1、9 月中旬在前公司辦完離職，開始了新的職場征程。在職場這些年，說長不長說短不短，能夠不斷前進，有一條信條比較重要，就是不把工作僅當作掙工資的手段。踐行這個信條，就可以接受和形成延遲滿足心態，離職前薪資也只是當初入職時另外一家公司提供的起點，僅從薪資維度看，貌似一年半的時間還在原地踏步。但這一年半的時間，在其他方面卻取得了長足的進步和滿滿的收獲。本篇探討下，在上一份工作中學到的東西和收獲。單產品線 -多產品線在到公司之前，明確的職責是負責一條產品線的產品工作。但隨著對市場需求了解的深入，為了適應不同的市場需求，從0 到 1 又做了另外一條產品線。從而實現了從負責單產品線，到負責多產品線的跨越。從

2、單產品線到多產品線直接的挑戰是將原來需求-方案 -發布-驗證整個過程，從原來一份變成兩份。別的業務線一個月發布一次，負責兩條產品線就意味了一個月做兩次產品發布。雙份的工作量，也帶動了招聘產品經理的需求，這個稍后討論。單產品線和多產品線除了直接的工作量上的差異，不同產品特性和適用的市場，要求對細分行業和客戶需求有深入了解，并在此基礎上構建產品和解決方案。這個過程，受益于公司職能型架構和推薦產品的復雜度，很多都是親力親為。從而能夠對推薦的應用，從之前經驗SaaS真式，不斷拓展到傳統企業場景。行業認知的形成，是負責多產品線的副產品，也使得做產品認知層次又前進了一步。在有限資源前提下，從0 到 1 做

3、 B 端產品可謂披荊斬棘。在做新產品過程中，僅靠兩個種子客戶的需求輸入（還未落地），就被時間逼著抽象出了一套通用的產品，這也是這些年做產品足夠吹一陣子的成就了。能做到這點在于自身職業生涯至今一直聚焦推薦系統產品化工作，有著還不錯的積累；其次，是對目標客戶和目標場景做了大量的前期調研，能夠撥開具體的解決方案，抽象出真實的需求。當然如果重做的話，這個進程會大幅加快，并且首先會做一版簡單的界面出來， MVP 階段沒有界面，實際推慢了整體進度，并且驗證了無論To B 或 To C 產品，客戶或用戶都喜歡看的見摸得著的東西。入職即負責的產品線，起初的模式是重人工的交付邏輯，產品反而是其次的，并且這樣做大

4、家也覺得沒有什么違和感。但非標的產品需要大量的人力投入，同時還不一定讓客戶滿意，降低成本就成了目標。之前在AI 公司時，公司也會搭算法專家給銀行搞項目實施，并且問題也不大。兩者差異在于，后者做銀行項目，客單價動輒幾百萬或千萬起，即便投入算法專家，最后的 ROI 仍然是相對可控的。而前者問題在于客單價低，使整個投入變得不那么合理。因此即便行業公認人工智能=人工+智能，也需要盡可能去做標準化產品，才能實現邊際成本降低。做產品或業務，最終都是做的商業，技術上的優勢，如果轉變不成商業價值，也是不可持續的，一城一池的炫技就顯得沒有必要。選對市場，以恰當的產品形式，實現客戶價值和商業價值，這也是產品經理存

5、在的價值。SaaS奠式，傳統軟件模式前段時間讀云攻略，內容是salesforce早期以公有云的方式提供服務，替代的目標是傳統的軟件模式。SaaS真式相比傳統軟件模式，確實有著各種優勢：接入成本更低、接入周期更短、費用更低.這種模式天然適合價格敏感、希望更快出效果中小型企業。而實際從業務競爭力和穩定度上來講，小型企業更加容易出現經營問題和流失，續約續費也就相應受影響。傳統軟件模式則是另外一個極端。接入成本高、費用更高、接入周期更長。每一點特征都會過濾部分客群，最終反而更加適用于有資金實力、業務更加穩定的大中型企業。這也就不難理解，近些年在國內純SaaS廠商逐步SaaS中國化，為了拿下大中型企業客

6、戶，提供傳統軟件的解決方案而非公有云的SaaS因此在做新產品或企業時，放眼沒有競爭對手，不一定是好事，有可能是進入了商業荒漠，商業模式跑不通或不可持續。過去三年的工作經歷分別經歷了SaaS奠式和傳統軟件模式。相比SaaSg交付的模式，傳統軟件的重交付模式也使產品工作的開展有諸多不同。傳統軟件模式有更重的交付，體現在項目角色更多，有項目經理、實施、客戶成功、分析師等角色。交付流程更長，每一步交付內容都不可省略。對于那些能夠接受SaaS模式的客戶來講，統一提供傳統軟件的交付模式，勢必會在報價和實施成本及時間上帶來成單的劣勢。傳統軟件模式對產品經理直接影響就是受限于較高的交付成本和交付周期，產品落地

