理解用户，靠算法还是人性？

272 2023-07-12

最近，我问了好些朋友这样一个问题：

随着大厂的数据积累越来越多，对用户（特别是C）的理解已经开始更多的靠数据和算法，而不是靠人了，在这种情况下，产品决策流程中，产品经理原来“理解用户”的职能，是被技术取代了么？日常和用户接触（传统的访谈问卷什么的）的必要性降低了么？

对了，先解释一下，理解用户的方法从硬到软，也不是非黑即白，而是一个逐渐过渡的频谱，大约是这样：智能算法（会自我进化的算法）--> 人类写的固定算法 --> 人类总结的方法论（显性知识） --> 人类的直觉（隐性经验）

在Google总部多年的朋友这么说：

在成熟产品的决策上，以数据为主的决策在 G 和 Facebook 已经很多年了。在“了解用户”这个方面，产品经理的职能基本被完全稀释了。

70% 的职能转变成为了设计去了解用户的大规模实验，直接用数据来验证 PM 或者设计方面的假设（技巧，比如社交找一个小国家做实验、外卖找一个城市做实验）。

30% 的职能是被更专业的用研团队稀释了。我现在的团队产品经理和用研的配比几乎要达到 1：1，用研的手段从最传统的访谈、问卷，到 Visual Scientist（设计眼动实验），到大规模的用户数据分析，都有。产品经理的主要职责变成了了解这些方法，和用研团队协调优先级，争取用研资源。

在传统的用研方法上，问卷用的越来越少了，取而代之的是直接投放给用户的实验。但是访谈、日志观察这些还是并没有少，尤其是在产品大方向上的决策，以及可用性测试这两个用研场景上，目前来看价值依然存在。

G 和 FB 这两家面临的最主要的问题是，两家各自都有超过至少 5 个十亿量级的世界级产品，1-2个二十亿量级的产品，传统的访谈和问卷可靠性不够（我们会观察到用研推荐结论和实验数据相反的现象），全美随机抽样做 10 个用户访谈，别说代表二十亿用户了，就说是代表全美用户都很难。

决策层倾向于相信实验数据，对用研的要求也转向定量定性两手抓。（用研部门有时候会自己设置不需要工程团队介入的大规模定量实验，来提供置信度更高的建议）。

问卷的方法部分保留，但集中转向产品中 in-context （和产品有交互）的做法，会结合实验设置、用户实际行为数据、来综合解读问卷结果。

回答你最开始的问题，产品团队去理解用户的必要性没有降低（我觉得也永远不可能降低），只是手段和方法在过去七八年的这两家大公司里发生了比较大的变化，我觉得主要是由于产品体量和实验技术的成熟度造成的吧。

————

以上描述有相当的代表性，在和阿里系、字节等大厂朋友交流的过程中，也有类似观点。这个局面，让我联想起基金投资，一如几十年前，一帮程序员主导的量化基金杀进传统基金经理的地盘，然后，相信人还是相信算法，变成了一个选择。短期内，答案肯定是各有各的擅长领域。长期看，算法可以占据更大的领地（我是拿中美量化基金的市场份额作对比得出的推论）。

那么，作为行业里尚存的海量、古典、功能型产品经理，应该如何应对？下面说说我能想到的9个维度，通过这些思考，希望大家能找到出路。

一分有无数据：

要用数据和算法，首先得有数据，且是海量数据，于是，前提是要有海量用户、产生海量互动行为、最好还有海量互动对象（如短视频、商品……）。所以，初创/少数据公司启动的时候，古典产品经理理解用户的手工活还是必须的，这块做得好的也凤毛麟角，毫不夸张的说，大量公司只要把这块做好了，也能收益颇丰，而大厂的数据优势，会在竞争中进一步加剧马太效应。

二分变化快慢：

行业/领域变化慢时，意味着过往数据可预测未来，这时候算法更有优势；而顶尖的牛人，在识别变化、做出预测上我认为暂时好于算法，他们会把自己的洞察再输入给算法。一如技术面炒股的基本假设之一，就是可以通过过去的数据预测未来。当然，等到智能算法普及的那一天，也许人类也就彻底让位了。

