这是去年一次直播的文字稿，重新整理一下分享给大家。

这篇文字稿主要从创造价值这个角度入手，聊一聊我是怎么看待这个职位的。

同时我们也会在后面的案例中看到，AI技术是如何从业务的角度创造价值。

这篇分享的标题叫《策略产品经理如何创造价值》，那么我们首先要聊一聊，创造价值都有哪些方法？

创造价值的几种方法

在《俞军产品方法论》中，俞军老师认为，创造价值的主要方法有：劳动、分工、交易、新技术、制度，这五种方法我将其归类如下：

其中除最朴素的劳动创造价值外，其余四种方法大致可以分成两种——通过挖掘效用差和效率差来创造价值。

效用差我们就不展开了（感兴趣的朋友可以从这篇读书笔记了解：十五读书 | 《俞军产品方法论》导读 B01），我们主要聊一聊效率差。

先说分工，1776年亚当·斯密出版的《国富论》在开篇就讲述了这样一个制作扣针的案例：

制作一枚扣针需要完成抽铁线、拉直、切截、削尖、装圆头、涂色、包装等，前前后后加起来至少18种操作。如果这些操作都由一个人完成，那么这个人无论多么努力，都无法熟练操作所有机械，并在一天内制作出20枚扣针。

事实上，扣针工厂会选择将这18种操作分配给18个工人来分别完成，这样一来，许多操作都因为熟练让效率得到巨大提升，即所谓的熟能生巧。

经过分工后，一个10人的团队每天也能正常生产48000枚扣针，即平均每人每天生产4800枚扣针，远超一个人单独生产扣针的产量。

可见分工前后单个工作上的效率提升，能够带来平均意义上整个团队的效率差。此外，企业上下游通过分工，因为需求和资源聚集带来的规模效应，也能够带来效率差。

接下来说说新技术带来的效率差。这部分效率差主要来自机器对人工的替代，机器既包括看得见的硬件如机床机械臂等，也包括软件如智能客服机器人等。

从蒸汽机时代开始，这种替代就成为了不变的趋势。从机械自动化到电子自动化再到现在的智能化，原本需要人类参与的劳动不断被机器替代。

那么为什么说机器替代人工能够带来效率差呢？

最简单的逻辑，一台机器的工作时间是7×24=168小时，人的工作时间是5×8=40小时（机器的23.8%），按997算的话也只有7×12=84小时（机器的50%）。

