編輯導語：隨著網際網路行業的不斷發展，產品經理崗位的細分也越來越多，如用戶產品經理、策略產品經理、AI產品經理等。在本篇文章中，作者以「策略產品經理」為主體，結合案例分析了策略產品經理創造價值的幾種方法，並且總結了其創造價值的演進路徑。
一、創造價值的幾種方法
在《俞軍產品方法論》中，俞軍老師認為，創造價值的主要方法有：勞動、分工、交易、新技術、制度，這五種方法我將其歸類如下：
其中除最樸素的勞動創造價值外，其餘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造價值。
怎麼理解效用差？為什麼說交易能夠通過創造效用差來產生價值呢？
這裡舉個例子：假如甲乙兩個人各持有一張100元的紙幣，那麼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闆，持有的是10張10元的紙幣呢？
這樣的交換是有可能發生的，即我們常常會遇到的「換零錢」。
對於甲來說，交換後可以到只接受10元紙幣的售票機買票，而對於乙來說，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製作扣針的案例：製作一枚扣針需要完成抽鐵線、拉直、切截、削尖、裝圓頭、塗色、包裝等，前前後後加起來至少18種操作。
如果這些操作都由一個人完成，那麼這個人無論多麼努力，都無法熟練操作所有機械，並在一天內製作出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。
經過分工後，一個10人的團隊每天也能正常生產48000枚扣針，即平均每人每天生產4800枚扣針，遠超一個人單獨生產扣針的產量。
可見分工前後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，企業上下遊通過分工，因為需求和資源聚集帶來的規模效應，也能夠帶來效率差，這裡就不再贅述了。
接下來說說新技術帶來的效率差。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體如工具機機械臂等，也包括軟體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在的智能化，原本需要人類參與的勞動不斷被機器替代。
那麼為什麼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於執行階段，在學習階段也是如此。對於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並髮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出。
二、案例
來聊聊幾個具體的案例：
1. Call Center客服系統
業務初期，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，招聘後能夠快速培訓上崗。
不過，隨著業務的擴張和人員的增加，團隊管理和客服系統都面臨考驗。
在優化之前我們可以先確定的是，優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中的等待時長。
後者不僅僅影響用戶體驗，同時也關係到通訊成本，因為話務系統會按並發線路收費，用戶平均等待時長越長，滯留在系統中的用戶就越多，即需要的並發線路就越多。
在兩個目標基礎上，我們需要找到一條合適的效率優化路徑去執行。
首先第一步，也是最基本的，就是分工。如果企業擁有多個業務線，那麼對應的客服團隊也將根據各業務線的業務量或者話務量進行劃分。
劃分之後，用戶的呼叫不再是隨機分配了，而是先經過接線員接待，再分流轉接到專門的坐席：
經過分工之後，對每個坐席來說培訓內容大幅減少，同時由於專注在某一類售後業務上，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，由於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替代了，就是用戶呼叫後會聽到的「機票請按1，酒店請按2……」這樣的系統。
其中業務的順序，則往往按業務量或話務量從高到低來排，這樣的話從先驗角度看，這是最大概率優先擊中用戶要諮詢的業務、期望耗時最短的baseline（基準）策略。
不過很快你會發現，這裡面其實有一個小的優化點：我們可以嘗試著預測一下用戶真正想要諮詢的業務，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，那麼是不是他更可能會諮詢酒店業務？或者說用戶在外呼之前，瀏覽了他的酒店訂單，是不是也更可能會諮詢酒店業務？
也就是說，我們可以基於用戶訂單或用戶行為，構建一個模型去預測用戶意圖，菜單的排序可以根據這個業務函數來決定：f(用戶訂單，用戶行為)=要諮詢的業務用戶訂單用戶行為要諮詢的業務這個問題本身是有一個最基本的樣本閉環在裡面的，你可以通過用戶鍵入的數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，這裡面可能需要有一個權衡，如果是諮詢次數比較多的用戶，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。所以系統優化時，要考慮一段時間內確保順序不變。
不過這些細節很快就變得不重要了，因為我們的客服接線系統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的客服電話，會發現已經不再是導航菜單了，而是直接讓你說出要辦的業務，系統通過語音識別，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。而且你會發現，之前做的用戶意圖預測模型也並沒有白做，它可以恰好嵌入到引導語中去引導用戶：「請說出您要辦的業務，例如酒店退訂」。
