编辑导语：随着互联网行业的不断发展，产品经理岗位的细分也越来越多，如用户产品经理、策略产品经理、AI产品经理等。在本篇文章中，作者以“策略产品经理”为主体，结合案例分析了策略产品经理创造价值的几种方法，并且总结了其创造价值的演进路径。
一、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。
怎么理解效用差？为什么说交易能够通过创造效用差来产生价值呢？
这里举个例子：假如甲乙两个人各持有一张100元的纸币，那么两人之间不会交换这两张纸币，因为他们的货币价值是相等的，交换不会有任何意义。
但如果甲是一个要进地铁站的乘客，持有的是一张100元的纸币；乙是地铁站的便利店老板，持有的是10张10元的纸币呢？
这样的交换是有可能发生的，即我们常常会遇到的“换零钱”。
对于甲来说，交换后可以到只接受10元纸币的售票机买票，而对于乙来说，接下来就可以去隔壁只接受100元纸币的ATM机中存入一周的收入，不用跑到更远的银行了。
这样一来，虽然二者在货币价值上是相等的，但这笔交易让双方的效用都得到了提升，这种效用差就是交易带来的价值。
我们接下来聊聊效率差，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，这里就不再赘述了。
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。
二、案例
来聊聊几个具体的案例：
1. 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：f(用户订单，用户行为)=要咨询的业务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，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吧。
2. 自动化数据推送
第二个案例：来自一个自动化数据推送的场景，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。
三、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，过去市面上关于“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。