也就是说，相比人工来说，机器天然就存在1到3倍的效率差。

这样的效率差不仅存在于执行阶段，在学习阶段也是如此。

对于许多机械式的决策过程，机器也能在明确的目标下，通过24小时不间断学习获得决策能力。这也是机器学习越来越受到重视的由来。

而这些都还没有算上并发带来的时间尺度上的进一步效率提升。

作为一个可以24小时工作的、边际成本近乎为零的生产力，机器让这个世界的商品和服务成本大幅下降。

与分工类似，技术带来的这种效率差大幅提升了这个世界单位时间的价值产出。

案例

来聊聊几个具体的案例。

第一个案例来自Call Center客服系统。

业务初期，客服团队是一个能够很快组建起来的团队，市场上人员供给很多，招聘后能够快速培训上岗。

不过，随着业务的扩张和人员的增加，团队管理和客服系统都面临考验。

在优化之前我们可以先确定的是，优化的目标一个是减少人力成本（提升人效），还有一个是减少用户在外呼系统中的等待时长。

后者不仅仅影响用户体验，同时也关系到通讯成本，因为话务系统会按并发线路收费，用户平均等待时长越长，滞留在系统中的用户就越多，即需要的并发线路就越多。

在两个目标基础上，我们需要找到一条合适的效率优化路径去执行。

首先第一步，也是最基本的，就是分工。如果企业拥有多个业务线，那么对应的客服团队也将根据各业务线的业务量或者话务量进行划分。

划分之后，用户的呼叫不再是随机分配了，而是先经过接线员接待，再分流转接到专门的坐席：

经过分工之后，对每个坐席来说培训内容大幅减少，同时由于专注在某一类售后业务上，坐席的熟练度也大幅上升，整体而言提升了人效。

而接线员这个角色，由于决策过程极度机械化，所以其实往往一开始就被菜单分流系统替代了，就是用户呼叫后会听到的“机票请按1，酒店请按2……”这样的系统。

其中业务的顺序，则往往按业务量或话务量从高到低来排，这样的话从先验角度看，这是最大概率优先击中用户要咨询的业务、期望耗时最短的baseline（基准）策略。

不过很快你会发现，这里面其实有一个小小的优化点：我们可以尝试着预测一下用户真正想要咨询的业务，而不是简单地用一个基准策略。

比如，如果说用户最近只有酒店订单，没有机票订单，那么是不是他更可能会咨询酒店业务？或者说用户在外呼之前，浏览了他的酒店订单，是不是也更可能会咨询酒店业务？

也就是说，我们可以基于用户订单或用户行为，构建一个模型去预测用户意图，菜单的排序可以根据这个业务函数来决定：

用户订单用户行为要咨询的业务这个问题本身是有一个最基本的样本闭环在里面的，你可以通过用户键入的数字验证模型的准确率。

这样一来，随着样本的增加，模型预测准确率不断提升，也就意味着会越早击中用户的意图，从而减少用户的滞留时间。

当然，这里面可能需要有一个权衡，如果是咨询次数比较多的用户，会对菜单顺序有一个肌肉记忆，频繁地变更菜单排序反而会扰乱他的习惯。所以系统优化时，要考虑一段时间内确保顺序不变。

不过这些细节很快就变得不重要了，因为我们的客服接线系统马上将要迎来再一次进化——语音分流替代菜单分流：

近几年如果你打过银行等大型企业的客服电话，会发现已经不再是导航菜单了，而是直接让你说出要办的业务，系统通过语音识别，直接将你分流到专门的坐席去了。

这样一来，当语音识别能力足够强时，过去的多级菜单分流过程一下子就被缩短了。而且你会发现，之前做的用户意图预测模型也并没有白做，它可以恰好嵌入到引导语中去引导用户：“请说出您要办的业务，例如酒店退订”。

那么整个这一条路径下来，从最开始的分工，到菜单分流系统（机器）替代接线员（人工），再到语音分流（新技术）替代菜单分流，我们不断地通过挖掘效率差，减少了人力成本，优化了用户体验，创造了价值。

而且这里面还有一个特别有意思的事情，你会发现，诶？我一个客服接线系统，居然做着做着就做成了一个搜索系统：

用户的语音被识别成文本（query）后，我需要将这个文本背后的用户诉求（意图）识别出来，导航到要办的业务坐席那里去（搜索结果）；搜索之前要提供引导语（搜索提示），如果识别或搜索不出来还需要做兜底（无结果页面）……

所以，这也是我在书中提到的观点，策略产品经理其实是一个比较抽象的Title，许多能力也都是相通的，各位负责招聘的朋友不妨放宽对领域的限制，多给我们这些打工人一些机会。

第二个案例，来自我做B端业务时，接到过的一个任务。

这个案例具体讲了如何通过对业务的深入了解，拆解车险营销业务，找到更高效的提升营销转化率的解决方案，从而替代ROI较低的人工规则方案，挖掘这里面的效率差。

这个任务是这样的：

客户来自保险行业，历史上有很多承保过车险的用户，因此累积了很多用户相关的车险数据，数据维度也很丰富，包括车险承保各信息：投保人、被保人、车牌号、车辆初次登记年月、车险起保时间、车架号、保险责任与保额等等。

同时，客户提供的一些其他在线车后服务（如违章查询、车主社区等）也有很多用户，但这些用户大部分是历史上从未在客户处承保车险的，因此数据维度比较匮乏，只有一个车牌号和可联系触达到用户的方式（如短信电话、APP Push等）。

客户希望针对这部分在线车后服务的用户销售车险，目前的营销方案可以说是没有方案，即对所有用户都去触达营销（随机基准策略），这一方案的结果是很容易引起用户反感与投诉。

