功能堆砌不是产品、机器学习产品、业务端产品你是否有过这样的经历：老板信誓旦旦的

你是否有过这样的经历：

老板信誓旦旦的跟你说：现在需要在产品里面加上xx功能，有了这个，我们的机会就来了。业务同事非常坚定的告诉你：客户就需要xx功能，没有它，发展客户和拓展市场都没有抓手。

作为产品经理的你，此时是否头冒黑线，乌鸦飞过？

我相信，每一个做产品的同学都遇到过这样的问题。

有时候就在想：为什么有些需求和想法，在产品的角度和非产品的角度，差距会如此之大？

不管是老板还是业务同事，他们的初心绝对是想让产品发展更好；而作为产品经理，面对一些无言以对的需求，究竟是我们没看到机会或视野不够，还是需求本身不在产品范围内呢？

带着这个问题，我进行了一些思考，有一些感受，与你分享。

一、主题场景和用户认知

对于海底捞和全聚德这样的品牌餐饮大家都不陌生，

大众之所以能记住它们，而且奉之为品牌，除了味道和特色之外，更多的是这些名称让用户产生了味觉或者场景记忆。

海底捞给用户的味觉记忆是好吃的火锅，而场景记忆是超出预期的服务体验——小到一块擦眼镜布这样的细节，会让用户们备受关怀；吃过海底捞的人一定对他们的服务印象深刻，下次再提到火锅时，被唤起的记忆就是海底捞。

同样，全聚德是烤鸭的代名词，因为用户对烤鸭的味觉记忆以及当面刀工片鸭的场景记忆，强化了这个主题下用户的认知。

另外，还有一类餐饮服务那就是大排档。

例如商场顶楼各种以“大食代”命名的集中式多种类餐饮品牌，这些大排档里面通常汇集了全国各地各种口味的食物，让用户有多种选择，可以根据个人喜好选择喜欢的食物。

那海底捞全聚德和大排档之间的区别和差异是什么呢？

其实就是主题场景和用户认知。

吃火锅去海底捞，吃烤鸭去全聚德，这种认知已经在用户意识里面形成，火锅和海底捞之间的映射是通过主题场景的体验形成的，无形中，海底捞在用户认知里面就有了鲜明的定位。

而吃什么去大排档呢？

用户无法在这里面形成映射关系，是吃拉面去大排档，还是吃肉夹馍去大排档？

所以，这种区别和差异化的形成就是主题场景带来的用户认知差异。

用户能记住海底捞和全聚德，但记不住大排档，因为这两类产品的定位不一样：一种需求明确，定位清晰；一种包罗万象，自然就产生了用户认知差异。

所以海底捞能把连锁开遍全国，而大排档形成品牌和连锁就很难。

对于互联网产品也是同样的：每一个产品都会给用户营造一个主题场景并传递一个用户认知。

在我接触为数不多的老板中，我发现他们的思维很多都是一种生意思维，尤其是做传统生意或者从事销售出身的；往往他们有一种“又多又好”的思维习惯，对于

不确定性的事情，广开销路是一种规避风险的做法。

但是在互联网产品中，用户会在特定的场景下以特定的认知来使用一款产品——尤其是对于新产品，占领用户认知是有一个过程的；多而全以及关联度不大特性集合在产品中，会给用户建立单一认知制造重重阻碍，最后用户会放弃使用。