7、和驗證周期較長，從而導致產品迭代時間也跟著變長。一個版本以月為單位做驗證，并不會讓人太驚訝。倘使產品主要適用于大中型客戶，而企業又追求多快好省見效益，就會出現理想與現實的巨大矛盾。SaaS奠式和傳統軟件模式哪個都不會完全取代另外一方,因為本身就是為了滿足不同需求的解決方案，只要需求在，解決方案就一定會在。更多的廠商會走向，既有SaaS模式，也有傳統軟件的模式。并且會有越來越多的中小企業客戶逐步也會走標準的demo演示、PoC、招投標等流程，畢竟市場下行和受疫情雙重影響，中小企業生存困難，花錢會越來越謹慎。數據智能-數據洞察事物總是遵循從低級到高級的規律發展，互聯網應用也經歷了從以人的數據洞察驅

8、動的模式，逐步切換到以機器智能驅動的模式，淘寶更是傳出今年雙十一要完全改版為智能推薦的信息流。但這里之所以用數據智能-數據洞察，主要是以個人經歷而言，過去主要就是做智能推薦相關產品化工作，數據洞察相關工作反而做的不多。在過去這段經歷中，除了繼續深耕推薦產品化外，在數據洞察的認知上也提升較大。數據洞察最基礎的一點在于有數據，這是一切洞察的前提，前幾個月作為一場線上數據分析活動的評委給選手評價也是這點。沒有數據也就談不上數據洞察，但實踐發現有數據這件事在各行各業都是比較困難的，甚至某種程度上講，數據分析行業比較大的價值，不在于讓客戶做復雜業務分析和洞察，核心價值在于解決了有數據的問題。有了數據再加

9、上分析工具，就是一套解決方案，至于使用者用的好不好，就完全取決于業務人員自身的水平了。有了數據要想做好數據洞察，需要對業務現狀、業務目標、 SQL 都要心中有數才行。因此不乏自研或采購數據分析產品，最終并沒有用起來，數據驅動更多是口號。因此數據驅動，除了工具外，也需要人的素質和水平跟上。就像收割機替代了鐮刀割麥子，但農民不會開收割機，仍然解決不了收麥子的問題。當然也有相當企業，并不需要復雜的分析工具，最后恍然大悟，友盟和百度統計就能解決的問題，勞心費力白折騰一頓。用戶畫像是數據洞察另外一個常見應用。前些天去寧夏游玩，賀蘭山下史前巖畫，線條簡單但特征卻刻畫明顯，雖然時隔幾萬年也能識別出是羊或是鹿

10、。用戶畫像則是以數據的方式，對用戶特征加以刻畫，從而實現對用戶更深層理解，更好做業務。用戶畫像產品主要聚焦用戶標簽的生產，既有的基礎屬性不需要生產，大部分需要生產的通過規則就能實現，少部分會用到分類算法生產預測標簽。用戶畫像從結果上看，更多是一種原材料，生產出來的畫像只有應用在具體的業務場景才能產生實際的價值，否則就只有匯報和PR價值。常見的應用場景有廣告投放、精細化運營、個性化推薦。需要說明的是，并非有了用戶畫像就萬事大吉了，用戶畫像的使用也存在許多坑。最基礎的就是，相當部分標簽是基于規則打出來的，而規則又包含了人對于業務、用戶及數據的理解，不同人打的標簽勢必是不一樣的，因此體現在業務上，效

11、果也大為不同。再者有接觸過廣告投放的，很多人都會迷信畫像數據，恨不得把BATTMD廣告系統吐的標簽畫像數據都應用到自家的業務上，而實際也不一定起作用。例如 NBA 打分區決賽，一個用戶在資訊平臺看NBA 文章和視頻，而此時這個用戶身處寧夏看到大街小巷售賣枸杞，希望給朋友帶回點特產。這種情況下，到了購物平臺，推體育的還是推枸杞更合理呢？自動化運營是在有了行為數據和用戶畫像后，自然而然的精細化運營應用。市面上多以智能運營宣傳自動化運營，實際自動化運營很少稱得上智能。自動化運營最大的價值，實際上是能夠集成不同的觸點，至于能不能提升 ROI ，也是非常依賴業務人員對業務、用戶和數據的理解。另外一點，市

12、面上自動化運營，雖然也有宣傳個性化，但相比真正的千人千面個性化推薦，自動化營銷還有一段路要走。營銷、運營、個性化推薦在業務面前，實際是統一的。這也是有構想，來不及實現的點。單兵 - 團隊初入職負責一條產品線，但也有諸多不同需要投入更多時間和精力。在 AI 公司時，公司組織架構是事業部型，業務再小也是各職能都有，有勁一處使，不管事情成不成，推動總不會是問題。而前司的組織架構是職能型的，并不存在專門售賣所負責產品的售前或銷售，因此需要投入更多精力在銷售交付 /市場宣傳上，除了正常的產品交付，還需要解決售賣的培訓。在這點上，并非完全依靠模板或流程，就能真正解決售賣或宣傳問題，在沒有足夠監督和檢查的情況下，就會存在程序正確，而不解決實際問題。在洞察有部分市場需求在現有產品框架下無法滿足時，也就促成了 0-1 起新業務線的緣由，新起業務線需要投入大量的時間和精力推動每一步向前。以上兩點就促使從單兵到團隊的轉變，當然需要從招聘開始。招聘就像做產品或業務，起初有美好的假設，但實際市場情況會教做人，需要不斷認知市場和迭代才能完成招聘計劃。招聘的過程中，棘手的問題是少有優質簡歷，后來明白優質的候選人通常都會在大廠之間跳來跳去，通常默認就會過濾掉B 端小廠。希望招聘