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