文章分別對產品總監的兩個能力：商業發現和高效表達展開了分析，最後結合案例詳細闡述了數據驅動和自動化對互聯網團隊的意義，與大家分享。
阿里國際業務AliExpress的CTO郭東白老師曾經這樣總結對產品總監這個崗位的能力期望：
有這麼五個：商機發現、高效決策、細節表達、項目驅動和閉環思考。
今天我談談對其中前2條的思考。
在互聯網的世界裏就是通過對海量數據的分析和挖掘，並結合本企業業務的經營規律，發現用户沒有得到滿足的需求，並通過可以盈利的方式去滿足這種需求。
我們可以用谷歌在相關搜索這個項目上的例子來做個説明：
谷歌不但通過日積月累的網頁索引來大量採集數據，同時還通過旗下的產品提供海量可以用於挖掘用户價值和業務機會的數據：
這些數據收集後，谷歌如何利用呢？我來説一則谷歌內部人士都知道的往事即可。
拉里佩奇和謝爾蓋布林一直希望通過谷歌搜索這個產品來改變用户使用互聯網的習慣，也就是從不停地點擊鏈接改為搜索關鍵詞並獲得最好的結果（搜完即走），所以對於相關搜索這個項目一直不表態支持（吳軍博士曾經負責谷歌的相關搜索項目）。
其中的思考邏輯是如果培養了這種習慣，那麼用户也會願意使用Yahoo！和MSN這種門户產品。
吳軍博士的團隊在2次申請相關搜索項目被拒絕後，找到梅麗莎·梅耶爾説情。在當時，拉里佩奇還在和梅麗莎·梅耶爾談戀愛，所以梅耶爾幫助團隊做了2位創始人的工作（看起來人情世故還是很重要）。
看過團隊提交的數據分析結果和原型設計後，拉里佩奇同意有條件地上線。
什麼叫有條件呢？
就是隻拿出1%的流量來驗證這個新功能對公司的實際價值，也即是我們今天都在使用的A/B測試技術，最終證明在收入上給谷歌可以帶來2%的搜索量增加，相關可以帶動2%的收入增加。至此，谷歌決定把該項目擴展到所有的谷歌搜索中，併為了方便用户搜索，乾脆主動提供搜索關鍵詞提示。
對於一個基本上在每個主要的在線廣告市場可以獲得超過95%市場份額的企業來説，一個數據挖掘的成果每年增加2%的收入，這是一個非常驚人但合理的成績。
產品負責人必須從業務思考出發，通過用户的反饋， 和BI 的商業分析來做有目的的數據挖掘，這是一個基於完整Hypothesis的數據驗證過程。
也就是説，從數據洞察中發現機會就是產品負責人的核心能力。
高效決策，我覺得落地點的説法就是少無謂撕逼、少開會、獨立決策、數據驅動。
對比一下國內的大部分創業企業，動不動就幾十、上百人的團隊，而硅谷的很多團隊不過10來個人就能做同樣規模的事情，為什麼？
有一次曲卉老師（Acorns增長VP）在朋友圈和我有一個對話：
曲：我在Netflix的一個工程師朋友，年薪總值高達40萬美元，負責數據系統搭建
顧：硅谷團隊基本可以以工程的方法直接解決運營的事情，國內還需要學習如何從人力轉自動化。
曲：説實話，咱國內人多，工作刻苦，速度也不慢，老外比較懶。
顧：理解萬歲。
讀到這裏，大家是否想到立刻飛去硅谷工作，融入那個可以效率更高、工作時間更短、產出更高的世界？
但為什麼同樣的事情，我們自己就不去做呢？
我們曾經用微軟Bing的一個例子來説明硅谷企業的效率是如何獲得的。
在2012年,微軟的一位Bing部門的僱員提出了一個改變搜索引擎廣告頭條顯示方式的建議，開發並不需要太多資源投入，僅需要一位工程師幾天的時間。但是這只是成百個提出的建議中的一個，項目經理並沒有給與太高的優先級。
直到6個多月後，一位工程師看到實現代碼的成本很低，進行了一個簡化的在線的實驗（ＡＢ測試）來評估這個想法的價值。僅僅在幾個小時內，新的頭條變體就呈現了超乎尋常的高營收趨勢，觸發了一個“效果好的都不敢相信是真的”警報。通常來説，類似的報警意味着線上的Bug：單在美國境內年化超過１個億美金。而且還是在沒有傷害到關鍵的用户體驗指標的前提下做到的。在Bing的歷史上，這是最佳的增收的主意，但是直到測試了它的價值，它都是被嚴重低估的。
這是技術和數據驅動的典範案例。
國內也有很好的例子，比如英語流利説，一家上海的互聯網企業。
流利説的創始人團隊都是技術產品背景，尤其是王翌和胡哲人。他倆之前都有做analytics的背景。哲人原來在Quantcast，王翌原來在Google Analytics。其實都是通過ipad analytics和web analytics手段去做互聯網廣告優化。所以他們從產品一開始就很注重數據驅動。只不過開始的時候沒有自建，而是用了當時比較火的像友盟作為第三方數據平台去收集數據瞭解用户。然後到了第二年的時候就決定開始自建數據平台，需要自建這一塊加強自身的數據驅動能力。