滴滴给用户营造了一个出行的主题场景，传递了一个手机叫车的认知；

京东给用户营造了一个购物主题场景，传递了一个网上购物的认知；

饿了么给用户营造了一个叫外卖的主题场景，传递了一个手机点餐的用户认知。

如果你的老板不是产品思维，而是业务思维或者销售思维，他们初期的注重点会放在“面”的建立上，因为只有面足够广，对应的机会才会多。

而产品思维则是聚焦在“点”上，通过一个点去主打产品定位，营造主题场景并建立用户认知，然后通过“点”延伸为“线”，最终构建成“面”。

这种产品思维驱动下的设计策略，是以用户认知和价值为核心的——而业务销售思维是多点开花铺面式的设计策略。

成功的互联网产品都是从一个单点切入，先营造主题场景然后占领用户认知，并快速形成规模和协同效应，最终形成平台。

滴滴最开始打出租，京东最开始卖3C，饿了么最初给校园学生订餐，都是如此。

所以，一上来就要做平台，以大排档的思维来建立主题场景和传递用户认知，这样的思路很容易就让早期产品失去定位，失去建立用户认知的机会。

对于一些不那么确定的产品需求，如果对主题场景营造和用户认知建立没有帮助，就不应该在还没有形成鲜明定位之前加入产品。

所以面对一些需求和假设，无助于营造主题场景和用户认知的建立，就应该果断拒绝。

功能堆砌，不是做产品。营造主题场景、建立用户认知、产生用户价值的同时创造商业价值，才是做产品的过程和目的。

别把产品当大排档，如无必要，勿增实体。

在生活中，我们会依靠经验来处理大量的事情，而形成经验就需要通过大量的实践，总结出事物的重要特征和结果之间的规律。

比如，我们经常会去超市，在选购水果时，会通过颜色、形状等特征对水果口味进行预判。

那么，我们是怎样具备的这种预判经验呢？

正是由于我们在生活中品尝水果时，不断积累与发现的水果的颜色、形状等特征与口味之间的对应规律——例如全红色的苹果会比半青色半红色的要甜一些。

同样，为了能够更好的完成工作，我们也需要不断从实践中总结各种业务规律。

例如，在电商平台的用户购物场景中，为了能够增加用户的购买金额，运营人员需要设置为用户推荐的关联购买商品。

此时，为了使推荐出的商品得到最大的转化率，需要运营人员分析历史订单数据，从中找出商品关联购买的规律。

但是，人工寻找并分析出每一个商品的关联规律，并不是一件容易的事情，需要消耗大量的时间与人力；并且随着商品不断推出新款，市场中商品流行趋势的变化等因素影响，已经形成的规律也需要不断进行及时的调整更新。

那有没有办法，让计算机为我们做类似这样的总结规律的工作呢？

这个答案正是机器学习技术。

一、机器学习是什么？

可以将机器学习理解为：让机器从大量的数据中自行寻找潜在规律，并应用此规律来识别或预测新的数据。

机器学习所取得的成果称为模型，这个模型类似于传统产品开发出的后台服务程序，在实际使用中也是通过前端程序获取输入数据，经过模型处理后输出结果。只不过，研发这个模型的过程变化了。

研发模型并不是通过研发工程师编写而成，也不需要提供严密的业务逻辑与判断流程文档，而是通过训练机器学习模型完成。

图1 机器学习模型

在开始训练机器模型前，必须先为模型准备一个唯一的任务目标，因为一个模型只能完成一个任务目标；然后进入训练机器学习模型的三个步骤，如图1。

第一步，根据任务目标确定算法

关于算法方面，最为主要的算法类型有分类算法、回归算法和聚类算法等，不同的算法类型可以解决不同的业务问题。

例如：

分类算法可以识别或预测分类类型

回归算法可以预测连续型数值（这里所说的连续型数值是指包含若干位小数且取值密集的数值）

聚类可以挖掘出不同数据的分组关系，从而可以用于数据分析与知识发现。

算法类型下会很多种有不同的具体算法。

例如分类算法下会有K邻近、朴素贝叶斯、随机森林等，不同的算法在完成同一的任务目标的训练和应用时，会体现出不同的特性——这里所说的特性，包括训练与应用需要消耗的计算资源/存储资源、应用的准确性等方面。

第二步，根据算法的学习方式准备好数据

这里所说的学习方式主要有三类：有监督学习、无监督学习和半监督学习。

但在讲解学习方式之前，需要先了解几个概念：

训练样本

是指为训练机器学习模型所需要准备的数据，这里的数据可以是图片、文本或是表格数据等。如图2，是预测芒果口味的训练样本数据。

特征

就是样本数据的属性，如图2中包含两个特征[颜色、大小]。

这里需要强调的是：在机器学习过程中，选择特征是一项非常重要的工作，通常是由在目标业务领域中有较多经验的人参与，并且过程中需要发挥很多智力行为——因为特征选择的好坏直接决定最终模型的好坏。

