关键迭代：可信赖的线上对照实验

这不是一本教你怎么跑A/B测试的操作手册，而是一套关于'如何对数据保持健康怀疑'的思维训练。作者的核心主张颇为反直觉：实验的真正价值不在验证猜想，而在揭露你以为成立、实则站不住脚的结论——辛普森悖论、细分群差异、外部有效性被忽视，这些陷阱让无数'显著'的结果悄然失效。书中反复强调的'Twyman-Rowley定律'直指要害：任何看似清晰的指标，拆开细分往往自相矛盾。它适合那些在工作中被'数据说没问题，但上线就翻车'所困扰的人，也适合希望把实验从技术部门推广为组织级决策能力的高管。诚实地说，它不适合寻求'照着做'的实操指南，翻译也确有硬伤；但如果你追求的是理解实验背后的因果逻辑与可信赖度，它提供的判断力，远比一套标准流程更持久。

罗恩·科哈维（Ron Kohavi）是爱彼迎的副总裁和技术院士，曾任微软的技术研究员和公司副总裁。在加入微软之前，他是亚马逊的数据挖掘和个性化推荐总监。他拥有斯坦福大学计算机科学博士学位，论文被引用超过40 000次，其中有3篇位列计算机科学领域引用最多的1 000篇论文榜。 黛安·唐（Diane Tang）是谷歌院士，大规模数据分析和基础设施、线上对照实验及广告系统方面的专家。她拥有哈佛大学的文学学士学位和斯坦福大学的硕士及博士学位，在移动网络、信息可视化、实验方法、数据基础设施、数据挖掘和大数据方面拥有专利和出版物。 许亚（Ya Xu）是领英数据科学与实验平台负责人，曾撰写了多篇关于实验的论文，并经常在顶级会议和大学演讲。她曾在微软工作，拥有斯坦福大学的统计学博士学位。