一、策略產(chǎn)品的定義和能力模型

1. 策略產(chǎn)品的定義

策略產(chǎn)品，即在限制條件內(nèi)，通過(guò)推動(dòng)項(xiàng)目、設(shè)定評(píng)估體系和全面評(píng)估項(xiàng)目收益三種手段，達(dá)到全局最優(yōu)解的產(chǎn)品崗位。

• 限制條件：法律法規(guī)限制（如黃色內(nèi)容在國(guó)內(nèi)是禁止的），用戶體驗(yàn)設(shè)計(jì)（如客戶端彈窗三次是體驗(yàn)規(guī)范不允許的，一般只彈窗一次），項(xiàng)目資源設(shè)計(jì)（設(shè)備、人力等資源都是有限的），策略產(chǎn)品必須在這些邊界條件內(nèi)去求解。
• 推動(dòng)項(xiàng)目：包括三個(gè)關(guān)鍵點(diǎn)，首先，項(xiàng)目潤(rùn)滑工作必不可少；第二，要厘清 PRD 細(xì)節(jié)，包括宏觀上的定義和微觀上的設(shè)計(jì)；第三是要拉到關(guān)鍵決策人推動(dòng)項(xiàng)目。
• 設(shè)定評(píng)估體系：一級(jí)指標(biāo)、二級(jí)指標(biāo)是什么。
• 全面評(píng)估項(xiàng)目收益：評(píng)估方式包括主觀評(píng)估體驗(yàn)測(cè)量和數(shù)據(jù)測(cè)量。
• 全局最優(yōu)解：可以理解為 100 條平行世界線里邊我們能做到 top 多少，測(cè)量方式主要是看項(xiàng)目復(fù)盤時(shí)，每一步的信息量，看浪費(fèi)的時(shí)間占比，逐步復(fù)盤逐步校準(zhǔn)自己的標(biāo)準(zhǔn)動(dòng)作。

2. 產(chǎn)品經(jīng)理的三個(gè)代際

產(chǎn)品經(jīng)理有三個(gè)代際，從古典產(chǎn)品到策略產(chǎn)品，再到 AI 產(chǎn)品。2010 年之前是古典產(chǎn)品，當(dāng)時(shí)古典產(chǎn)品主體的能力體現(xiàn)在用戶的同理心和產(chǎn)品架構(gòu)的能力，以及項(xiàng)目管理的能力。在 2014～2023 年間出現(xiàn)了策略產(chǎn)品，策略產(chǎn)品需要的能力是數(shù)據(jù)分析和模型理解。2023 年 1 月之后市面上出來(lái)了很多做 AI native 的原生產(chǎn)品的 PM，即 AI 產(chǎn)品。

所有產(chǎn)品經(jīng)理需要具備的能力可以抽象為四個(gè)模塊，即用戶同理心和產(chǎn)品架構(gòu)能力、數(shù)據(jù)分析能力、模型理解能力和項(xiàng)目管理能力。其中用戶同理心和產(chǎn)品架構(gòu)能力是所有產(chǎn)品經(jīng)理都必須具備的基本能力，可以通過(guò)學(xué)習(xí)用戶 case，以及閱讀心理、經(jīng)濟(jì)和商業(yè)類書籍來(lái)提升相關(guān)能力。數(shù)據(jù)分析能力對(duì)應(yīng)策略產(chǎn)品和 AI 產(chǎn)品來(lái)說(shuō)也是至關(guān)重要的，需要以假設(shè)驅(qū)動(dòng)，先建立假設(shè)，再去用實(shí)驗(yàn)驗(yàn)證。模型理解能力方面，策略產(chǎn)品和 AI 產(chǎn)品的區(qū)別主要在于，策略產(chǎn)品需要學(xué)習(xí)的是機(jī)器學(xué)習(xí)中的一些模型，比如說(shuō)推薦搜索廣告模型里邊的一些常見(jiàn)模型，而 AI 產(chǎn)品需要去理解大語(yǔ)言模型，搜推模型大多是漏斗模型，而大語(yǔ)言模型大多基于 Transformer，改動(dòng)不大。最后是項(xiàng)目管理的能力，主要是如何制定 OKR。

3. 策略產(chǎn)品 TD 簡(jiǎn)化版

上圖展示的 TD 簡(jiǎn)化版可以作為一個(gè)自我提升的參考。在圖中的職業(yè)體系表格中，每個(gè)維度檔位分成四個(gè)分值，大多數(shù)不滿足就是 0 分，比較資深的滿足就是 3 分?？偡质撬捻?xiàng)能力得分的加和。每個(gè)職級(jí)設(shè)定了一個(gè)最低分，假設(shè)一位四級(jí)的同學(xué)，一般是校招生同學(xué)的水平，我們會(huì)允許其項(xiàng)目管理是 0 分，但總分不能低于 4 分。

