细说内测

本文由作者周巧芬授权网易云社区发布。


互联网行业,产品日新月异,快速的发布已是家常便饭。每个人的压力都很大,产品、开发、QA,紧张发布的背后导致上线总是出现大大小小的问题。紧凑的上线时间点和仓促的上线总是这样相伴,上线似乎就是一场战争,然而战争后却也不一定是平静的。在这样的情况下,需要有一个过程来舒缓这种压力,既可以使得产品能有一个发布的意义有实际的使用者,同时在版本还不够稳定的情况下有充足的应对。内测也许是个比较好的方式去解决这个问题。

什么是内测,其实就是对一小部分可控用户开放新版本使用,面向这部分用户公开测试并获取反馈。内测的概念多用在游戏的发布上。但笔者认为内测不局限于游戏行业,其他产品的发布同样适用。尤其是to C的产品,考虑终端设备、网络环境的多样性,可以更好的覆盖测试团队无法覆盖的一些场景。

虽然简单内测二字,其实做起来和其中需要考虑的却并不简单。那么笔者就从以下几点来简单的唠唠内测。


l  内测群体

内测群体通常是需要比较核心的用户,或者目标用户。

通常公司内部的员工是个很好的群体,大家使用度上高,熟知产品细节,又有便捷的沟通渠道。且对问题的宽容度高。

另外可选择一部分的核心用户给与内测。同时把内测包装成核心用户福利—提前体验产品新版本的权利。也可以视新产品功能的情况有针对性的选择,比如按性别、年龄、地域等。

在易信项目组中,专门有人员运营有核心用户群体“易饭团”,而“易饭团”的某个特权就是可第一时间体验易信新版本的功能。这样大家使用新版产品的积极性也会很高,尤其是对新功能的关注度较高。

当然除此之外,给内测用户群体一个便捷反馈的渠道,同时得到及时的响应也非常重要。

 

l  内测开放的方式

对公司内部的内测通知,可通过邮件等方式传达给大家。当然需要注意的是相关的使用和更新信息以及反馈渠道一定要在邮件里说清楚。

也可以通过公司内刊或者其他的方式发布,配合有趣的图文渲染新版本的功能点,激发大家使用内测版本的热情。

公司外部的发布需放到一个外网可下载的平台。当然不管是通过易信公众号还是群,还是微信公众号,需要告诉用户实时的一个反馈途径。

 

l  内测期间的问题收集和反馈

依然还是要强调反馈的渠道,通畅、实时并及时给与反馈者响应。除此之外,对于是bug类的反馈则直接可以报给QA,并做jira跟踪。如果是产品建议等方面的反馈,则可以评估后考虑是否在下个版本改进。

l  内测时间的安排

根据笔者的经验来看,内测发布尽量在一周中间的时间,例如周二到周四的时间,临近周末或周末的时间参与度相对较低。一般版本的内测周期在一周左右,或者根据内测用户反馈以及产品测试的需求做灵活调动。如果是个大版本,某些模块有较大的改版,并且有较多测试场景需要覆盖的情况下,可考虑适当的延长内测时间。而版本较小,或者内测期间反馈问题很少,版本已经很稳定,则可以适当缩短内测的时间并做正式发布的准备。

l  适当的奖励和总结

内测期间针对大家反馈的问题给与一定的奖励可以极大的激发大家内测的积极性。奖励的方式各种各样,现金或者周边礼物的奖励,控制在一定可承受的成本范围内即可。当然对于内测的效果需要定期的总结,可以从几个指标去看内测的效果:1、内测版本下载量。也就意味这内测样本的大小。2、内测期间反馈的有效问题数。但这个和内测版本是否稳定相关,仅作参考。产品发布会根据不同的情况做不同的决策,在固定项目排期的情况下,也许会发布一个不够稳定的内测版本,但同时借助内测的优势集中涌现问题,从而助力产品的正式发布。

综上,简单的唠唠内测这件事,具体内测的实施更需要根据不同的产品特点和发布策略做相应的内测方案。但最终的目的始终是不变的:产品更稳定,用户体验更好!


免费领取验证码、内容安全、短信发送、直播点播体验包及云服务器等套餐

更多网易技术、产品、运营经验分享请访问网易云社区


相关文章:
【推荐】 交互设计如何为业务赋能——谈谈网易严选企业采购的主页设计
【推荐】 Android 模拟器下载、编译及调试

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值