例如上面的案例中，如果增加包装类型的属性，也许就与芒果口味的关系不大了。

类似增加这种无关或相关性非常低的特征，不但需要投入更多的计算资源，而且还可能对训练的模型产生干扰。

特征值

就是样本数据对应特征的参数值。

标记

可以理解为样本数据的结果，是机器学习模型将要预测的目标数据。如图2，口味便是标记项。

图2 样本数据

接下来讲解三种学习方式，这三种方式的区别在于训练样本中是否会包含标记值。

有监督学习

是指训练样本中的所有样本数据都包含标记值的学习方式。这种方式将学习到特征值与标记值之间的对应规律。

在很多情况下，样本数据的标记值是由人工标记的，例如在准备语音识别训练样本时，是由人工标记的文本信息。

因此也不难看出，为了得到带有标记值的样本数据，是需要付出大量的人工处理工作。

无监督学习

是指训练样本中的所有样本数据都不包含标记值的学习方式。

当需要了解一组数据存在的分组关系时，便可以用到无监督学习。

半监督学习

是指训练样本中只有部分样本数据包含标记值的学习方式。

当没有足够人力标记所有的样本数据，并且稍稍降低对模型预测精度的要求时，便可以使用半监督学习。

相比无监督学习会有较高的精度，相比有监督学习可以大幅降低人工标记成本。

例如，在拥有上百万篇文章资讯类的网站中进行文章分类标记，便可以采用半监督学习，只需要对训练样本进行少量的人工标注处理，便可以得到较高精度的分类结果。

第三步，使用训练样本数据与算法进行模型的训练

本步骤首先需要由AI工程师进行算法的参数设置，之后进入机器自我训练的过程；该过程可能会需要很长时间，甚至是几天时间。

这个步骤需要注意三点：

由于机器学习算法执行过程具有一定的随机性，在保持算法、数据与算法参数不变的情况下，多次运行机器学习训练后得到的结果可能不相同；

为了能够训练出较高性能的模型，通常会同时选择多个算法进行训练，并对训练结果进行比较，最终选择最高性能的模型投入使用；

机器学习训练得到的模型是个“黑箱”，一般情况下不可能通过调整模型来优化机器学习模型的性能。

到现在为止，我们通过训练得到了一个机器学习模型，该模型可以嵌入到前端程序中用于识别或预测任务。

上文说过，不同的算法类型能够解决不同类型的问题，而入门机器学习最多被提及的算法类型有分类算法、回归算法与聚类算法，那么下面就详细讲解这三种算法类型。

二、机器学习中的分类、回归与聚类

1. 分类算法

分类算法是一种有监督学习，目标是学习到训练样本数据中多个特征值与标记值的对应规律，训练出模型称为分类器；使用训练好的分类器，输入新数据的全部特征值时，输出识别或预测的结果。

这里所说的识别与预测，对于算法模型来说并没有实质上的区别，仅是在实际使用分类器时，描述业务目标的方式不同——识别更强调对当前信息的辨认，而预测更强调对尚未发生的事情的推测。

分类算法分为二分类与多分类。

二分类的意思是结果会包含正类与反类，比如当前任务是识别出猫的图片，那么猫的图片就为正类，其他图片就为反类。

多分类可以完成多种类型的识别，例如在识别新闻文章类型时，多分类分类器可以识别出文章属于经济、娱乐、体育等多种类型中的一个或多个类型。

通常情况下可以使用多个二分类分类器的方式实现，这时先对问题进行拆分，然后为拆出的每个二分类任务训练一个分类器。

例如上面的新闻分类例子中，可以拆解为三个分类器：经济类型分类器、娱乐类型分类器、体育类型分类器，其中每一个分类器都包含一个正类与一个反类。

下面讲解一个二分类在业务中的应用示例。

案例：

一家汽车销售公司，拥有完备的客户历史消费和潜在客户详细资料数据库。现公司准备举办一次汽车促销活动。为了能够提升本次促销活动的销售量，公司准备为潜在客户寄送一份精美的汽车销售材料和一份礼品。但活动经费有限，仅能寄送给1000名潜在客户。

任务目标：选出1000名寄送资料与礼品的潜在客户，并尽可能最大化这些潜在客户的购买转化率。

应用分类算法：

第一步，整理历史数据并确定分类方式。

找出类似于本次促销活动的历史促销活动消费数据和对应的客户详细资料，并按照是否购买车辆将结果标记分为正反两类，正类为客户参与相关促销活动后购买了的车辆，反类是没有购买。

