地铁站|策略产品经理应该如何创造价值？( 三 ) 纸币|效率|产品经理|扣针|策略

文章插图
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：

文章插图
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：

文章插图
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。