變局之下,產(chǎn)品創(chuàng)新的道與術(shù)

0 評論 2126 瀏覽 13 收藏 26 分鐘

2023年9月9—10日,人人都是產(chǎn)品經(jīng)理聯(lián)合騰訊大講堂舉辦的【2023產(chǎn)品經(jīng)理大會·北京站】完美落幕。雪球前高級產(chǎn)品總監(jiān)、去哪兒前用戶體驗總監(jiān)黃喆老師為我們帶來《變局之下,產(chǎn)品創(chuàng)新的道與術(shù)》為題的分享,本文為演講內(nèi)容實錄。目前大會回放已上架,戳此購買,即可收看回放:https://996.pm/7gX2B

今天從三個維度切入分享:

  1. 技術(shù)變革對產(chǎn)品形態(tài)的影響
  2. 產(chǎn)品數(shù)字化/智能化轉(zhuǎn)變
  3. 變局下的產(chǎn)品規(guī)劃到落地

最后會隱去敏感數(shù)據(jù)和部分信息,和大家分享在雪球做的一個創(chuàng)新業(yè)務案例,與其中的具體邏輯。

一、技術(shù)變革對產(chǎn)品形態(tài)的影響

技術(shù)已經(jīng)成為顯著的生產(chǎn)力之一,驅(qū)動著許多行業(yè)、產(chǎn)品和服務的變化。而關(guān)于技術(shù)的本質(zhì),我們可以這么理解,技術(shù)其實是借助了能力,幫助我們更有效地轉(zhuǎn)化能量,從而滿足需求。

在當前AI 2.0時代、數(shù)字化時代的節(jié)點上,大家可能都對這點有所感觸。今天,我們身邊充斥著各式各樣的信息,這類信息可以形成線上化、數(shù)字化的能量轉(zhuǎn)化,其中需要講究效率。很多時候,我們?yōu)锽端企業(yè)賦能,所帶去的結(jié)果就是企業(yè)的降本增效,而降本增效,更多在討論的,就是效率問題。

再說需求滿足。大家對馬斯洛需求層次理論都很熟悉,其最底層為“生存”,“生存”意味著一個生命體需要延續(xù)生命。同理,B端企業(yè)也需要活下去,在市場環(huán)境發(fā)生變化的情況下,企業(yè)提出的產(chǎn)品要求不再單純地追求活躍、留存;現(xiàn)在,企業(yè)更在意的是利潤,因為利潤才能決定企業(yè)的存亡。

所以當下,技術(shù)成為了根本話題之一,它驅(qū)動著我們更好地借助能力轉(zhuǎn)化能量,從而滿足各式需求。

當前,技術(shù)已經(jīng)成為了新的生產(chǎn)力,而這背后伴隨著人類的社會化進程。從早期農(nóng)業(yè)化時代借助太陽能、順應自然環(huán)境、維持個體生存;到工業(yè)化時代借助化學能、改造環(huán)境、形成群體規(guī)模;再到數(shù)字化時代,數(shù)據(jù)信息演變?yōu)橐环N能量,這個時候,我們更講求創(chuàng)新、創(chuàng)造新空間,比如元宇宙、虛擬現(xiàn)實等概念的出現(xiàn)。

不同發(fā)展階段可能會有起伏波動,雖然這帶來了各種各樣的變化,但背后的本質(zhì)依舊與技術(shù)這一根本話題脫不開關(guān)系。其一,即追求能量效率的提升,其二,各種技術(shù)、材料的借助有效地拓展了我們的能力邊界,助推了存續(xù)目標的實現(xiàn)。像當下這個階段,通過借用AI、物聯(lián)網(wǎng)等技術(shù),數(shù)據(jù)得以成為一種生產(chǎn)資料,進而驅(qū)動了創(chuàng)新和社會發(fā)展。

如果再將AI進行細分,可以將其分為兩種:

  1. 決策AI:幫助分析
  2. 生產(chǎn)AI:幫助創(chuàng)造。

再來談數(shù)字化。數(shù)字化可以大致分為三個階段:IT信息階段、DT數(shù)據(jù)階段與AI智能階段。不同企業(yè)、行業(yè)、階段,其數(shù)字化節(jié)奏可能會產(chǎn)生差異,數(shù)字化發(fā)展路徑也會有所不同。比如教育、金融領域的數(shù)字化步伐可能會更快,而一些生產(chǎn)型的企業(yè)則可能還在IT或DT階段。