第二步，确定训练样本数据的特征。

从客户的详细资料中，分析对购车行为可能有影响的客户属性，将这些属性确定为训练样本的特征，本例中的特征有：年龄、性别、有无车、年收入等属性字段。

第三步，确定选用的分类算法。

这里可以选择逻辑回归算法、决策树算法或是支持向量机等具体的算法。

第四步，完成模型训练工作。

训练完成的模型是一个二分类分类器，分类器输出的结果可以表示成概率形式，即有可能为正类的概率值。如输入某一客户数据，得到0.68的输出结果时，可以认为这个客户购买车辆的可能性有68%的概率。

第五步，找出最有可能转化的1000名潜在客户。

此时，可以将所有潜在客户信息输入分类器，将得到每一名潜在客户购买车辆的概率值。然后将概率值从大到小排列，选择前1000名潜在客户，就完成了本次任务的目标。

2. 回归算法

回归算法是一种有监督学习，学习目标与分类算法相同，也将学习到训练样本数据中多个特征值与标记值的对应规律。

使用训练好的回归模型，可以对已知数据的未知参数进行估算，在业务上可用于对特定参数进行预测。例如：预测电影票房、预测车流量、预测天气污染指数、预测产品销量等。

回归算法与分类算法有一定区别：

分类算法可以对数据的某个属性类别进行预判，这个类别是由有限个类型组成。

而回归可以对数据的某个参数值进行预测，这个参数值是连续型的数值，因此有无限可能性。

例如：分类算法可以确定如[甜、不甜]这样的有限分类，而回归算法可以推算出如天气温度25.325°C等这种连续型数值。

下面讲解一个应用回归算法预测电影票房的示例。

案例：

一家媒体机构希望对一部即将上映的电影进行票房预测。该媒体已经收集过众多电影详细资料与历史的票房数据，数据字段包括：电影名称、题材、内容、导演、演员、编辑、发行方、票房金额等等。

任务目标：收集相关信息并预测即将上映的电影票房数值。

应用回归算法：

第一步，整理历史数据并确定训练样本特征

。除了上文内容，还可以使用影评数据、舆情数据等当做特征，但这些特征值需要进行处理后才能投入使用。例如影评数据可以通过自然语言处理技术，将影评内容区分出不同类型，再去应用。

第二步，收集预测影片的相关信息

。根据确定的特征项，收集目标影片当前的信息。

第三步，确定选用的回归算法

。这里可以选择线性回归、支持向量机回归、相关向量机等具体的算法。

第四步，完成训练工作

。训练完成后，便可以使用模型计算出指定影片的票房预测数值。在本例中输出值可以是2830000，代表预测票房为283万元。

3. 聚类算法

聚类算法是一种无监督学习，可以挖掘到样本数据的特征值的潜在相关性，将具有类似特征值的数据进行分组。

因此，聚类算法可以被用作知识发现使用，也被称为探索性数据分析方法。

该算法常被用于市场研究、用户分组、用户画像等分析过程。

聚类算法与前两类算法不相同，训练模型时的样本数据中并不包含标记，所以就不能具备对特定属性进行预测的能力。

使用聚类算法时，可以划分为指定的分组数目，也可以不确定具体分组数目；

如果不确定分组数量时，算法会根据自身特性计算出最合适的分组数目。

划分好分组后，使用者可以分析分组中的数据，研究算法划分的具体原因。

下面讲解一个应用聚类算法进行市场研究的示例。

案例：

一家笔记本电脑制造公司，准备研发一款新型笔记本电脑。现在进行初期的市场研究工作，希望能够根据市场中笔记本产品的配置、价格及销售情况，指导新款笔记本的研发与市场定价。

任务目标：挖掘出市场中销售量较高的笔记本产品具有配置特点，并找出不同配置类型的定价情况。

应用聚类算法：

第一步，收集相关数据

。从各个电商平台收集相关笔记本电脑的配置信息，如：电脑型号、品牌、CPU性能、显卡性能、内存大小、硬盘大小、屏幕大小、重量、电池容量、定价等。并且筛选出销售量较高的产品。