那麼整個這一條路徑下來，從最開始的分工，到菜單分流系統（機器）替代接線員（人工），再到語音分流（新技術）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，優化了用戶體驗，創造了價值。
而且這裡面還有一個特別有意思的事情，你會發現，誒？我一個客服接線系統，居然做著做著就做成了一個搜索系統：
用戶的語音被識別成文本（query）後，我需要將這個文本背後的用戶訴求（意圖）識別出來，導航到要辦的業務坐席那裡去（搜索結果）；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（無結果頁面）……
所以，策略產品經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. 自動化數據推送
第二個案例：來自一個自動化數據推送的場景，聊一聊策略迭代過程中一些非技術、非業務的難點。
這樣的場景比較常見，例如自動化Push、簡訊召回、廣告投放等。業務起步的時候，基本上是人海戰術，即由運營同學在海量的數據池中通過畫像數據，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化率，工作量會變得非常大。而且，隨著深度學習的介入，後期的一些特徵已經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、模型化的系統來做投放，這也是一種挖掘效率差的方法。
但這裡面就有一個問題在於，對於運營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——轉化率了啊；而對於一線運營同學來說，也可能會有疑惑，你這個自動化投放系統上了，那還要我幹啥呢？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據池之後，這個工具可以將數據池中的所有數據，進一步按模型預測的轉化率從高到低排序依次投放，同時提供投放後的轉化率報表。
也就是說，運營同學原有的工作流和結果不變，這個工具只是以一個支持、服務者的角色協助運營決策：
隨著工具的使用，運營Leader發現，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化率成交的，於是逐漸就把整個投放工作都交給系統去做了。
而且，這也並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測系統投放後的報表以外，節約下來的人力資源被安排到了許多原本計劃做、但沒有時間或優先級去做的事情上，例如新產品的接入與冷啟動、用戶的二次轉化、運營指標體系搭建等等。
至此，我們從運營團隊利益出發發起溝通，順利完成了從人工到系統的替換，實現了價值的創造。
三、策略產品創造價值的演進路徑
最後，我們再來總結一下，策略產品創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建策略，這些策略本質上是一種分段函數。
在最優化目標的前提下，這些分支邏輯不斷組合，節點也不斷擴充，這種組合與節點擴充的過程實際上就是一種決策樹模型的構建過程。
隨著業務的發展，分支和規則越來越多，增加一條分支或規則的邊際成本越來越高，邊際收益也越來越小。
這時會選擇依託過去業務上累積的樣本，構建一些由複雜函數組成的模型（如深度學習模型），來整體地提升收益而不是繼續疊加單個規則，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化整個鏈路，而是可以將業務從流程上拆分，去嘗試在其中某個環節提升效率、挖掘效率差。
例如上面提到的客服接線系統案例，可以將用戶呼入的過程分為接線分流和業務諮詢兩個部分，然後對前者做進一步的效率優化。
又例如一個智能電銷的系統，也可以拆分為破冰+產品介紹+引導交易等幾個流程，前面破冰甚至產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+小區配送，那麼對於場景相對簡單一些的商場和小區，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化，有一些業務問題，直接去優化難度相當大，也不容易做流程拆分，那麼這時可以考慮將其轉化為一個更容易優化的新問題，近似地去解決原問題。
例如貨車自動駕駛是一個非常複雜的問題，直接去實現這樣一個L5級自動駕駛，要面對的路況可能是非常複雜的，可預見的五年十年都不一定能夠實現。
但是，如果將這個問題，轉化為一個貨車後車跟車問題，問題的複雜度一下子就降下來了。對於後面的車來說，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，後面的車都是自動駕駛車輛，那麼相比過去的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，那麼這是一個二維平面上的多智能體協同調度問題，複雜度很高，而且還要考慮到各種碰撞檢測和異常處理問題，影響效率。
那麼最快落地實現商業化的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格矩陣做路徑規劃的離散問題，極大地簡化了問題的複雜度。
所以，當我們回過頭來看，過去市面上關於「功能產品經理」（也有被稱為「古典產品經理」的）與策略產品經理的區別，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；本質上來說，其差異在於創造價值的方法不同。
對於策略產品經理來說，其創造價值的方法總結起來就是：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容。
本文由 @青十五 原創發布於人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。