這套職級(jí)體系不一定適用于所有企業(yè)的情況，但實(shí)踐下來(lái)的結(jié)果是團(tuán)隊(duì)的策略產(chǎn)品同學(xué)能很快明確差距，找到自己職業(yè)成長(zhǎng)的“加點(diǎn)路線”。

4. 實(shí)際 workflow

項(xiàng)目中實(shí)際的工作流包括三層，即邏輯層、實(shí)現(xiàn)層和交互層。策略產(chǎn)品和 AI 產(chǎn)品在項(xiàng)目中首先要做的都是理清項(xiàng)目 OKR 和 KA，接下來(lái)策略產(chǎn)品的重點(diǎn)在于漏斗模型的優(yōu)化，而AI 產(chǎn)品的重點(diǎn)在于數(shù)據(jù)生產(chǎn)與數(shù)據(jù)對(duì)齊的優(yōu)化。

下面將圍繞六個(gè)問(wèn)題，重點(diǎn)分享 AI 時(shí)代策略產(chǎn)品的發(fā)展趨勢(shì)。

二、AI 時(shí)代的策略產(chǎn)品趨勢(shì)

問(wèn)題 1：搜推策略產(chǎn)品是否會(huì)被 AI 產(chǎn)品經(jīng)理取代？

觀點(diǎn)：搜推策略產(chǎn)品不會(huì)被 AI 產(chǎn)品經(jīng)理取代?，F(xiàn)在的連接是通過(guò)個(gè)性化的推薦和搜索，推薦個(gè)性化主體在于人的個(gè)性化。而 AI 是一種計(jì)算，類似于 y=f（x） 的一個(gè)函數(shù)。計(jì)算需要的是感知，感知就是輸入，需要感知外界信息。搜推解決的是連接問(wèn)題，而 AI 解決的是計(jì)算問(wèn)題，這兩件事情其實(shí)并不沖突。比如說(shuō)做搜索推薦，既可以做網(wǎng)站的搜索推薦，又可以做 APP 的搜索推薦，還可以做內(nèi)容搜索推薦，也可以做 AIGS 搜索推薦，而計(jì)算本身像網(wǎng)頁(yè)、APP、AIGS 一定是馬太效應(yīng)。

問(wèn)題 2：現(xiàn)在的 AI chatBox 模式和未來(lái)的理想態(tài)產(chǎn)品有什么區(qū)別？

觀點(diǎn)：當(dāng)前的 checkbox 模式仍處于 Dos 時(shí)代，突破點(diǎn)取決于產(chǎn)品更新。第一個(gè)突破點(diǎn)在于硬件更新帶來(lái)的 big bang 的交互。移動(dòng)互聯(lián)網(wǎng)質(zhì)變也是源于前后攝像頭的變化和 GPS。因?yàn)橛袛z像頭才有了短視頻，因?yàn)橛辛?GPS 才有了 local base 的美團(tuán)、滴滴這樣的公司。AI 互聯(lián)網(wǎng)的質(zhì)變會(huì)依賴端側(cè)模型的計(jì)算和可穿戴設(shè)備，但具體是什么，其實(shí)現(xiàn)在沒(méi)有人說(shuō)得清，這可能還需要很多用戶教育。未來(lái)的職業(yè)會(huì)有兩大類，一類是創(chuàng)意家，一類是科學(xué)家。人類需要補(bǔ)強(qiáng)同理心，邏輯推理、表達(dá)同情和資源整合的相關(guān)能力。群聚需求還仍然是人類的本性，就算是有大模型，還是需要連接解決。無(wú)論什么時(shí)代，逛街的需求還是很旺盛的。這是人類的本性，或者一些交友區(qū)的本性。

問(wèn)題 3：產(chǎn)品經(jīng)理是否有繼續(xù)存在的必要？未來(lái)推薦策略的終局是怎樣的？

觀點(diǎn)：大多數(shù)用戶認(rèn)識(shí)不到自己的需求且不會(huì)提問(wèn)。產(chǎn)品經(jīng)理的作用主要是解決商業(yè)邏輯、數(shù)據(jù)飛輪的自我增強(qiáng)以及需求的匹配。未來(lái)很多人會(huì)有 AI 助理，大模型出現(xiàn)之后，人類會(huì)更愿意把自己的心里話交給大模型，所以情感陪伴類的 APP 越來(lái)越受歡迎。大模型會(huì)比現(xiàn)在的推薦模型更了解用戶，從而真正做到個(gè)性化推薦。00 后是數(shù)字時(shí)代的原住民，會(huì)比 80、90 后更接受 AI 數(shù)字人具備意識(shí)的觀點(diǎn)。