流利説現在在這個內部平台上面利用開源軟件做了非常多的內部工具，包括內部的整體的數據查詢平台，包括一些數據可視化的工具，能夠讓數據做成為每一個團隊所需要的工具，只要這個數據不是那麼敏感，那些需要看的人就能夠非常輕易的獲取。
流利説在公司管理上比較傾向於硅谷文化，比如工程師驅動。對於一些東西特別注重，比如代碼質量，測試、試驗迭代等等。注重工具，優於注重流程，能夠用自動化用系統的手段去解決更多問題，而不是簡單的通過人工的流程。
比如我曾經工作過的攜程，通過建設User Profiling，個性化推薦這樣的自動化系統，減少了人力投入，但達到了更好的產品運營效果。
沒有算法，數據再多也挖不出價值；沒有數據，算法再好也找不到價值；
無視已有的、被證明過有價值的數字資源，是一種極大的浪費。
caoz的夢囈曾發文討論大數據和人工智能時這正好印證了我們的一貫看法，偏離基礎的數據工作，追求人工智能就是本末倒置。
試問，在這種情況下，不要説在各個網站和APP對每個用户做到精準營銷和千人千面了，哪怕是最基本的數據分析和挖掘都可能無法實現，還談什麼數據驅動業務運營呢？
回顧從2016年到現在，我已經輔導了上百個互聯網項目團隊，從大型互聯網企業、傳統轉型互聯網企業到初創團隊，感觸很多。
對於我所遇到的大量互聯網項目團隊來説，實際情況是由於受到資本和市場競爭的助推，中國互聯網行業發展過於迅速而導致每個項目的團隊由於方法論和實施能力的不足，更多的時候是業務驅動、想法驅動，而數據驅動嚴重不足。
這背後體現的是：
1）企業內部的數據體系建設沒有跟上，數據產品缺乏規劃。
2）企業在“增長”的概念與實際增長的方法和工具脱節
3）企業對數據整合能力的缺失
4）企業的工程思維、試驗驅動能力不夠
按照AliExpress CTO郭東白老師的提法，AliExpress在200多個國家和地區有日常下單， 而所有的運營和產品加起來都不到100個人。這基本上就不可能靠運氣去發現商業機會。對於產品團隊來説，所有的決策必須是一個基於完整假設（Hypothesis）的數據驗證過程，所以能夠在數據中發現和洞察機會就是產品的一個核心能力。
相反，我在社羣裏就遇到過這些不同的情況：
1）我們公司是統計了業務數據，我們認為數據驅動意義在於使運營更加精準，可以做到多維度分析數據並拆分KPI，但我們目前感覺數據樣本比較小，分析結果不具備普遍性，似乎無解。
2）我們公司用了第三方統計系統，自己也開發了數據統計模塊，但總體沒有數據驅動意識。原因可能是：
所以一家公司或一個產品能不能數據驅動主要依賴：
3）最近在改版移動站首頁，深刻體會到數據驅動真的很難。以我現在在改版的移動網站為例子，只有來自百度統計的數據，基礎的pvuv等數據是有的，對於特定頁面/事件的轉化率，上下有數據，地域和用户年齡性別比例這種分析屬性的數據也是有的。關鍵是如何分析數據，並懂得用哪些數據來做出改版的決定，比如：為什麼要改版首頁呢？要往哪個方向改，希望達到什麼業務目標？為什麼要刪除某些功能？為什麼要優化某個流程？這時候就考驗處理數據的經驗了。
這些表面看上去是意識和經驗不足，但其實是在公司文化、崗位、工具和工程方法這四個主要方面的缺失。
如果這四個方面的問題解決了，產品和運營團隊就可以很好地回答以下的問題：
這些數據驅動的自動化手段，都是直接會影響企業是否可以順利地完成不同階段的融資，並逐漸甩開對手，形成自己的優勢。
這方面做的很成功的比如美團、餓了麼和Amazon，都是在內部數據產品建設上投入了大量技術資源。
我之前曾提出過數據驅動道術器三件事，請特別注意企業自有的數據產品建設上，會有一些工具、方法論指導互聯網團隊能夠形成一個流程化的工作方法，達到阿里AliExpress郭東白老師提出的那種數據驅動期望。
一旦企業可以實現內部的數據整合、數據產品和數據工程方法，很多目前人工在做的事情就能夠自動化、智能化（本質上是通過算法和機器學習來解決），所以首先要對數據產品範疇內的所有工具和方法論有一個良好的認知，並從實踐中獲得有助於企業業務發展的一手經驗。
作者：顧青，DTALK.org創始人；公眾號：DTalks (微信ID：dtalks），聯繫請關注後回覆“人人PM”。
本文由 @顧青 原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議