策略產(chǎn)品經(jīng)理應該如何創(chuàng)造價值?
編輯導語:隨著互聯(lián)網(wǎng)行業(yè)的不斷發(fā)展,產(chǎn)品經(jīng)理崗位的細分也越來越多,如用戶產(chǎn)品經(jīng)理、策略產(chǎn)品經(jīng)理、AI產(chǎn)品經(jīng)理等。在本篇文章中,作者以“策略產(chǎn)品經(jīng)理”為主體,結(jié)合案例分析了策略產(chǎn)品經(jīng)理創(chuàng)造價值的幾種方法,并且總結(jié)了其創(chuàng)造價值的演進路徑。
一、創(chuàng)造價值的幾種方法
在《俞軍產(chǎn)品方法論》中,俞軍老師認為,創(chuàng)造價值的主要方法有:勞動、分工、交易、新技術(shù)、制度,這五種方法我將其歸類如下:
其中除最樸素的勞動創(chuàng)造價值外,其余四種方法大致可以分成兩種——通過挖掘效用差和效率差來創(chuàng)造價值。
怎么理解效用差?為什么說交易能夠通過創(chuàng)造效用差來產(chǎn)生價值呢?
這里舉個例子:假如甲乙兩個人各持有一張100元的紙幣,那么兩人之間不會交換這兩張紙幣,因為他們的貨幣價值是相等的,交換不會有任何意義。
但如果甲是一個要進地鐵站的乘客,持有的是一張100元的紙幣;乙是地鐵站的便利店老板,持有的是10張10元的紙幣呢?
這樣的交換是有可能發(fā)生的,即我們常常會遇到的“換零錢”。
對于甲來說,交換后可以到只接受10元紙幣的售票機買票,而對于乙來說,接下來就可以去隔壁只接受100元紙幣的ATM機中存入一周的收入,不用跑到更遠的銀行了。
這樣一來,雖然二者在貨幣價值上是相等的,但這筆交易讓雙方的效用都得到了提升,這種效用差就是交易帶來的價值。
我們接下來聊聊效率差,先說分工:
1776年亞當·斯密出版的《國富論》在開篇就講述了這樣一個制作扣針的案例:制作一枚扣針需要完成抽鐵線、拉直、切截、削尖、裝圓頭、涂色、包裝等,前前后后加起來至少18種操作。
如果這些操作都由一個人完成,那么這個人無論多么努力,都無法熟練操作所有機械,并在一天內(nèi)制作出20枚扣針。
事實上,扣針工廠會選擇將這18種操作分配給18個工人來分別完成,這樣一來,許多操作都因為熟練讓效率得到巨大提升,即所謂的熟能生巧。
經(jīng)過分工后,一個10人的團隊每天也能正常生產(chǎn)48000枚扣針,即平均每人每天生產(chǎn)4800枚扣針,遠超一個人單獨生產(chǎn)扣針的產(chǎn)量。
可見分工前后單個工作上的效率提升,能夠帶來平均意義上整個團隊的效率差。此外,企業(yè)上下游通過分工,因為需求和資源聚集帶來的規(guī)模效應,也能夠帶來效率差,這里就不再贅述了。
接下來說說新技術(shù)帶來的效率差。這部分效率差主要來自機器對人工的替代,機器既包括看得見的硬件如機床機械臂等,也包括軟件如智能客服機器人等。
從蒸汽機時代開始,這種替代就成為了不變的趨勢。從機械自動化到電子自動化再到現(xiàn)在的智能化,原本需要人類參與的勞動不斷被機器替代。
那么為什么說機器替代人工能夠帶來效率差呢?
