假设检验
真理并不总是赤裸裸的。基于这个原因，当自己的某些假设成为成功的关键因素时，常常询问一下自己，在这些假设中真正重要的是什么，不重要的又是什么，这样做很有裨益。在寻找有用度量的过程中，你应该目光长远一点，不只是蜻蜓点水，并且考虑所有的可能性。有时，某个地方不能看得很清楚，新的数据可能会帮助你找到隐藏在后面的真相。你可以收集并使用度量来挑战你的假设，并且即使推翻了你的假设，也同样有帮助，因为你真正掌握了知识。
美式橄榄球有将近100年的历史，公认的一个教练理念是如果你的团队在3次进攻之后未能达成首攻（将球推进10码），并且由于距离目标太远而不能踢任意球得分，因此你们应该选择弃踢译注3。这样，成功弃踢后，双方交换球权，攻防转换。如果首攻失败译注4，对方将在易于得分的位置得到球权, 因此，弃踢看起来是更安全的方法。
但在大约10年前，一些统计人员开始分析一些数据，如第4次进攻获得达到10码目标所需的码数或达阵得分、弃踢，以及在球场不同地点首攻控球最终得分的可能性。他们所发现的是，从统计方面来讲，如果一个球队拥有小的码数剩余，并且他们在中场附近拥有球权，根据在第4次进攻成功得分的可能性，他们会优先选择第4次进攻而不是弃踢。一些思想开明的教练，如新英格兰爱国者队的Bell Belichick开始将这些想法付诸实践，并且现在这已经成为球员在某些情形下尝试第4次进攻并获得达到10码目标所需的码数或达阵得分的一个完美标准，因为它直接地提高了胜算。如果没有人花时间基于从之前的成果中收集数据然后检验这个假设的话，那么弃踢就永远都是最佳选择，这种老的教学理念或许永远都无法获得改变。
你又有多少关于如何交付成功软件的假设最后同样被证明是错误的呢？ 举例来说，你或许考虑过以下关于程序员和软件开发的陈述:
- 增加开发时间可以提高软件质量和客户满意度。
- 越庞大的团队越效率低下。
- 更有经验的程序员可以把困难的任务完成得更好。
不论上面的假设是对还是错，如果没有好的数据来证明，你永远都不知道。度量给出了数据来检验你的假设。
确定你想更严密地调查关键假设，特别是那些驱动你每天工作中关键决策的关键假设，同样是一个用来确定你应该收集和使用什么样的度量的好方法。例如，如果你想检验“更有经验的程序员可以把困难的任务完成得更好”，你需要收集关于任务复杂度的度量，程序员经验级别的度量，以及完成的工作的相对质量的度量。