第二步，确定聚类分析的特征项

。在聚类分析中，特征项的数目不是越多越好，对于没有明显差异的变量对聚类分析并没有实质的意义，并且可能会对结果造成干扰。因此，可以选择CPU性能、显卡性能、内存大小、硬盘大小等作为聚类分析的特征项。

第三步，确定选用的聚类算法

。这里可以选择K-means、层次聚类算法、SOM聚类算法等具体的算法。

第四步，完成训练工作

。当指定聚类算法分为N个分组时，会输出N个分组的情况。当不指定分组数据时，会输出算法认为合适的分组数量与分组情况。

第五步，分析各组数据的相似性特点，并为每类分组命名

。这一步需要使用者对每一个分组内的数据进行详细分析，找出其中分组内哪些特征值相类似，最终还要为每一个分组进行命名。本例中，需要分析每组笔记本相似的配置项，然后为每组数据分类命名，最终的命名结果可能为：配置高显卡高的分组命名为游戏本、配置一般显卡低的命名为商务本、配置高显卡一般的命名为家用本等等。

第五步，按照每种分组统计平均价格

。到此为止，就完成了对市场中销量较好的笔记本产品的研究，研究结果可以了解市场中畅销的笔记本产品的不同配置分组与平均价格。

三、小结

本篇为读者首先介绍了机器学习技术，从大量的数据中自行寻找潜在规律，并应用此规律来识别或预测新数据的技术。

第二，介绍了机器学习模型的训练过程：确定算法、准备数据、训练模型。

第三，介绍了机器学习面向业务使用中最重要的三个算法：分类算法、回归算法与聚类算法。

本文通过示例的方法帮助读者入门机器学习算法。但真实案例中肯定不会这么简单，通常情况下特征项都会超过10万个，还需要考虑样本数据对最终模型可能产生的影响等。

因此，读者首先要从示例中理解不同的算法能够解决什么样的问题，然后在深入学习机器学习相关的数据预处理、特征工程、算法调参、性能评估等知识。

产品经理需要深入学习相关技术知识么？

笔者认为：需要根据实际应用程度进行一定程度的深入学习，原因有以下三点：

不同类型的机器学习算法有不同应用场景与价值，如果不能对算法类型所解决的问题有所认知，那么在解决具体业务问题时的思路将受到限制；

同一算法类型下的不同算法，在面向不同数据时会有不同的性能效果，这里所说的性能效果可以简单理解为精确度，如果对算法没有了解，那么在实际项目中可能会影响研发周期；

不同机器学习算法对硬件计算能力、数据存储空间有不同要求，并且具体业务也会对算法的计算时间与精度有限制，如果没有相关了解，那么可能会影响研发成本。

目前机器学习技术应用范围非常广泛，最为典型的应用领域有数据分析、商品推荐、文章推荐等。

虽然机器学习也可以应用在图像识别与语音识别等领域，但是一直以来并没有得到很好的识别准确率。

这其中主要的原因就是：

机器学习算法的性能依赖于所提取的特征的准确度；

而深度学习尝试从数据中自行挖掘出有效的特征属性，并且已经在图像识别与语音识别领域取得了非常优异的成绩。

一、何为业务端产品？

实际上我们经常听到的产品莫过于两类，C端产品和B端产品，对于C端产品，大家很容易理解，就是to Consumer，面向广大的消费者/个人用户，比如微信、淘宝、美团，而对于B端产品，to business，字面上理解，是面向企业或商家，比如钉钉、阿里云、美团外卖商家端。