所以现在问题来了，有没有办法仅仅依靠这个车牌号，设计和优化车险的营销策略？即求解这一业务函数：

车牌号是否营销

说实话，刚接到这个任务时我整个人都是懵逼的，仅仅根据一个车牌号设计车险营销策略，这怎么可能？

说到这里就不得不提到一个老生常谈的观点：对业务的深入理解是策略的源泉。

随着对车险业务的了解，我开始觉得这个事情，有戏！

首先，在车险业务中的一个常识是：用户可续保车险的时间是有时间范围的，绝大多数城市要在上一份车险到期前3个月内才能续保次年车险，并且从数据上看，大部分用户续保都是在临近到期前1个月完成的——这也很容易理解，毕竟拖延症是人类的通病。

所以如果是随机营销的策略，那么意味着先不论用户有没有续保意愿，首先平均而言有75%的用户压根就不在车险续保期内，这就难怪用户要投诉了；如果考虑到大部分人是临近车险到期1个月才续保，那么营销的转化率又要再降低三分之二。

假如我们能准确预测用户车险到期时间，哪怕是预测到月份，那么至少也能够把一些明显不在续保期的和不那么有续保意愿的用户排除在外，与随机基准策略相比就能够大幅提升营销准确率。

于是我们将核心问题从原来的根据车牌号设计营销策略，转化成了根据车牌号预测车险到期时间的问题：

车牌号车险到期时间至于车险到期时间，由于大部分人都是从车辆购买注册上牌开始，车险一年一续，因此我们可以将车险到期时间往前倒推至车辆注册时间，也即将问题转化为求解车牌上牌时间，因为两者的月份都是相同的。

车牌发放规则：

为了推算车牌号的上牌或发放时间，接下来让我们把目光投向车牌注册与发放规则这一块来。

国内的车牌号一共7位（当时新能源车较少可忽略），第一位为省市简称，第二位为各省市下地级市或区县代码，后五位由数字或字母组成：

车牌号的发放与管理是由各区县级车管所负责的，每个车管所发放规则不一，从车牌发放历史来看大致来说有以下几种：

1）最早的车牌都是数字车牌，从00000或00001开始按顺序发放；

2）随着汽车保有量的发展，发现按原有规则的话车牌很快就被发完了，因此开始发放一些带字母的车牌，并衍生出号段的概念。例如从A0000到A9999发放A号段车牌，然后是B号段车牌，以此类推；或者将某些号段专门保留出来预留给特殊用车，如政府用车、出租车等；也有在一段时间内按一定的规则固定某几位，剩下几位视为号段发放的策略，例如南京车管所实行的这一车牌号发放规则：

3）在少数经济发展较快的地区，汽车保有量的快速上升继续突破了大家对号牌资源的预期。随着原有号段车牌资源被耗尽，同时考虑到有车家庭对个性化自主选择车牌的需求，开始出现新的车牌发放规则——自编号牌或随机机选+自选号牌，例如京N、京Q等。

车牌发放时间预测模型：

因此，如果要推算车牌号的发放时间，一个简单的方法是从保有量较大的城市开始，寻找尽可能多的车管所网站，将其公布的规则编制为车牌-发放时间映射表来实现。

但这样一来人工成本就比较高了，毕竟中国有约300个地级行政单位，约3000个县级行政单位，同时每个行政单位下的车管所可能历史上有多个车牌发放的规则；并且即便是从保有量较大的地区开始寻找，也不能确保每个车管所都将车牌发放规则对外公布到了网站上。

那有没有其他更好的解决方案？考虑到前面的车牌发放历史，我们最终用于车牌发放时间预测的，是一个非常简洁的基于汉明距离的变种KNN模型：即把一个车牌号的发放年月预测为距离该车牌号的汉明距离在K（一般取K=2）以内的所有同地市车牌里，相同年月出现次数最多的那个年月。

怎么解读这一模型呢？首先根据汉明距离的定义：汉明距离（Hamming distance）是指两个等长的字符串中所有对应位置下不同字符的数量，对于前面提到的车牌发放规则中常见的前两类，可预见的是发放时间接近的两个车牌其汉明距离也较小，一般都在2以内，例如（以下均以“车A”这一虚拟车牌号前缀举例）：

