在快节奏的产品迭代里，谁没遇过“为什么突然降流量，谁说的改动没问题”的尴尬？如果把每一次迭代都当成一次实验室试管，把用户行为当作化学反应方程式，能不能提前预知实验结果？答案就是——用“心智模型影响评分”(MMIS)来量化风险。

首先，何为心智模型？心理学家戴维·布鲁克斯曾指出，用户对产品的期望和使用方式，实质上是他们脑中对功能的“内部图景”。比如，微信的聊天界面用户脑中已有“快速定位、快速发送”的模型；而一个新的投票小工具用户可能缺乏“投票流程清晰”的模型。每一次设计改动，都是在打乱或补全这些模型。

MMIS 的核心思想是：量化改动对主要心智模型的冲击程度。我们把常见模型分为三类——导航（N）、任务完成（T）、情感反馈（E）。每类模型用 0~10 的分值衡量当前改动带来的不确定性，然后乘以该模型在用户体验中的重要权重（w），最终求和得到评分：
MMIS = w_N·ΔN + w_T·ΔT + w_E·ΔE。

举例：某任务管理 APP 打算把侧边栏改为顶部 TabBar。我们先识别关键模型：1) 导航（侧边栏 vs TabBar） 2) 任务切换频率（侧边栏一次可见多项目） 3) 情感反馈（侧边栏隐藏时的惊讶感）。通过用户访谈、点击热力图和 A/B 前测，得到 ΔN=6，ΔT=3，ΔE=5，权重分别为 0.4、0.3、0.3。计算得 MMIS = 0.4×6 + 0.3×3 + 0.3×5 = 4.1。根据我们内部经验，评分>4 的改动属于高风险，需要至少两轮原型 + A/B 测试；<0.8 为低风险，可直接上线。

MMIS 并非魔法。它依赖于精准的数据收集：点击率、留存率、NPS 等定量指标；以及可用性测试、访谈、眼动仪等定性手段。以 Airbnb 为例，在 2018 年对搜索页面做“自动补全”改动前后，MMIS 评估为 3.7（低风险），上线后用户搜索时长提升 12%，转化率提升 5%。若改动被误评为 6.2，上线后流失率飙升 7%。这说明评分能直接映射业务 KPI。

如何落地？ 1) 建立心智模型目录，定期更新。
2) 在每次设计评审前，用 MMIS 计算潜在冲击。
3) 将 MMIS 与 OKR、RICE、优先级矩阵结合，形成统一决策语言。
4) 记录每次评分与实际 KPI 的关联，持续校准权重。
5) 用可视化仪表盘让团队随时看到改动的“风险点”。

当你在迭代日历上看到高 MMIS 时，别急着删掉所有人喜爱的功能。先做一小段原型，观察用户的即时反馈；如果反馈表明模型确实被扰乱，再决定是否全面迭代。这样，你的产品既能保持创新，又能避免“功能堆砌导致用户离开的陷阱”。

所以，下次你准备把一个看似微不足道的按钮位置改动时，问问自己：这会不会让用户的导航模型失调？如果答案是肯定的，就先把 MMIS 写出来。毕竟，一个“无风险”的改动，能让你省下不少调试时间，也能让你在产品迭代的浪潮中稳稳立足。

你是否曾因为一次低 MMIS 的改动，却被意外的用户反应吓到？让我们一起探讨，如何让评分变成你迭代的“风向标”。