一个目标不是猜对。
而是知道这个领域的人通常看什么。
学习常见指标、流程、角色、约束、正常范围、异常范围和先后关系。
每天只做三件事：
- 看一个真实案例
- 记下老手最先看的变量
- 问一句“为什么先看这个？”
这一阶段多看完整案例。
不是背“A必然导致B”，而是偷走老手脑中的候选清单。
第3—4个月：形成比较反射
论点往往从差异中生长。
看到变化先问五个问题：
- 从什么时候开始？
- 只发生在哪里？
- 什么没有变化？
- 与正常情况相比哪里不同？
- 变化前刚发生了什么？
“为什么销售额下降？”太大。
“只在新客？只在某地区？只在某产品？从上月开始？价格改动后？”就好得多。
这个阶段重点评估能不能提出比较轴，而不是是否一次猜中原因。
第5—6个月：把猜测写成可验证的句子
只用一个模板：
如果X是主要原因，那么应该观察到Y。
再补一句：
如果看不到Y，X这个假设就变弱。
这样，“我感觉是A”才变成可以被数据反驳的东西。
探究学习研究发现，在仅给变量与关系词之外再提供部分假设，可以帮助学习者提出更复杂的假设并改善数据收集。[3] 所以新人前期用“半成品假设”并不丢人。
第7—8个月：没有答案，就学会把系统变成“可测量”
这时工作开始像工程。
网上没有答案。 公司现有仪表盘也没有所需切片。
于是需要 instrumentation：建立测量能力。
例如：
- 增加日志字段
- 增加问卷项目
- 细化错误分类
- 支持商品×地区切分
- 保存变更前基线
- 设置实验组和对照组
新人会第一次发现：
调查不等于搜索。
如果证据不存在，设计让证据产生的系统，也是调查的一部分。
第9—10个月：实现→测试→观察→更新
假设A → 测量 → 小改动 → 测试 → 观察 → 保留/修改/放弃 → 下一个假设。
重点不只是“猜对了吗”。
猜错时要问：
为什么当时我觉得它最可能？
2024年的研究发现，对问题解决错误进行有支架的自我解释，可以改善错误修正与近迁移表现。[4]
另一项包含35项研究的元分析发现，提高问题解决中监控准确性的干预总体效果较小，但整任务反思、元认知知识和外部标准等方式能够带来改善。[5]
所以不要只写“我觉得做得不错”。
把预测和结果并排放。
第11—12个月：问题反转——假设太多了
到这里，新人会遇到反向痛苦：
不是想不到。
而是想到太多。
A、B、C、D、E都像真的。
全查就永远做不完。
因此开始评价：
- 对决策的影响
- 可能性
- 验证成本
- 一个测试能排除多少假设
- 结果出来后下一步是否真的会改变
决策分析里有Value of Information：新信息的价值取决于减少不确定性后，决策能够改善多少。[6]
办公室里不必每次算公式。
先问：
知道这件事，会改变哪个决定？
不会，就后排。
4. “查30分钟 + 整理5分钟”不是神奇数字，而是搜索兔子洞的紧急刹车
没有证据说明30和5是普适最优。
真正有价值的是“强制停下来”。
停下时写：
- 已经知道什么
- 还不知道什么
- 当前最强假设
- 如果它是真的应该看到什么
- 下一步看什么数据
一个很好用的规则是：
如果下一步问题还不能用一句话写出来，就先别继续搜索。
不是读了多少，而是调查方向是否更新。
5. 然后工作会变多：发现论点，本身就是制造任务的能力
新人： “看起来没什么问题。”
中级： “转化率下降了。”
更熟练： “总体转化率下降，但老客稳定。下降集中在某个新客渠道，流量没变，而且从上个月开始，第一次沟通到正式提案这一段的转化突然掉了。”
恭喜。
你生成了新的工作。
渠道分析、人员对比、沟通内容复盘、变更记录、测量校验、小实验。
嗡——嗡——嗡——
假设思维不会马上让工作变少。
一开始它会让过去看不见的工作现形。
之后才需要更高级的能力：
决定哪些发现出来的工作不做。
6. 最终形态越来越像“研究者 + 工程师 + 分析师”
Research：调查已有知识。 Hypothesis：提出暂时解释。 Instrumentation：建立测量。 Intervention：做小改变。 Observation：观察结果。 Update：更新判断。 Prioritization：选择下一项最值得减少的不确定性。
咨询、产品、质量、运营、DX、营销、研究的名字不同，但很多改进工作都共享这个循环。
7. 新人脑子空白时，给六个原因箱子
| 箱子 | 问题 |
|---|---|
| 输入 | 进入系统的数量或质量变了吗？ |
| 处理 | 流程、规则、路径变了吗？ |
| 输出 | 产品、结果、呈现变了吗？ |
| 人 | 客户、员工、用户变了吗？ |
| 环境 | 竞争、季节、市场、制度变了吗？ |
| 测量 | 数字的测量方式变了吗？ |
很多“想不到”，其实是搜索空间太大。
先放箱子，就有地方找。
8. 管理者别只说“再想想”，要逐步拆辅助轮
Level 0：给完整案例。 Level 1：给问题拆分。 Level 2：给候选原因。 Level 3：只给六个原因箱。 Level 4：只问“问题是什么？下一步看什么？”
2026年的研究发现，包含实际问题解决的学习序列，在测试表现上优于只看完成例的条件。[7]
给新人案例，不等于永远给答案。
关键是辅助轮拆除的顺序。
9. 第一年的每周操作模板
每个案例：
- 一句话写现象
- 至少三个比较轴
- 收敛到1—3个假设
- 写“如果X，那么应看到Y”
- 记录结果
每次停止搜索：
- 学到了什么
- 还缺什么
- 当前假设
- 下一份数据
- 这份数据会改变什么决定
每周一次： 复盘一个错误假设与一个漏掉的变量。
每月一次： 更新自己的“常看变量清单”。
比较轴越来越丰富，就是成长。
10. 常见失败
- 只增加输入，不输出假设。
- 太早让新人完全自由探索。
- 爱上第一个假设。
- 把“调查了很多”误当成果。
- 什么都要验证。
能力越强，第五条越危险。
11. 研究能说明什么，不能说明什么
这些研究支持的方向包括：
但它们不能证明30+5是宇宙最优，也不能证明本文的12个月安排是唯一最优，更不能说学生实验结果可以原封不动复制到职场新人身上。
研究不是神奇配方。
它是设计辅助轮的地图。
12. 结尾：能力提高，并不保证工作减少
年初： “我想不到论点。”
几个月后： “我有三个假设。”
再后来： “为了验证，我要加日志。”
年末： “有12个假设，但其中7个不会改变下一步决策，所以不做。”
这已经是完全不同的人。
不过奖励不是清闲。
恭喜。你现在能看见以前看不见的问题了。
测量。 实现。 测试。 观察。 分析。 重新假设。
嗡——嗡——嗡——。
最后真正学会的，不是什么都研究。
而是：
决定现在暂时不研究什么。
参考资料（7条）
- Kuang, L., et al. Journal of Research in Science Teaching doi.org
- Chen, O., et al. Educational Psychology, 2023 doi.org
- Kuang, L., et al. Journal of Computer Assisted Learning, 2020 doi.org
- Contemporary Educational Psychology, 2024 doi.org
- Janssen, N., & Lazonder, A. W. Educational Psychology Review, 2024 doi.org
- Value in Health, 2020 doi.org
- Zeitlhofer, I., & Zumbach, J. International Journal of Educational Research, 2026 doi.org