問(wèn)題 4：AI 來(lái)了，產(chǎn)品經(jīng)理從業(yè)者是否需要立即切換賽道成為 AI 產(chǎn)品經(jīng)理？

觀點(diǎn)：LLM 技術(shù)進(jìn)步速度大于產(chǎn)品進(jìn)步速度，我們基本上每個(gè)季度都能看到進(jìn)步，行業(yè)會(huì)集體往上邁一大步。但是大模型產(chǎn)品，其實(shí)依賴用戶教育，也依賴硬件能力的升級(jí)和鋪量，這個(gè)過(guò)程就很類似于電力和蒸汽機(jī)的這種歷史關(guān)系。這其中有幾個(gè)分論點(diǎn)，第一個(gè)論點(diǎn)是搜推是中心化的，誰(shuí)拿到第一張門票，誰(shuí)就能積累先發(fā)優(yōu)勢(shì)，所以要是新人做推薦，一定要在行業(yè)第一的廠子里面接觸最核心的技術(shù)。第二，AI 是計(jì)算，是去中心化的，其核心養(yǎng)料其實(shí)是專有數(shù)據(jù)，而大模型的提供方其實(shí)是中心化的。

技術(shù)更替是一個(gè)長(zhǎng)期的漸進(jìn)的過(guò)程。新舊動(dòng)力會(huì)長(zhǎng)期并存，直到新技術(shù)在性能、成本、基礎(chǔ)設(shè)施等方面全面超過(guò)舊技術(shù)。歷史上新舊交接的過(guò)程按長(zhǎng)則 100 年，短則 30 年，但是大模型行業(yè)生態(tài)的變化可能是 5 到 10 年就可以完成，因?yàn)楝F(xiàn)在的信息比之前密集。但是作為我們的職業(yè)生涯選擇來(lái)說(shuō)，早半年進(jìn)入和晚半年進(jìn)入其實(shí)差異不算特別大。

問(wèn)題 5：服務(wù)推薦和內(nèi)容推薦有什么區(qū)別？AIGS 的服務(wù)是怎樣的？

觀點(diǎn)：LBS 服務(wù)推薦與內(nèi)容推薦的區(qū)別主要是在時(shí)空獨(dú)占性、體驗(yàn)容忍度，外部環(huán)境和系統(tǒng)公平性四個(gè)方面。AIGS（AI Generate Service）的服務(wù)是怎樣的？我認(rèn)為當(dāng)下的智能體的概念其實(shí)屬于 AIGS 的范疇，AIGS 如果滿足了 big bang UI 以及消除幻覺(jué)的 database，在感知分析型的鏈條里，人類會(huì)更加默許 AIGS 對(duì)物理世界的干擾，但會(huì)創(chuàng)造更多的 AI 監(jiān)督公務(wù)員崗位。AIGS 在 GPTs 中是一種類似商店的生態(tài)，我判斷應(yīng)該是中心化的，好的網(wǎng)頁(yè)也是符合馬太效應(yīng)的，好的 AIGS 更 Match 用戶需求的場(chǎng)景，比如提供更易用的交互以及更準(zhǔn)確的輸出。在行動(dòng)即使錯(cuò)誤也不太會(huì)產(chǎn)生嚴(yán)重后果的領(lǐng)域，人類會(huì)更加默許 AIGS 服務(wù)，就像今天開(kāi)車基本上完全相信導(dǎo)航一樣。

問(wèn)題 6：大模型有哪些需要提升的？當(dāng)前大模型訓(xùn)練與調(diào)參有哪些心得？

觀點(diǎn)：大模型主體有三部分工作，首先是 context length 上下文的長(zhǎng)度，第二是 reasoning depths 推理深度，第三是 instruction compliance 指令遵循。

