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。