變局之下,產品創新的道與術
2023年9月9—10日,人人都是產品經理聯合騰訊大講堂舉辦的【2023產品經理大會·北京站】完美落幕。雪球前高級產品總監、去哪兒前用戶體驗總監黃喆老師為我們帶來《變局之下,產品創新的道與術》為題的分享,本文為演講內容實錄。目前大會回放已上架,戳此購買,即可收看回放:https://996.pm/7gX2B
今天從三個維度切入分享:
- 技術變革對產品形態的影響
- 產品數字化/智能化轉變
- 變局下的產品規劃到落地
最后會隱去敏感數據和部分信息,和大家分享在雪球做的一個創新業務案例,與其中的具體邏輯。
一、技術變革對產品形態的影響
技術已經成為顯著的生產力之一,驅動著許多行業、產品和服務的變化。而關于技術的本質,我們可以這么理解,技術其實是借助了能力,幫助我們更有效地轉化能量,從而滿足需求。
在當前AI 2.0時代、數字化時代的節點上,大家可能都對這點有所感觸。今天,我們身邊充斥著各式各樣的信息,這類信息可以形成線上化、數字化的能量轉化,其中需要講究效率。很多時候,我們為B端企業賦能,所帶去的結果就是企業的降本增效,而降本增效,更多在討論的,就是效率問題。
再說需求滿足。大家對馬斯洛需求層次理論都很熟悉,其最底層為“生存”,“生存”意味著一個生命體需要延續生命。同理,B端企業也需要活下去,在市場環境發生變化的情況下,企業提出的產品要求不再單純地追求活躍、留存;現在,企業更在意的是利潤,因為利潤才能決定企業的存亡。
所以當下,技術成為了根本話題之一,它驅動著我們更好地借助能力轉化能量,從而滿足各式需求。
當前,技術已經成為了新的生產力,而這背后伴隨著人類的社會化進程。從早期農業化時代借助太陽能、順應自然環境、維持個體生存;到工業化時代借助化學能、改造環境、形成群體規模;再到數字化時代,數據信息演變為一種能量,這個時候,我們更講求創新、創造新空間,比如元宇宙、虛擬現實等概念的出現。
不同發展階段可能會有起伏波動,雖然這帶來了各種各樣的變化,但背后的本質依舊與技術這一根本話題脫不開關系。其一,即追求能量效率的提升,其二,各種技術、材料的借助有效地拓展了我們的能力邊界,助推了存續目標的實現。像當下這個階段,通過借用AI、物聯網等技術,數據得以成為一種生產資料,進而驅動了創新和社會發展。
如果再將AI進行細分,可以將其分為兩種:
- 決策AI:幫助分析
- 生產AI:幫助創造。
再來談數字化。數字化可以大致分為三個階段:IT信息階段、DT數據階段與AI智能階段。不同企業、行業、階段,其數字化節奏可能會產生差異,數字化發展路徑也會有所不同。比如教育、金融領域的數字化步伐可能會更快,而一些生產型的企業則可能還在IT或DT階段。
這背后與技術變化息息相關,從CPU到GPU,再加上云計算、移動互聯網等基礎能力建設,從1960開始,數據量便基于新技術推動呈量級的增長,這驅動了我們借助數字化、智能化去發現更多新機會。
下圖展示了一個技術成熟度曲線,它劃分出了五大階段,從技術萌芽期、期望膨脹期,到破滅低谷期,隨后步入穩步恢復期和高效成熟期。比如今天所推崇的AI 2.0,就已經在市場的助推下到達了期望膨脹期,隨著后續找到更多的落地機會與可能性,它便會回歸理性與冷靜。等AI 2.0熬過了破滅低谷后,它才會更具有普及性,才能找到更多應用可能性,產生更好的商業機會和商業回報。
大多數技術都會經歷這樣的一個過程,比如先前的AI 1.0、云計算、深度學習等,都逐漸經歷了破滅低谷期,進而更加普遍地應用于各行各業,產生更好的結果。
生成式AI對不同行業的不同環節的影響不同,麥肯錫就進行了分析,比如教育行業的供應鏈管理環節,可以借助數字化、人工智能技術實現更好的落地,銀行業、金融業則可以在客戶管理、產品研發、軟件應用等領域或環節借助人工智能手段做出更有效的落地。
所以可以看到,AI、數字化是相對泛化的一個話題,而其落地的過程中存在著許多機會,產品經理便需要思考可以在哪些環節、行業做好落地。多了解這方面的信息,有助于產品經理未來的規劃、判斷與產品設計。
AI系統、大語言模型也推動著C端用戶和B端企業更高效率的數字化。比如下圖所拆分的技術結構,最底層面向終端用戶及客戶,上面則為基礎技術能力。而現在,中間增加了一個“模型層”。原先,基礎的技術能力可以形成各式應用面向用戶,而現在模型層的添加則帶來了一些變化,它驅動著C端用戶和B端企業數字化的更好落地。