大模型的偉大構(gòu)想其實(shí)來(lái)自于 next-token-prediction，通過(guò)預(yù)測(cè)下一個(gè)詞是什么，讓模型本身學(xué)會(huì)世界知識(shí)，而語(yǔ)言就包含著世界知識(shí)，所以像 word2vec/PNN/LSTM/transformer 都是提升了 context length。推理深度的提升，現(xiàn)在 O1 模型是通過(guò)提升思維鏈 COT 和推理時(shí)間來(lái)提升推理能力，所以第二個(gè)范式就是最近大家總提到強(qiáng)化學(xué)習(xí)的范式。指令遵循方面，其實(shí)我們?cè)陧?xiàng)目中也會(huì)遇到一些問(wèn)題，比如給大模型提了一條指令，但是大模型不聽(tīng)話，這其實(shí)是它的基礎(chǔ)模型能力不足，思考深度不夠造成的。

人類和大模型不擅長(zhǎng)的東西很接近，大模型和人類都是語(yǔ)言模型，不擅長(zhǎng)計(jì)算，而計(jì)算機(jī)是浮點(diǎn)數(shù)模型，更擅長(zhǎng)計(jì)算。人類和大模型的優(yōu)勢(shì)是擅長(zhǎng)使用工具，所以 AI agent 之間可以協(xié)同并調(diào)用工具。如何在未來(lái)讓 AI 之間能更好地相互協(xié)作？首先需要給 AI 設(shè)計(jì)軟件，這就涉及 AI 和人類使用工具的差異，人類只能異步處理問(wèn)題，而大模型則可以同時(shí)并發(fā)做很多事情。

三、2024 年觀察與思考

如何提升點(diǎn)擊率時(shí)長(zhǎng)，主要有三個(gè)因素：質(zhì)量因素，興趣因素和場(chǎng)景因素。音頻這種少數(shù)內(nèi)容的推薦強(qiáng)依賴于場(chǎng)景因素，是種伴隨式的推薦，更多的是取決于用戶是否進(jìn)入到一種被動(dòng)消費(fèi)。中短期興趣決定短期留存，長(zhǎng)期興趣決定長(zhǎng)期留存，這也是一個(gè)比較重要的觀察。單 click 的時(shí)長(zhǎng)越長(zhǎng)，一般意味著決策成本越高的內(nèi)容。我們發(fā)現(xiàn)圖片和文字類運(yùn)營(yíng)優(yōu)化往往 ROI 很高，比如按鈕文字加入動(dòng)詞。用戶喜歡動(dòng)名詞，而不喜歡名詞，比如馬車是名詞，但是拉動(dòng)馬車是動(dòng)名詞，只要有動(dòng)名詞，用戶的動(dòng)作就會(huì)變多。

提升點(diǎn)擊一般不能提升時(shí)長(zhǎng)，提升時(shí)長(zhǎng)的主要方式還是提升興趣匹配下內(nèi)容的時(shí)長(zhǎng)承載量。

基礎(chǔ)特征構(gòu)建方面，就最近的幾年的觀察來(lái)看，模型越來(lái)越需要“粗糧特征”，因?yàn)槟Ｐ偷哪芰υ絹?lái)越強(qiáng)，但是所有的策略產(chǎn)品相關(guān)的規(guī)則策略和函數(shù)策略還是需要“精糧特征”來(lái)做。

00 后的同學(xué)已經(jīng)開(kāi)始自主學(xué)習(xí)，關(guān)鍵在于如何打造學(xué)習(xí)型的面向未來(lái)的組織。未來(lái)的時(shí)代競(jìng)爭(zhēng)，公司以及團(tuán)隊(duì)規(guī)模會(huì)越來(lái)越小，但借助 AI 和工具力量可以實(shí)現(xiàn)很大的能量。未來(lái)存在著非常多的不確定性，所以團(tuán)隊(duì)必須是學(xué)習(xí)型的團(tuán)隊(duì)。

方向選擇和聚焦的重要性：作為一線員工來(lái)說(shuō)，應(yīng)該提升的是同理心產(chǎn)品架構(gòu)、數(shù)據(jù)分析、因果推斷的能力以及模型理解能力來(lái)降低自己被 AI 取代的概率。

焦慮的本質(zhì)來(lái)源于精確性的缺失，治療焦慮需要提升精確性。從工業(yè)革命以來(lái)，多個(gè)職業(yè)產(chǎn)生與消失是很常見(jiàn)的現(xiàn)象，所以保持知識(shí)結(jié)構(gòu)的更新是對(duì)抗焦慮的最佳方式。日常多看書，多與行業(yè)中其他人進(jìn)行交流。正如《納瓦爾寶典》里面的觀點(diǎn)，在下個(gè)時(shí)代中，保持構(gòu)建的能力和銷售的能力，把自己當(dāng)做一人公司去運(yùn)營(yíng)，擅長(zhǎng)使用杠桿，構(gòu)建自己的第二曲線。