這背后與技術(shù)變化息息相關(guān),從CPU到GPU,再加上云計算、移動互聯(lián)網(wǎng)等基礎能力建設,從1960開始,數(shù)據(jù)量便基于新技術(shù)推動呈量級的增長,這驅(qū)動了我們借助數(shù)字化、智能化去發(fā)現(xiàn)更多新機會。

下圖展示了一個技術(shù)成熟度曲線,它劃分出了五大階段,從技術(shù)萌芽期、期望膨脹期,到破滅低谷期,隨后步入穩(wěn)步恢復期和高效成熟期。比如今天所推崇的AI 2.0,就已經(jīng)在市場的助推下到達了期望膨脹期,隨著后續(xù)找到更多的落地機會與可能性,它便會回歸理性與冷靜。等AI 2.0熬過了破滅低谷后,它才會更具有普及性,才能找到更多應用可能性,產(chǎn)生更好的商業(yè)機會和商業(yè)回報。

大多數(shù)技術(shù)都會經(jīng)歷這樣的一個過程,比如先前的AI 1.0、云計算、深度學習等,都逐漸經(jīng)歷了破滅低谷期,進而更加普遍地應用于各行各業(yè),產(chǎn)生更好的結(jié)果。

生成式AI對不同行業(yè)的不同環(huán)節(jié)的影響不同,麥肯錫就進行了分析,比如教育行業(yè)的供應鏈管理環(huán)節(jié),可以借助數(shù)字化、人工智能技術(shù)實現(xiàn)更好的落地,銀行業(yè)、金融業(yè)則可以在客戶管理、產(chǎn)品研發(fā)、軟件應用等領域或環(huán)節(jié)借助人工智能手段做出更有效的落地。

所以可以看到,AI、數(shù)字化是相對泛化的一個話題,而其落地的過程中存在著許多機會,產(chǎn)品經(jīng)理便需要思考可以在哪些環(huán)節(jié)、行業(yè)做好落地。多了解這方面的信息,有助于產(chǎn)品經(jīng)理未來的規(guī)劃、判斷與產(chǎn)品設計。

AI系統(tǒng)、大語言模型也推動著C端用戶和B端企業(yè)更高效率的數(shù)字化。比如下圖所拆分的技術(shù)結(jié)構(gòu),最底層面向終端用戶及客戶,上面則為基礎技術(shù)能力。而現(xiàn)在,中間增加了一個“模型層”。原先,基礎的技術(shù)能力可以形成各式應用面向用戶,而現(xiàn)在模型層的添加則帶來了一些變化,它驅(qū)動著C端用戶和B端企業(yè)數(shù)字化的更好落地。

生成式人工智能則將引領一個潛在的新周期,現(xiàn)在,許多產(chǎn)品都值得用人工智能技術(shù)再重做一遍。

紅杉資本也做了預測,預測說到,到2030年,文本、代碼、圖像、視頻、3D、游戲等都可以通過AIGC生成。

技術(shù)變革對產(chǎn)品形態(tài)也帶來了影響。像現(xiàn)在所提及的AI 2.0、數(shù)字化,很大程度上依賴于底層芯片、底層算力等基礎能力,如果沒有底層算力或芯片支持,很多時候,我們的場景或應用可能會很難落地。

虛擬人這一概念背后也融入了AI與數(shù)字化技術(shù)能力,這一概念目前主要落地在營銷、客服、教育等場景。像智能客服,許多用戶可能無法分辨對面的客服是真人還是虛擬人。在客服領域,AI的應用落地效率還是較快的。

前段時間,不少大模型獲得了通用牌照,這背后衍生出了許多機會,比如擁有相關(guān)技術(shù)儲備的企業(yè)可以提供智能解決方案,團隊或公司便可以在智能解決方案框架內(nèi)產(chǎn)生商業(yè)機會和產(chǎn)品服務。其中,許多小型企業(yè)可能會擁有更多新的可能性。

二、產(chǎn)品數(shù)字化/智能化轉(zhuǎn)變

產(chǎn)品數(shù)字化和智能化的轉(zhuǎn)變過程主要在于模型和場景的落地。比如現(xiàn)在最頭部的AI——OpenAI / Character.AI,既是模型又是產(chǎn)品應用。這一現(xiàn)象背后和技術(shù)的發(fā)展歷程息息相關(guān),現(xiàn)在,AI還處于早期的技術(shù)創(chuàng)新期,沒有完善的產(chǎn)品形式,所以產(chǎn)品大多是“直給”至用戶。比如微軟的Copilot是一個輸入窗口,大模型直接觸達到了用戶。