最簡單的邏輯,一臺機器的工作時間是7×24=168小時,人的工作時間是5×8=40小時(機器的23.8%),按997算的話也只有7×12=84小時(機器的50%)。也就是說,相比人工來說,機器天然就存在1到3倍的效率差。
這樣的效率差不僅存在于執(zhí)行階段,在學習階段也是如此。對于許多機械式的決策過程,機器也能在明確的目標下,通過24小時不間斷學習獲得決策能力。這也是機器學習越來越受到重視的由來。
而這些都還沒有算上并發(fā)帶來的時間尺度上的進一步效率提升。
作為一個可以24小時工作的、邊際成本近乎為零的生產(chǎn)力,機器讓這個世界的商品和服務成本大幅下降。與分工類似,技術(shù)帶來的這種效率差大幅提升了這個世界單位時間的價值產(chǎn)出。
二、案例
來聊聊幾個具體的案例:
1. Call Center客服系統(tǒng)
業(yè)務初期,客服團隊是一個能夠很快組建起來的團隊,市場上人員供給很多,招聘后能夠快速培訓上崗。
不過,隨著業(yè)務的擴張和人員的增加,團隊管理和客服系統(tǒng)都面臨考驗。
在優(yōu)化之前我們可以先確定的是,優(yōu)化的目標一個是減少人力成本(提升人效),還有一個是減少用戶在外呼系統(tǒng)中的等待時長。
后者不僅僅影響用戶體驗,同時也關(guān)系到通訊成本,因為話務系統(tǒng)會按并發(fā)線路收費,用戶平均等待時長越長,滯留在系統(tǒng)中的用戶就越多,即需要的并發(fā)線路就越多。
在兩個目標基礎上,我們需要找到一條合適的效率優(yōu)化路徑去執(zhí)行。
首先第一步,也是最基本的,就是分工。如果企業(yè)擁有多個業(yè)務線,那么對應的客服團隊也將根據(jù)各業(yè)務線的業(yè)務量或者話務量進行劃分。
劃分之后,用戶的呼叫不再是隨機分配了,而是先經(jīng)過接線員接待,再分流轉(zhuǎn)接到專門的坐席:
經(jīng)過分工之后,對每個坐席來說培訓內(nèi)容大幅減少,同時由于專注在某一類售后業(yè)務上,坐席的熟練度也大幅上升,整體而言提升了人效。
而接線員這個角色,由于決策過程極度機械化,所以其實往往一開始就被菜單分流系統(tǒng)替代了,就是用戶呼叫后會聽到的“機票請按1,酒店請按2……”這樣的系統(tǒng)。
其中業(yè)務的順序,則往往按業(yè)務量或話務量從高到低來排,這樣的話從先驗角度看,這是最大概率優(yōu)先擊中用戶要咨詢的業(yè)務、期望耗時最短的baseline(基準)策略。
不過很快你會發(fā)現(xiàn),這里面其實有一個小的優(yōu)化點:我們可以嘗試著預測一下用戶真正想要咨詢的業(yè)務,而不是簡單地用一個基準策略。
比如,如果說用戶最近只有酒店訂單,沒有機票訂單,那么是不是他更可能會咨詢酒店業(yè)務?或者說用戶在外呼之前,瀏覽了他的酒店訂單,是不是也更可能會咨詢酒店業(yè)務?
也就是說,我們可以基于用戶訂單或用戶行為,構(gòu)建一個模型去預測用戶意圖,菜單的排序可以根據(jù)這個業(yè)務函數(shù)來決定:f(用戶訂單,用戶行為)=要咨詢的業(yè)務用戶訂單用戶行為要咨詢的業(yè)務這個問題本身是有一個最基本的樣本閉環(huán)在里面的,你可以通過用戶鍵入的數(shù)字驗證模型的準確率。
這樣一來,隨著樣本的增加,模型預測準確率不斷提升,也就意味著會越早擊中用戶的意圖,從而減少用戶的滯留時間。
當然,這里面可能需要有一個權(quán)衡,如果是咨詢次數(shù)比較多的用戶,會對菜單順序有一個肌肉記憶,頻繁地變更菜單排序反而會擾亂他的習慣。所以系統(tǒng)優(yōu)化時,要考慮一段時間內(nèi)確保順序不變。
不過這些細節(jié)很快就變得不重要了,因為我們的客服接線系統(tǒng)馬上將要迎來再一次進化——語音分流替代菜單分流:
近幾年如果你打過銀行等大型企業(yè)的客服電話,會發(fā)現(xiàn)已經(jīng)不再是導航菜單了,而是直接讓你說出要辦的業(yè)務,系統(tǒng)通過語音識別,直接將你分流到專門的坐席去了。