一般来说，公司内部的系统产品我们也会称之为B端产品，比如内部ERP、CRM、财务系统等。

但实际上对于很多以业务为导向的公司来说，像京东、人人车、顺丰等等此类公司，由于其业务链条过长，占比较重，一般也会把支持全业务流程及各业务线的产品叫做业务端产品。

二、业务端产品特点

对于业务产品来讲，其目的是为内部人员提供便捷良好的工具，提升业务运行效率，提高业务转化，最终达到提升人效、降低公司成本。

流程

对于任何一款业务产品来讲，契合业务运行的产品流程是根基，而流程的线上化是业务得以快速高效开展的保障。

在搭建产品流程时，一方面需要审视当前的业务流，另一方面需要考虑未来的业务走向，提前考虑到流程可能的延伸点。

另外，可采取主流程先行，次流程后进的方式，保障业务能提前及时落地。

效率

效率是业务产品的核心指标之一，比如销售的接单率、客服的电话量、编辑的审核时长等。

一方面，业务流程的线上化在整体上能提升业务运行效率，另一方面，在逐步精细化提效上往往会需要一些工具的支持，比如报表。

转化

对于涉及到销售环节的业务产品，比如crm，不断提升转化率是产品的终极目标，如何帮助销售更好的跟进线索、管理客户、推荐服务，是产品经理需要关注的关键。

转化环节往往会涉及到一系列策略，如线索分级、客户分配、跟进策略、推荐策略等，对数据的关注须更强烈。

体验

业务端产品同学经常听到开发同学的一句话就是：这个是给自己人用的，体验差点没关系，习惯了就好。

对于不那么严格的产品经理，往往也就妥协了。

产品体验分为两类：UI体验和操作体验。

一般来说，UI体验对业务效率的影响不大，反正是自己人用，丑点就丑点；但操作体验的影响却不可小觑——少一个筛选，少一条快链，对业务人员来说可能就增加了很大的操作成本。

成本

降低成本是业务产品的终极目标，不论是搭建线上化的流程，提高业务的运行效率，还是提升销售转化，其最终目的都是在降低业务成本。

业务产品经理经常会觉得自己做的是业务产品，不太会带来收入。

但公司的收入其实来源两端：外部开源、内部节流，而节流就是业务产品的核心所在。

产品经理对效率、转化等过程指标的关注可以转化成人力、线索的成本数据，从而与公司业绩挂钩。

三、业务产品架构设计

我们都知道，产品设计三件事：搭架子、定流程、抠细节。

其中，搭架子是整个产品工作过程中最先做也是最重要的工作，尤其是对于创业期从0-1起步的产品，产品设计者需要深入如理解业务的现状及未来发展方向，去理解用户不断变化的需求，去理解公司的整个战略布局，从而搭建一个基于现有业务体系并兼容未来业务不断扩张的产品生态体系。

思考

产品的出现是为了解决业务问题，其本质是为公司业务服务，因此，在搭建产品架构时，需要详细了解公司商业模式，当前及未来可预见时期内的运营模式，不同的商业模式对产品的需求也不同。

比如同样是电商，C2C与B2C相比，产品就需要增加考虑买卖角色、功能、数据等。

而基于公司的发展阶段，运营模式也会逐渐发生变化，比如初期业务流程可能简单，但随着人员、角色的增加，整个流程管控体系也会增强，产品流程也会日趋复杂化，这些都会涉及到后续产品流程的深化。

沟通

在确定公司商业模式后，需要与业务方沟通清楚业务的运行方式：

产品有哪些人在用，不同角色的层级关系、不同层级对应的权限关系；

我们的客户是哪些人，用什么方式注册，客户会有那些信息，会在我们产品上留下哪些数据，我们想获取用户哪些数据；

我们的使用场景在哪、业务流程是怎样的、是否会有多业务线···

设计

在真正搭建产品框架时，你需要将所获取的信息体系化，从角色、用户、流程、功能等各方面去描绘，前期更重要的是对主流程的考虑，细节方面可以先放下。

另一个重要的点是确立架构后需要与技术人员沟通，防止技术上出现可行性问题（至少保障初期可行）。

我记得当时进上家公司之前，业务刚起步，在简陋的会议室，CTO跟我详细的介绍公司的模式，愿景、业务现状，我们俩在白板上一遍又一遍的讨论产品流程、功能框架、时间周期等，实际上产品架构正是在这种基于现有及未来业务的预期上讨论规划出来的。