這其中隱藏著一定機會,因為技術(shù)或模型訓練到一定程度之后,會驅(qū)動產(chǎn)品進行深化,形成更多交互過程,從而使得用戶更好地進行操作和交互。

在數(shù)字化、智能化的發(fā)展階段中,又出現(xiàn)了Maas(Model as a service)這一技術(shù)結(jié)構(gòu),這便是我們現(xiàn)在所說的大模型。

大模型的本質(zhì)是什么?是通過超大規(guī)模的能力處理非結(jié)構(gòu)化的數(shù)據(jù)和信息。這其實也為大模型是否適用于自身場景提出了前提;首先,我們需要思考自身是否有超大規(guī)模數(shù)據(jù);其二,信息是否是復雜的、非結(jié)構(gòu)化的。如果沒有這兩個前提,盲目應用Mass層可能會浪費大量算力。所以Mass的應用需要結(jié)合具體行業(yè)、具體場景而定。

產(chǎn)品底層技術(shù)結(jié)構(gòu)也會發(fā)生變化。最早,許多產(chǎn)品雖然也會應用AI技術(shù),但AI技術(shù)棧架構(gòu)相對簡單,即應用層、操作系統(tǒng)層、芯片層。隨著AI技術(shù)的變化與發(fā)展,現(xiàn)階段的AI技術(shù)棧還增加了模型層。而到了未來的AI技術(shù)發(fā)展階段,分層會更加細化,比如增加中間層、算法層等,我們可以通過算法來調(diào)用更多模型,實現(xiàn)更好的應用場景落地。

部分產(chǎn)品經(jīng)理可能會認為這部分職責應由技術(shù)團隊承擔,但在未來,許多技術(shù)可能會被替代,技術(shù)與產(chǎn)品之間的工作邊界也可能會變得更模糊。用戶和客戶本身并不關(guān)心企業(yè)內(nèi)的分工協(xié)作,所以如果產(chǎn)品經(jīng)理可以有相應的儲備和積累,并積極運用技術(shù),那么產(chǎn)品經(jīng)理在交付、設計和規(guī)劃上,可能會得到更好的結(jié)果。

而在未來,我們需要考慮四個方面的儲備和積累,分別是數(shù)據(jù)、算力、模型與場景。其中,有兩方面是產(chǎn)品經(jīng)理團隊可以重點關(guān)注的。

一個是數(shù)據(jù),雖然在未來,許多數(shù)據(jù)可能是非結(jié)構(gòu)化的,但我們可以從中尋找規(guī)律,從而更好地把握。比如在智能化營銷中,客戶畫像是什么樣的?不同行業(yè)、不同品類的客戶畫像標簽、維度又該如何設計?這些問題,其實與數(shù)據(jù)直接相關(guān)。

另一個是場景,場景是產(chǎn)品經(jīng)理工作中天然需要面對的一個“對象”,只有找場景,才能找到機會,找到落地的可能性。

舉個例子,Notion是一款個人筆記軟件,它在接入了ChaGPT的模型能力后,產(chǎn)品實現(xiàn)了引爆,并實現(xiàn)了一個月1000萬美元ARR收入。而這個增量背后的原因,其實就是產(chǎn)品團隊找到了更好的應用場景、更好的數(shù)據(jù),使得模型可以更好地應用,進而驅(qū)動產(chǎn)品找到了好的商業(yè)機會和商業(yè)回報。所以,產(chǎn)品經(jīng)理們還是要重點關(guān)注數(shù)據(jù)和場景,進而找到產(chǎn)品或業(yè)務上的新的可能性。

AI在產(chǎn)品落地中,除了思考怎么用模型之外,還需要考慮應用場景。像一些跑得比較快的產(chǎn)品或業(yè)務,便結(jié)合了大模型,在算力消耗的基礎上訓練模型質(zhì)量。而小公司可以考慮借力,找到好的機會場景,做面向于垂直行業(yè)和專業(yè)領域的小模型。像營銷、金融、游戲等行業(yè),便已經(jīng)有企業(yè)著手布局了。