這樣一來,當語音識別能力足夠強時,過去的多級菜單分流過程一下子就被縮短了。而且你會發(fā)現(xiàn),之前做的用戶意圖預測模型也并沒有白做,它可以恰好嵌入到引導語中去引導用戶:“請說出您要辦的業(yè)務,例如酒店退訂”。
那么整個這一條路徑下來,從最開始的分工,到菜單分流系統(tǒng)(機器)替代接線員(人工),再到語音分流(新技術(shù))替代菜單分流,我們不斷地通過挖掘效率差,減少了人力成本,優(yōu)化了用戶體驗,創(chuàng)造了價值。
而且這里面還有一個特別有意思的事情,你會發(fā)現(xiàn),誒?我一個客服接線系統(tǒng),居然做著做著就做成了一個搜索系統(tǒng):
用戶的語音被識別成文本(query)后,我需要將這個文本背后的用戶訴求(意圖)識別出來,導航到要辦的業(yè)務坐席那里去(搜索結(jié)果);搜索之前要提供引導語(搜索提示),如果識別或搜索不出來還需要做兜底(無結(jié)果頁面)……
所以,策略產(chǎn)品經(jīng)理其實是一個比較抽象的Title,許多能力也都是相通的,各位負責招聘的朋友不妨放寬對領域的限制,多給我們這些打工人一些機會吧。
2. 自動化數(shù)據(jù)推送
第二個案例:來自一個自動化數(shù)據(jù)推送的場景,聊一聊策略迭代過程中一些非技術(shù)、非業(yè)務的難點。
這樣的場景比較常見,例如自動化Push、短信召回、廣告投放等。業(yè)務起步的時候,基本上是人海戰(zhàn)術(shù),即由運營同學在海量的數(shù)據(jù)池中通過畫像數(shù)據(jù),篩選出精準投放的目標去做召回或投放。
常見的畫像諸如“25-35歲”、“高收入人群”、“最近一周有交易”等用戶屬性、行為簡單畫像信息。
不過隨著畫像做得越來越細,畫像數(shù)量越來越多,運營同學如果還想通過這種簡單的畫像篩選來提升轉(zhuǎn)化率,工作量會變得非常大。而且,隨著深度學習的介入,后期的一些特征已經(jīng)無法用畫像語言描述了。
所以這時候就需要切換到一些自動的、模型化的系統(tǒng)來做投放,這也是一種挖掘效率差的方法。
但這里面就有一個問題在于,對于運營Leader來說,提高人效是好事情,但你的模型準嗎?可別影響到我的KPI——轉(zhuǎn)化率了??;而對于一線運營同學來說,也可能會有疑惑,你這個自動化投放系統(tǒng)上了,那還要我干啥呢?會不會縮減團隊裁員了?
因此,怎樣說服整個運營團隊,切換到自動化系統(tǒng)來,是一個不大不小的難點。
在這樣的情況下,我們選擇把系統(tǒng)做成了一個幫助運營投放的輔助工具。當運營同學提取了待投放的數(shù)據(jù)池之后,這個工具可以將數(shù)據(jù)池中的所有數(shù)據(jù),進一步按模型預測的轉(zhuǎn)化率從高到低排序依次投放,同時提供投放后的轉(zhuǎn)化率報表。
也就是說,運營同學原有的工作流和結(jié)果不變,這個工具只是以一個支持、服務者的角色協(xié)助運營決策:
隨著工具的使用,運營Leader發(fā)現(xiàn),這個模型還蠻準的,每次從報表上看,確實是大致按預測的轉(zhuǎn)化率成交的,于是逐漸就把整個投放工作都交給系統(tǒng)去做了。
而且,這也并不意味著一線的運營同學就沒工作了。
實際上,除了原來的投放工作變成了監(jiān)測系統(tǒng)投放后的報表以外,節(jié)約下來的人力資源被安排到了許多原本計劃做、但沒有時間或優(yōu)先級去做的事情上,例如新產(chǎn)品的接入與冷啟動、用戶的二次轉(zhuǎn)化、運營指標體系搭建等等。
至此,我們從運營團隊利益出發(fā)發(fā)起溝通,順利完成了從人工到系統(tǒng)的替換,實現(xiàn)了價值的創(chuàng)造。
三、策略產(chǎn)品創(chuàng)造價值的演進路徑
最后,我們再來總結(jié)一下,策略產(chǎn)品創(chuàng)造價值都有哪些常見的演進路徑。
第一條路徑我稱之為函數(shù)迭代,典型如一些營銷投放、金融風控等場景,最開始都是用一些簡單的分支邏輯來構(gòu)建策略,這些策略本質(zhì)上是一種分段函數(shù)。
在最優(yōu)化目標的前提下,這些分支邏輯不斷組合,節(jié)點也不斷擴充,這種組合與節(jié)點擴充的過程實際上就是一種決策樹模型的構(gòu)建過程。