• 按顺序发放的车牌，如车牌“车A 12345”和“车A 12346”（汉明距离为1）、“车A 12345”和“车A 12354”（汉明距离为2）。

• 按号段发放的车牌，如车牌“车A 7D00K”和“车A 7D05K”（汉明距离为1）、“车A 7D00K”和“车A 7D55K”（汉明距离为2）。

其次，与目标车牌号汉明距离在2以内的所有车牌中，除了上面这些同一时段发放的车牌以外，也有一些其他时段发放的车牌，但都比较分散，并没有这些同时段发放的车牌的时间段那么集中。因此当数据密度达到一定程度时，同时段的车牌将在汉明距离为2以内的范围中占据更大的比重，如下图所示：

这意味着一个地区车的保有量越大，数据密度也就越大，该模型的效果也就越稳定，这对我们来说是个好消息，因为这同时也就恰好意味着该模型覆盖的用户量越大，模型对业务的帮助越大。

预测结果：

最终的预测结果也和前面的假设一致，在车保有量较大的地区，对于按顺序发放的车牌（如京L等）和号段发放的车牌（如苏A等），模型对车牌发放年月的预测准确率达到了50%以上甚至更高，远远高于随机猜测月份的准确率1/12=8.3%；

而对于一些支持用户自编自选的车牌（如京N等），由于不存在上述规律，效果就没有那么好了，年月准确率低于10%，也在预期之中。

基于汉明距离的K-近邻模型预测车牌发放年月结果

车牌前缀	年月准确率
京L	76.31%
苏A	56.57%
京N	7.77%

后续新数据的引入以及模型的进一步优化这里就不再展开了，从业务的角度而言，在并未消耗过多开发成本和人力成本的情况下，我们用一个简洁的基本模型，成功对客户服务的一些地区车险营销成功率实现了数倍的提升，也大幅降低了用户投诉率。

同时通过这一案例我们也看到，随着对业务的深入理解，我们能够将一个业务问题进行逐步拆解，也让策略设计从不可能变为了可能。

第三个案例，来自一个自动化数据推送的场景，我们聊一聊策略迭代过程中一些非技术、非业务的难点。

这样的场景比较常见，例如自动化Push、短信召回、广告投放等。

业务起步的时候，基本上是人海战术，即由运营同学在海量的数据池中通过画像数据，筛选出精准投放的目标去做召回或投放。

常见的画像诸如“25-35岁”、“高收入人群”、“最近一周有交易”等用户属性、行为简单画像信息。

不过随着画像做得越来越细，画像数量越来越多，运营同学如果还想通过这种简单的画像筛选来提升转化率，工作量会变得非常大。而且，随着深度学习的介入，后期的一些特征已经无法用画像语言描述了。

所以这时候就需要切换到一些自动的、模型化的系统来做投放，这也是一种挖掘效率差的方法。

但这里面就有一个问题在于，对于运营Leader来说，提高人效是好事情，但你的模型准吗？可别影响到我的KPI——转化率了啊；而对于一线运营同学来说，也可能会有疑惑，你这个自动化投放系统上了，那还要我干啥呢？会不会缩减团队裁员了？

因此，怎样说服整个运营团队，切换到自动化系统来，是一个不大不小的难点。

在这样的情况下，我们选择把系统做成了一个帮助运营投放的辅助工具。当运营同学提取了待投放的数据池之后，这个工具可以将数据池中的所有数据，进一步按模型预测的转化率从高到低排序依次投放，同时提供投放后的转化率报表。

也就是说，运营同学原有的工作流和结果不变，这个工具只是以一个支持、服务者的角色协助运营决策：

随着工具的使用，运营Leader发现，这个模型还蛮准的，每次从报表上看，确实是大致按预测的转化率成交的，于是逐渐就把整个投放工作都交给系统去做了。

而且，这也并不意味着一线的运营同学就没工作了。实际上，除了原来的投放工作变成了监测系统投放后的报表以外，节约下来的人力资源被安排到了许多原本计划做、但没有时间或优先级去做的事情上，例如新产品的接入与冷启动、用户的二次转化、运营指标体系搭建等等。