有分析公司也調(diào)研了不同行業(yè)對AIGC的接受度,與AIGC在行業(yè)中的可變革程度,如下圖。

AIGC在不同行業(yè)中的賦能情況也有一定差異,如下圖便介紹了哪些行業(yè)、哪些領域與哪些應用場景是值得借助人工智能技術(shù)做好落地的。

除了發(fā)現(xiàn)技術(shù)的變化和不同,產(chǎn)品經(jīng)理還需要尋找相對確定性的東西。

現(xiàn)在做產(chǎn)品,我們需要建立完整的鏈路,一端面向用戶和客戶,一端面向企業(yè),用戶和客戶端追求體驗,企業(yè)端則追求利潤。這個過程中,我們要通過產(chǎn)品包含方方面面,需要挖掘用戶或客戶需求,為其創(chuàng)造價值。這時,就可以借助人工智能技術(shù)創(chuàng)造個性化價值了,比如人工智能可以更有效地分析用戶是誰,隨后借助數(shù)據(jù)能力進行分解,并形成對應性、匹配度更高、個性化更強的價值給到用戶。

這個過程中,我們還要創(chuàng)造增量價值,這樣,產(chǎn)品才能有更強的競爭力。比如企業(yè)端,我們可以選擇做機會成本更高的事情,同時還要思考能否降成本,擴大規(guī)模,進而降低邊際成本。

同樣的,我們可以借助數(shù)據(jù)。數(shù)據(jù)是天然的規(guī)模效應的基礎,當生產(chǎn)資料堆積得越多,所萌發(fā)的機會、預期回報就會越多。我們可以結(jié)合數(shù)據(jù)去產(chǎn)生產(chǎn)品價格。這里會涉及到產(chǎn)品定價的問題,比如用什么樣的商業(yè)模式進行收費計費。

這些鏈路中的關(guān)鍵名詞,是產(chǎn)品經(jīng)理需要囊括考慮的,某些環(huán)節(jié)里,我們可以借助數(shù)字化和智能化技術(shù),更好地跑動閉環(huán)。

在今天,我們借助數(shù)字化或智能化技術(shù),主要幫助客戶或用戶解決三方面問題:增效、降本和促新。

很多企業(yè)可能會將降本和增效放到一起,但其實這是兩個不同的場景。對企業(yè),我們更多講求的是降本,而對人員,我們則講求增效,這是不同的路徑。不一樣的路徑可能有不一樣的結(jié)果實現(xiàn)過程,這就要求產(chǎn)品進行提前思考。

數(shù)字化也有許多細分層面,包括工具數(shù)字化、分析數(shù)字化和流程數(shù)字化。

從時間跨度上來看,企業(yè)的不同發(fā)展階段中,數(shù)字化需求也有所不同。

比如在擴張期,企業(yè)的數(shù)字化需求以降本和增強靈活性為主,同時還需考量決策的科學性,這個時候,企業(yè)需要應用輔助決策的人工智能技術(shù)或應用。而在轉(zhuǎn)型期,企業(yè)則需要深度洞察市場并挖掘商機,需要賦能新產(chǎn)品與新業(yè)務,可能會考慮引入新工具,支持新業(yè)務的拓展。不同垂直行業(yè)領域的情況可能不太一樣,大家可以再進行研究。

今年上半年,生成式AI的創(chuàng)業(yè)項目也走向了許多細分方向,比如生產(chǎn)力工具、AI助手等。而大量項目都集中于應用層,因為這一層的落地機會可能性更多。大家也可以關(guān)注這方面的發(fā)展,并和其他團隊交流碰撞。

下圖展示了生成式AI的應用路線圖,大家可以關(guān)注不同層次的生成式AI具體可以在哪些方面進行落地。

三、變局下的產(chǎn)品規(guī)劃到落地

最后和大家分享一個創(chuàng)新項目實例。

在當時,我們查看了大量人工智能產(chǎn)業(yè)鏈圖譜,也在尋找應用機會,過程中看到,大量應用更多還是由企業(yè)自己搭建、并面向企業(yè)內(nèi)部的,比如部分金融類應用。

而不少上市公司都有比較強烈的一個訴求,即投資者關(guān)系管理,于是我們從幾個角度對投資者關(guān)系管理系統(tǒng)進行了規(guī)劃。

首先,選賽道;在雪球這類投資者社區(qū)中,會產(chǎn)生大量的非結(jié)構(gòu)化信息與數(shù)據(jù),而這些信息十分受到上市公司一側(cè)的關(guān)注。在確定方向之后,我們還通過判斷公司實力、市場實力、產(chǎn)品實力和執(zhí)行能力來展開規(guī)劃。從產(chǎn)品的角度來看,過程中有幾個重點指標需要關(guān)注,比如魚塘比、PMF、投資回報率等。