生成式人工智能則將引領一個潛在的新周期,現在,許多產品都值得用人工智能技術再重做一遍。
紅杉資本也做了預測,預測說到,到2030年,文本、代碼、圖像、視頻、3D、游戲等都可以通過AIGC生成。
技術變革對產品形態也帶來了影響。像現在所提及的AI 2.0、數字化,很大程度上依賴于底層芯片、底層算力等基礎能力,如果沒有底層算力或芯片支持,很多時候,我們的場景或應用可能會很難落地。
虛擬人這一概念背后也融入了AI與數字化技術能力,這一概念目前主要落地在營銷、客服、教育等場景。像智能客服,許多用戶可能無法分辨對面的客服是真人還是虛擬人。在客服領域,AI的應用落地效率還是較快的。
前段時間,不少大模型獲得了通用牌照,這背后衍生出了許多機會,比如擁有相關技術儲備的企業可以提供智能解決方案,團隊或公司便可以在智能解決方案框架內產生商業機會和產品服務。其中,許多小型企業可能會擁有更多新的可能性。
二、產品數字化/智能化轉變
產品數字化和智能化的轉變過程主要在于模型和場景的落地。比如現在最頭部的AI——OpenAI / Character.AI,既是模型又是產品應用。這一現象背后和技術的發展歷程息息相關,現在,AI還處于早期的技術創新期,沒有完善的產品形式,所以產品大多是“直給”至用戶。比如微軟的Copilot是一個輸入窗口,大模型直接觸達到了用戶。
這其中隱藏著一定機會,因為技術或模型訓練到一定程度之后,會驅動產品進行深化,形成更多交互過程,從而使得用戶更好地進行操作和交互。
在數字化、智能化的發展階段中,又出現了Maas(Model as a service)這一技術結構,這便是我們現在所說的大模型。
大模型的本質是什么?是通過超大規模的能力處理非結構化的數據和信息。這其實也為大模型是否適用于自身場景提出了前提;首先,我們需要思考自身是否有超大規模數據;其二,信息是否是復雜的、非結構化的。如果沒有這兩個前提,盲目應用Mass層可能會浪費大量算力。所以Mass的應用需要結合具體行業、具體場景而定。
產品底層技術結構也會發生變化。最早,許多產品雖然也會應用AI技術,但AI技術棧架構相對簡單,即應用層、操作系統層、芯片層。隨著AI技術的變化與發展,現階段的AI技術棧還增加了模型層。而到了未來的AI技術發展階段,分層會更加細化,比如增加中間層、算法層等,我們可以通過算法來調用更多模型,實現更好的應用場景落地。
部分產品經理可能會認為這部分職責應由技術團隊承擔,但在未來,許多技術可能會被替代,技術與產品之間的工作邊界也可能會變得更模糊。用戶和客戶本身并不關心企業內的分工協作,所以如果產品經理可以有相應的儲備和積累,并積極運用技術,那么產品經理在交付、設計和規劃上,可能會得到更好的結果。
而在未來,我們需要考慮四個方面的儲備和積累,分別是數據、算力、模型與場景。其中,有兩方面是產品經理團隊可以重點關注的。
一個是數據,雖然在未來,許多數據可能是非結構化的,但我們可以從中尋找規律,從而更好地把握。比如在智能化營銷中,客戶畫像是什么樣的?不同行業、不同品類的客戶畫像標簽、維度又該如何設計?這些問題,其實與數據直接相關。
另一個是場景,場景是產品經理工作中天然需要面對的一個“對象”,只有找場景,才能找到機會,找到落地的可能性。
舉個例子,Notion是一款個人筆記軟件,它在接入了ChaGPT的模型能力后,產品實現了引爆,并實現了一個月1000萬美元ARR收入。而這個增量背后的原因,其實就是產品團隊找到了更好的應用場景、更好的數據,使得模型可以更好地應用,進而驅動產品找到了好的商業機會和商業回報。所以,產品經理們還是要重點關注數據和場景,進而找到產品或業務上的新的可能性。
AI在產品落地中,除了思考怎么用模型之外,還需要考慮應用場景。像一些跑得比較快的產品或業務,便結合了大模型,在算力消耗的基礎上訓練模型質量。而小公司可以考慮借力,找到好的機會場景,做面向于垂直行業和專業領域的小模型。像營銷、金融、游戲等行業,便已經有企業著手布局了。
有分析公司也調研了不同行業對AIGC的接受度,與AIGC在行業中的可變革程度,如下圖。
AIGC在不同行業中的賦能情況也有一定差異,如下圖便介紹了哪些行業、哪些領域與哪些應用場景是值得借助人工智能技術做好落地的。
除了發現技術的變化和不同,產品經理還需要尋找相對確定性的東西。