四、需求管理

1. 需求来源

业务需求

作为业务端产品经理，你会发现：自己一天的工作，不是在写邮件、写文档，就是在与业务方开会，或者去体验一线业务流程。

发现业务问题，来自于业务环节的需求占了业务端产品需求的很大一块来源，这也是业务端产品的主要日常工作——因为业务产品的价值就是为业务服务进而推进业务增长。

数据反馈

数据的重要性无需多说：产品经理一天的工作往往是从看报表开始，产品的价值只有通过数据才能反馈出来；而数据也能更好的支持产品经理去分析产品/业务的的各项表现，

发现并解决问题；因而，基于数据分析发现问题给出解决方案从而推动产品的优化也是需求的另一大来源。

问题导向

当产品的流程框架打磨完成之后，后续推动产品不断完善的着力点主要有两个：一是数据，二是用户反馈，用户产品在做用户反馈调研时，一般会采用两个方式：

收集在线用户反馈，如在线客服、问卷等；

产品可用性测试。

而对于业务产品，一方面要倾听一线业务人员的反馈，另一方面要主动去发现客户的抱怨，防止业务人员传达失真。

而基于业务人员及客户反馈产出的优化点，也是需求的一大来源。

2. 如何判断需求的真伪

考虑到业务产品经理经常会接到来自业务部门多方面的需求，因此对需求真伪的判断尤为重要，对于如何判断需求的真伪，很多人也总结了很多不同的方法，不过最常用的还是雷达法。

我们将对判断需求的不同价值维度列出，并对维度赋予不同的权重，再用这些维度对需求进行打分，再将不同维度的权重分加总，就可以得出需求的总价值分。

如下，需求价值总分=5*25%+3*20%+3*10%+2*15%+4*30%=3.65，而我们需要设置基础分，如高于3分意味着需求达到了需要考虑的程度，则该需求明显需要加入需求计划。

3. 如何判断优先级高低

对于优先级的判断，方法更是纷繁复杂，诸如KANO模型、矩阵分析法、经济收益法、核心用户优先···

我一般采取的方法就是矩阵分析法，对于经常面对一堆项目需求的业务产品经理来说，矩阵分析法清晰明了易用可靠：

五、与业务方的协作

我们是一个团队

面试过很多产品经理，整体来讲，业务端产品不如用户端产品积极、主动，甚至聪明程度上也稍差一些（不知道会不会有人想喷我）。

这其中主要有两个原因：

业务端产品经理缺少对数据的关注度

业务端产品经理总把自己当成一个需求的被动接收方

对于业务产品经理，大家会发现：一般是业务人员发现业务问题，向产品提需求，然后产品经理翻译成原型+需求文档，转给技术开发。

在这其中，业务产品经理实际上只起到了一个可有可无的传达者角色，并没有真正发挥自己的作用。

实际上，作为产品经理，我们与业务方本质上属于同一个团队，都是为整个业务的增长服务，只不过工作的侧重点不一样。

因此，我们应该积极主动的去接触一线业务，去发现业务运行过程中存在的问题，去思考产生这些问题的原因，去想办法如何帮助业务人员解决这些问题；而不应躲在业务人员背后，等待着业务同学来反馈问题。

我记得在上家公司时，我们跟着业务同学跑一下，和CC一起打电话，和评估师一同验车，和销售一起带看，晚上销售开会，我们陪到深夜，一起讨论业务中遇到的各种问题，一起沟通不同场景的用户反馈···

因为我们是一个团队，只有真正深入业务才能更好的给出产品解决方案。

一切为业绩服务

很多业务产品经理，对业务人员往往比较轻视，认为我们是在帮你干活，却不知一线业务人员才是公司价值的创造者。

对于以业务为导向的公司，一切产品、技术、财务、行政、法务···都是为了业务增长服务；对于产品经理来说，如何更好的发挥产品角色，为业务提供更好的产品，更完善的流程，更高效的操作工具，才是最应该考虑的问题。

所以，对于业务人员，产品经理应该主动学习，积极合作，共同为提升业务服务。

六、新业务的尝试

对于很多创业公司来讲，尤其是O2O行业，由于业务规模扩张的需要，经常会设立一些新项目，为未来的业务方向试水，而很多时候，这种尝试都会涉及到线上产品的支持。

那么，在面对新业务尝试时，产品经理应该怎么去协调产品在新项目中的定位呢？

要清楚认识项目的性质

一般在设立新项目时，项目负责人都会拉相关各方开会讨论项目的背景、定位、目标、时间点、涉及范围及具体流程等；这时，作为产品经理，你要能清楚的判断：该项目在公司/部门中的重要性，是否是核心业务，是否是未来业务方向，能给公司带来多大的价值，项目的紧迫程度等——因为只有了解了这些，你才能更好的判断在该项目上可以投入的成本有多大。