三分领域新旧：

这一点是上两点的推论，新领域（通常数据少、变化快），牛人更有优势。换一个视角，也就是产品生命周期的不同阶段，产品的探索期，人为主数据辅助，稳定运营期就反过来，所以后期也就不需要高手参与了。

引用朋友话：对于比较大的业务判断或者相对创新的产品的话，在数据基础上，还需要业务一号位做商业判断，这里是要依赖对客户需求的洞察，同时这种判断不会只看短期数据变化（因为很有可能短期数据是变差的)。但如果是一些小功能点或者很成熟的产品功能的话，基本就是基于数据做优化了。

四分市场有效性：

市场有效，意味着各种信息充分显性化，少潜规则，这时候算法更有优势。再说投资，中国的股市相对欧美，市场有效性没那么高，于是，主动基金才有较大的发挥余地，而在欧美，只要买被动指数就行了。对于用户理解，算法很难知道采购经理是老板的小舅子（这个2B场景下面还会说）。

五分产品类型：

比如AI驱动的产品更看重数据算法，人来做策略和用户生态建设（典型如信息流类的App），相比而言，资源驱动、体验驱动……的产品，相对靠人；

又如供给中心化的产品，人更重要，这里的中心化考虑了供给方的分散度和供给品的SKU数量，如果是精品店，“买手”就更重要，如果是大市场，那就只能靠算法来匹配供需了（这背后还是数据量多少的差异）；

再如看2B2C，C端产品，靠数据变成了基本技能，用研变成工具人（朋友原话），而2B/G还是很是依赖用户理解。

其他维度对产品的分类，大家可以自行扩展分析。

六分主客观：

一位用研的朋友提到了“联动分析”的概念，因为数据偏客观，更知道用户在做什么，偏现象发现，这块越来越多的交给算法，而用研工作的价值越来越在主观，理解用户在想什么（PS：极度重视算法的字节跳动，也在找用研团队的负责人）。即算法会发现一些新的洞察，但可能无法解释，毕竟算法很难理解这个案例：算法发现用户爱看娱乐内容，推更多的娱乐内容，用户愉快接受，一段时间以后“良心发现”，觉得自己不能再这么堕落了，愤而卸载。

七分影响长短：

短期能看到结果、具体的决策，数据更擅长；反之，长期、结果无法具象的决策，牛人更擅长。比如有些社交产品里的决策，夹杂了大量对不同用户心智的理解，短期数据无法获得有效反馈，长期数据无法证明是哪个改动带来的变化，那就只好靠天降伟人了。算法更需要可量化的反馈闭环来快速进化，才能超过牛人，于是，关联推导出下两条。

八分决策轻重：

通常轻决策意味着用户选A还是B没那么重要，这时候对算法的宽容度更好，而算法成本是远低于人类的。用户在做重决策的时候，还是希望有个人类顾问的，至少，可以安心，出了问题可以有地儿说理。就像医疗领域，算法再强，最后还是要人类来签字。

九分高低频：

而轻决策通常会伴随着高频（当然也不一定，比如有人偶尔打车），高频会让算法在单位时间内有更多学习次数，从而更快进化，这一点上，几秒刷一下的抖音体现出了极大的优势。做投资的朋友说过一个观点，“量化一年抵十年，不用向主动基金那样穿越牛熊才能证明自己，因为换手率高很多”，有没有道理？大家自己判断吧。

————

以上九条，又可以每三条分为一组，概括一下：

1~3条是第一组，说的是，快速变化的早期领域；

4~6条是第二组，说的是，还没法数据化的产品；

7~9条是第三组，说的是，基于人性的重大判断。

说了这么多，希望大家能看到努力的方向，应该能感受到，算法对基层人类是很不友好的，但重要的人类依然重要，且重要的人类也要学会和算法共生。

在大厂里，新业务的起点是从数据中台看数据，多维度的数据有可能比用户自己还了解自己，但需要更强大的中台产品支持人类低成本的“做实验、验证想法”。不同产品的起点不一样，数据洞察，用户洞察都是手段，最后还是落到价值发现和满足。

回到做产品的人，这两年提的AI/策略/中台/数据产品经理，其实都是在各种维度超越对古典功能产品经理的理解。不管怎么样，目标和策略还是人定的，如果淘宝的目标是吃鱼（成交），拼多多的目标是养鱼，那给你推荐的商品肯定不同。