试验数据只有与明确的问题对应，才能有效支持设计决策。测试前应说明希望验证的假设以及需要采集的量。

先把设计问题转化为假设

试验前可以写清希望通过数据判断什么，例如某一结构变化是否带来特定响应。假设越清楚，越容易确定需要采集的量和比较方法，也能避免试验结束后再寻找支持既定结论的数据。

原始数据与加工数据分开

筛选、换算和平滑等处理会改变数据呈现方式。报告中应区分原始记录与处理结果，并说明方法。保留这一关系，可以让其他人员复核结论，也便于在分析方法改变后重新使用已有数据。

整理结果时，应保留试验条件和异常记录，区分直接测量值与计算得到的指标。不同批次数据比较前，应核对测试条件。

差异是否具有解释基础

两组结果不同，可能来自设计变化，也可能来自条件和测量波动。比较时应先核对共同条件，明确哪些因素受到控制。必要时通过重复试验或补充检查降低不确定性，而不是只比较平均值大小。

改进需要形成下一轮验证

设计修改应说明针对哪一个发现，以及预期改变什么。下一轮验证再检查预期是否实现，并关注是否带来新的问题。这样，数据才能支持连续迭代，而不是停留在一次展示性的测试报告。

流程示例：用对照条件解释改型效果

假设希望比较两种结构方案，试验策划应尽量统一其他关键条件，并记录无法统一的因素。得到差异后，先检查它是否与设计变化具有可解释的联系，再决定是否补充试验。报告中同时保留支持与不支持原假设的数据，可以帮助团队更客观地确定下一步方向。

常见问题：结果不符合预期是否就是失败？

只要条件和记录可靠，偏离预期也能提供设计信息。重要的是识别模型或假设需要调整的地方，而不是只保留表现最好的结果。

实施时可核对的要点

• 假设清楚
• 数据处理透明
• 条件具有可比性
• 修改效果已复核

改进方案应能够追溯到具体发现，并通过后续验证确认效果，形成可解释的设计迭代过程。