仔细评估新业务需要产品支持的成本及优先级

在详细了解项目具体范围及流程的基础上，产品经理需要能结合产品本身，做出判断，该项目可能会涉及的改动点，大概的改动成本及优先级。

优先级的判断是基于你对项目流程的了解，并结合当前产品流程综合判断的。

比如是否缺少某些功能项目就无法顺利往下走，或者会很大程度上影响项目的效果，则该功能的优先级就会更高点；而对于一些体验问题或者前期人工操作可以暂代的功能，则可以稍微延后一点。

兵马未动粮草先行

当产品支持因为工作量或者优先级短时间内无法保障时，可以先通过线下方式将业务跑起来，当产生一定效果后，再基于实际的流程经验予以线上化。

这样一方面不会打乱正常的产品排期，降低不必要的风险，更重要的是可以加快落地速度，并可以结合线下实操给出更有效的产品方案。

七、执行、执行、还是执行！

在面试产品时，我一般会从这几个维度来评价候选人：行业经验、个人特质（是否聪明、价值观是否契合）、执行力。

有一句话叫做，一流的创意加二流的执行不如二流的创意加一流的执行，执行力的强弱，在很大程度上能决定产品/项目的成败，对于产品经理尤其是业务端产品经理来说尤其如此。

业务产品本身的性质决定产品经理需要强执行力

业务产品由于面向的是公司内部各业务线，涉及到的角色与部门众多，这就要求产品经理能积极主动的去协调各方：既能游刃有余的沟通各方需求，梳理跨部门/角色的业务流程功能，又能在遇到问题时及时响应处理，灵活应对。

如果没有强大的执行力，产品经理是很难推进产品的正常进展。

用户产品的好坏看运营效果，业务产品的好坏看执行效果

对于用户产品来讲，其面向的是广大普通用户，产品的好坏可以直接基于用户运营数据分析出来。

对于业务产品来讲，由于其面对的是公司业务部门，产品只有在业务部门强力的配合执行中才能体现其真正的价值；

而如何推动产品的落地使用，是摆在产品经理们面前的一道大难题。

一般来说，业务人员在初期对系统往往会产生一种排斥心理，挑出各种使用不顺手的毛病。因此，产品经理需要强力且有技巧的去推动产品在一线业务的落地执行，并且深度参与，跟进执行效果，这样才能更好的了解产品的使用反馈，推进后续的优化迭代。

而从个人能力来看，不管做的是什么产品，也不论是否产品经理，对于任何角色，执行力都是一项必不可少的标准，一个再聪明的人，如果没有执行力，也只能纸上谈兵，毫无作为。

八、数据的重要性

对于我们大部分产品经理来说，上班的第一件事就是打开邮件，看各类数据报表，数据是反映产品真实状态的最好方式，对数据的敏感性是产品经理最基础的要求。

产品经理日常关注的数据主要包括两类：

业务的整体运行数据，比如注册数、DAU、订单数、销售额···，具体数据指标跟公司的实际业务有关

产品的各项运行数据，比如各环节的转化、新功能的数据表现等等

对于业务运行数据，一般与公司的核心业绩指标相关。

这类数据有助于产品经理了解整体业务进展，尤其是对于实行OKR导向的公司，核心业务数据一般都会对产品经理的产品决策与排期产生影响。

比如当你看到业绩数据落后于OKR时，你需要想办法调动资源去迎头追上，否则有可能完不成目标。

而对于产品的各项运行数据，则是产品经理重点监控对象。

对于如何对产品进行数据监控，则需要做好以下几步：

确定监控目标。如需要监控一个新上的外部引流渠道的数据表现

确定监控数据。如该渠道带来的PV、UV、注册、下单、销售额、APPU值等

确定每个数据的意义及正常范围

考虑异常监控

通过以上步骤，建立起对产品的数据监控体系，而对于报表的提取，一般来说很多成熟的公司都会有自己的报表工具，比如BDP、Tableau等，很多产品经理自己也会去跑一些简单的SQL，一方面能快速获取数据，另外也可以减轻开发的工作量。