隨著業(yè)務的發(fā)展,分支和規(guī)則越來越多,增加一條分支或規(guī)則的邊際成本越來越高,邊際收益也越來越小。
這時會選擇依托過去業(yè)務上累積的樣本,構(gòu)建一些由復雜函數(shù)組成的模型(如深度學習模型),來整體地提升收益而不是繼續(xù)疊加單個規(guī)則,從而追求更高的ROI。
第二條路徑我稱之為流程拆分,我們不一定要一上來就去優(yōu)化整個鏈路,而是可以將業(yè)務從流程上拆分,去嘗試在其中某個環(huán)節(jié)提升效率、挖掘效率差。
例如上面提到的客服接線系統(tǒng)案例,可以將用戶呼入的過程分為接線分流和業(yè)務咨詢兩個部分,然后對前者做進一步的效率優(yōu)化。
又例如一個智能電銷的系統(tǒng),也可以拆分為破冰+產(chǎn)品介紹+引導交易等幾個流程,前面破冰甚至產(chǎn)品介紹的部分都是比較機械化的,可以用電銷機器人去替代。
當判斷用戶成交意向較高時,再轉(zhuǎn)接到人工專家去引導交易。
之前文章聊過的外賣配送問題也是類似,送外賣的過程可以分為商場取餐+沿途送餐+小區(qū)配送,那么對于場景相對簡單一些的商場和小區(qū),美團也正在嘗試用機器人進行配送。
第三條路徑我稱之為問題轉(zhuǎn)化,有一些業(yè)務問題,直接去優(yōu)化難度相當大,也不容易做流程拆分,那么這時可以考慮將其轉(zhuǎn)化為一個更容易優(yōu)化的新問題,近似地去解決原問題。
例如貨車自動駕駛是一個非常復雜的問題,直接去實現(xiàn)這樣一個L5級自動駕駛,要面對的路況可能是非常復雜的,可預見的五年十年都不一定能夠?qū)崿F(xiàn)。
但是,如果將這個問題,轉(zhuǎn)化為一個貨車后車跟車問題,問題的復雜度一下子就降下來了。對于后面的車來說,面對的路況基本上是固定的(前車屁股),只需要跟緊前車就好了:
因此,這樣的方案是一個能夠更快落地的商業(yè)化解決方案,假設一個貨車車隊有5輛車,頭車安排一個司機,后面的車都是自動駕駛車輛,那么相比過去的5個司機,也帶來了高達80%的效率差提升。
類似地,過去做搬運機器人,如果放任機器人滿地瞎跑,那么這是一個二維平面上的多智能體協(xié)同調(diào)度問題,復雜度很高,而且還要考慮到各種碰撞檢測和異常處理問題,影響效率。
那么最快落地實現(xiàn)商業(yè)化的AGV搬運機器人是怎樣的呢?
如下圖所示,我們可以在地面上均勻地貼上二維碼,機器人行走時通過識別二維碼,在地面直走,這樣一來就變成了一個在網(wǎng)格矩陣做路徑規(guī)劃的離散問題,極大地簡化了問題的復雜度。
所以,當我們回過頭來看,過去市面上關(guān)于“功能產(chǎn)品經(jīng)理”(也有被稱為“古典產(chǎn)品經(jīng)理”的)與策略產(chǎn)品經(jīng)理的區(qū)別,有沒有功能設計上的差異、要不要投入設計師資源,這些只是表面;本質(zhì)上來說,其差異在于創(chuàng)造價值的方法不同。
對于策略產(chǎn)品經(jīng)理來說,其創(chuàng)造價值的方法總結(jié)起來就是:因地制宜、評估ROI、選擇合適的路徑、挖掘效率差。
以上,是此次分享的主要內(nèi)容。
作者:青十五;公眾號:青十五,新書《策略產(chǎn)品經(jīng)理:模型與方法論》作者
本文由 @青十五 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理,未經(jīng)作者許可,禁止轉(zhuǎn)載。
題圖來自Unsplash,基于CC0協(xié)議。
受用,感謝分享
“對于策略產(chǎn)品經(jīng)理來說,其創(chuàng)造價值的方法總結(jié)起來就是:因地制宜、評估ROI、選擇合適的路徑、挖掘效率差?!痹谧鲈鲩L策略PM,主要負責信息流渠道的廣告投放,深有同感!
小公司產(chǎn)品才不分那么多呢,都是大廠有錢燒的
我目前在小公司,策略和平臺都一起做。確實在策略上思考,感受都比較淺。我自己覺得策略也是一種思考問題和解決問題能力體現(xiàn)。
這個文章講的還是非常清晰明白,案例很貼切,很生動。作者功底深厚