而大致的規(guī)劃可以從看市場、看自己、選賽道、謀策略、定行動這五個部分進行展開。

在“看市場”的時候,我們已經(jīng)開始借助數(shù)字化、人工智能等技術(shù)進行籌備。比如我們看到了上市公司注冊制等行業(yè)政策背后的市場機會,進而進行分析判斷,看哪些領域的增長可能性更高,哪些市場或行業(yè)會在投資者關(guān)系管理工具使用上、在客戶關(guān)系維護上有更強的訴求。

比如飲料制造、景點旅游、電子制造等行業(yè)的增速便相對可觀。同時上市企業(yè)、利潤、市值等情況的細分,也可以幫助我們?nèi)Χ蛻羧后w。

客戶需求亦可幫助我們進行規(guī)劃。需求大致可分為兩類,一類為通過數(shù)字化、技術(shù)化幫助公司內(nèi)部實現(xiàn)提效,一類為自身的直接需求。我們可以從這兩類中找到最核心的需求點,從而考慮如何幫助客戶解決真實的需求與問題。

行業(yè)內(nèi)的競爭關(guān)系也同樣需要關(guān)注,這有助于我們進一步細分產(chǎn)品的未來切入點。需求場景可以大致分為幾類:效果需求、治理需求、影響力需求和監(jiān)管需求。

當時我們也形成了一些產(chǎn)品規(guī)劃與計劃想法,比如市場規(guī)模預估、目標客戶/潛在客戶分析等。最終在國內(nèi)市場,我們?nèi)Χǔ隽?500多家目標客戶,同時對這部分客戶進行預測,比如重點客戶有多少、潛力客戶有多少。這個客戶規(guī)模其實并不算大,所以如果想保證利潤,就需要做高客單價。同時如果產(chǎn)品想實現(xiàn)可持續(xù)發(fā)展,我們還需讓客戶持續(xù)付費。最終,我們測算出客單價的區(qū)域為50萬到100萬之間。

以上,就是一個相對完整的規(guī)劃和分析過程,一端連接客戶,一端連接企業(yè)。再進一步,即結(jié)合規(guī)模、利潤、市場增速等選擇細分賽道,之后定位產(chǎn)品的目標客戶、價值主張、差異化所在、產(chǎn)品邊界等。最后則思考如何實現(xiàn)和落地。

過程中雖然更多是從產(chǎn)品角度出發(fā),但在具體的實施過程中,我們也用到了許多技術(shù)手段,幫助我們更好地匹配和滿足客戶需求。

最終,我們形成了更具體的可落地的內(nèi)容。比如將需求分為兩類,一類為資本需求、一類為影響力需求,這兩種需求背后隱藏著兩種不同的價值,所面向的細分客戶群體也有所不同;比如搭建商業(yè)模型,包括偶發(fā)性收入、ARR收入等;比如續(xù)約率,通過服務改善減少客戶流失。

同時,我們也細分了場景,如高需、高頻場景,這些場景可能就是產(chǎn)品的工作重點與落地區(qū)域。后續(xù),我們形成了面向客戶或研發(fā)團隊的整體規(guī)劃。

這個過程其實用到了許多人工智能的相關(guān)技術(shù),比如利用人工智能解構(gòu)社區(qū)內(nèi)的投資者評論、上市公司評價等信息,將其抽象為客戶所能理解的內(nèi)容。最終形成的產(chǎn)品功能結(jié)構(gòu)圖中,底層也借助了算法、模型等人工智能技術(shù)用于支撐。

以上就是案例分享。最后送給大家一句話:

變局之下,在不確定中尋找確定。

大會直播回放

目前大會回放已上架,戳此購買,即可收看回放:https://996.pm/7gX2B

本文為【2023年產(chǎn)品經(jīng)理大會(北京站)】 現(xiàn)場分享整理內(nèi)容,由人人都是產(chǎn)品經(jīng)理運營@Norah 整理發(fā)布。未經(jīng)許可,禁止轉(zhuǎn)載,謝謝合作。

題圖來自大會現(xiàn)場

該文觀點僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺僅提供信息存儲空間服務。

更多精彩內(nèi)容,請關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發(fā)揮!