至此，我们从运营团队利益出发发起沟通，顺利完成了从人工到系统的替换，实现了价值的创造。

总结：策略产品创造价值的演进路径

最后，我们再来总结一下，策略产品创造价值都有哪些常见的演进路径。

第一条路径我称之为函数迭代，典型如一些营销投放、金融风控等场景，最开始都是用一些简单的分支逻辑来构建策略，这些策略本质上是一种分段函数。

在最优化目标的前提下，这些分支逻辑不断组合，节点也不断扩充，这种组合与节点扩充的过程实际上就是一种决策树模型的构建过程。

随着业务的发展，分支和规则越来越多，增加一条分支或规则的边际成本越来越高，边际收益也越来越小。这时会选择依托过去业务上累积的样本，构建一些由复杂函数组成的模型（如深度学习模型），来整体地提升收益而不是继续叠加单个规则，从而追求更高的ROI。

第二条路径我称之为流程拆分，我们不一定要一上来就去优化整个链路，而是可以将业务从流程上拆分，去尝试在其中某个环节提升效率、挖掘效率差。

例如上面提到的客服接线系统案例，可以将用户呼入的过程分为接线分流和业务咨询两个部分，然后对前者做进一步的效率优化。

又例如一个智能电销的系统，也可以拆分为破冰+产品介绍+引导交易等几个流程，前面破冰甚至产品介绍的部分都是比较机械化的，可以用电销机器人去替代。当判断用户成交意向较高时，再转接到人工专家去引导交易。

之前文章聊过的外卖配送问题也是类似，送外卖的过程可以分为商场取餐+沿途送餐+小区配送，那么对于场景相对简单一些的商场和小区，美团也正在尝试用机器人进行配送。

第三条路径我称之为问题转化，有一些业务问题，直接去优化难度相当大，也不容易做流程拆分，那么这时可以考虑将其转化为一个更容易优化的新问题，近似地去解决原问题。

例如货车自动驾驶是一个非常复杂的问题，直接去实现这样一个L5级自动驾驶，要面对的路况可能是非常复杂的，可预见的五年十年都不一定能够实现。

但是，如果将这个问题，转化为一个货车后车跟车问题，问题的复杂度一下子就降下来了。对于后面的车来说，面对的路况基本上是固定的（前车屁股），只需要跟紧前车就好了：

因此，这样的方案是一个能够更快落地的商业化解决方案，假设一个货车车队有5辆车，头车安排一个司机，后面的车都是自动驾驶车辆，那么相比过去的5个司机，也带来了高达80%的效率差提升。

类似地，过去做搬运机器人，如果放任机器人满地瞎跑，那么这是一个二维平面上的多智能体协同调度问题，复杂度很高，而且还要考虑到各种碰撞检测和异常处理问题，影响效率；

那么最快落地实现商业化的AGV搬运机器人是怎样的呢？如下图所示，我们可以在地面上均匀地贴上二维码，机器人行走时通过识别二维码，在地面直走，这样一来就变成了一个在网格矩阵做路径规划的离散问题，极大地简化了问题的复杂度。

所以，当我们回过头来看，前文提到市面上关于“功能产品经理”（也有被称为“古典产品经理”的）与策略产品经理的区别。

有没有功能设计上的差异、要不要投入设计师资源，这些只是表面；

本质上来说，其差异在于创造价值的方法不同。

对于策略产品经理来说，其创造价值的方法总结起来就是：因地制宜、评估ROI、选择合适的路径、挖掘效率差。

以上，是此次分享的主要内容。

关注十五，专业又有趣的内容：

---

青十五

做一个有趣的人

长按指纹

识别二维码关注

注：《职位内推：7个策略类产品经理JD汇总》https://shimo.im/docs/XPRgVgWXy8vYpYvj/  （可点击“阅读原文”）

-END-