現在做產品,我們需要建立完整的鏈路,一端面向用戶和客戶,一端面向企業,用戶和客戶端追求體驗,企業端則追求利潤。這個過程中,我們要通過產品包含方方面面,需要挖掘用戶或客戶需求,為其創造價值。這時,就可以借助人工智能技術創造個性化價值了,比如人工智能可以更有效地分析用戶是誰,隨后借助數據能力進行分解,并形成對應性、匹配度更高、個性化更強的價值給到用戶。
這個過程中,我們還要創造增量價值,這樣,產品才能有更強的競爭力。比如企業端,我們可以選擇做機會成本更高的事情,同時還要思考能否降成本,擴大規模,進而降低邊際成本。
同樣的,我們可以借助數據。數據是天然的規模效應的基礎,當生產資料堆積得越多,所萌發的機會、預期回報就會越多。我們可以結合數據去產生產品價格。這里會涉及到產品定價的問題,比如用什么樣的商業模式進行收費計費。
這些鏈路中的關鍵名詞,是產品經理需要囊括考慮的,某些環節里,我們可以借助數字化和智能化技術,更好地跑動閉環。
在今天,我們借助數字化或智能化技術,主要幫助客戶或用戶解決三方面問題:增效、降本和促新。
很多企業可能會將降本和增效放到一起,但其實這是兩個不同的場景。對企業,我們更多講求的是降本,而對人員,我們則講求增效,這是不同的路徑。不一樣的路徑可能有不一樣的結果實現過程,這就要求產品進行提前思考。
數字化也有許多細分層面,包括工具數字化、分析數字化和流程數字化。
從時間跨度上來看,企業的不同發展階段中,數字化需求也有所不同。
比如在擴張期,企業的數字化需求以降本和增強靈活性為主,同時還需考量決策的科學性,這個時候,企業需要應用輔助決策的人工智能技術或應用。而在轉型期,企業則需要深度洞察市場并挖掘商機,需要賦能新產品與新業務,可能會考慮引入新工具,支持新業務的拓展。不同垂直行業領域的情況可能不太一樣,大家可以再進行研究。
今年上半年,生成式AI的創業項目也走向了許多細分方向,比如生產力工具、AI助手等。而大量項目都集中于應用層,因為這一層的落地機會可能性更多。大家也可以關注這方面的發展,并和其他團隊交流碰撞。
下圖展示了生成式AI的應用路線圖,大家可以關注不同層次的生成式AI具體可以在哪些方面進行落地。
三、變局下的產品規劃到落地
最后和大家分享一個創新項目實例。
在當時,我們查看了大量人工智能產業鏈圖譜,也在尋找應用機會,過程中看到,大量應用更多還是由企業自己搭建、并面向企業內部的,比如部分金融類應用。
而不少上市公司都有比較強烈的一個訴求,即投資者關系管理,于是我們從幾個角度對投資者關系管理系統進行了規劃。
首先,選賽道;在雪球這類投資者社區中,會產生大量的非結構化信息與數據,而這些信息十分受到上市公司一側的關注。在確定方向之后,我們還通過判斷公司實力、市場實力、產品實力和執行能力來展開規劃。從產品的角度來看,過程中有幾個重點指標需要關注,比如魚塘比、PMF、投資回報率等。
而大致的規劃可以從看市場、看自己、選賽道、謀策略、定行動這五個部分進行展開。
在“看市場”的時候,我們已經開始借助數字化、人工智能等技術進行籌備。比如我們看到了上市公司注冊制等行業政策背后的市場機會,進而進行分析判斷,看哪些領域的增長可能性更高,哪些市場或行業會在投資者關系管理工具使用上、在客戶關系維護上有更強的訴求。
比如飲料制造、景點旅游、電子制造等行業的增速便相對可觀。同時上市企業、利潤、市值等情況的細分,也可以幫助我們圈定客戶群體。
客戶需求亦可幫助我們進行規劃。需求大致可分為兩類,一類為通過數字化、技術化幫助公司內部實現提效,一類為自身的直接需求。我們可以從這兩類中找到最核心的需求點,從而考慮如何幫助客戶解決真實的需求與問題。
行業內的競爭關系也同樣需要關注,這有助于我們進一步細分產品的未來切入點。需求場景可以大致分為幾類:效果需求、治理需求、影響力需求和監管需求。
當時我們也形成了一些產品規劃與計劃想法,比如市場規模預估、目標客戶/潛在客戶分析等。最終在國內市場,我們圈定出了1500多家目標客戶,同時對這部分客戶進行預測,比如重點客戶有多少、潛力客戶有多少。這個客戶規模其實并不算大,所以如果想保證利潤,就需要做高客單價。同時如果產品想實現可持續發展,我們還需讓客戶持續付費。最終,我們測算出客單價的區域為50萬到100萬之間。
以上,就是一個相對完整的規劃和分析過程,一端連接客戶,一端連接企業。再進一步,即結合規模、利潤、市場增速等選擇細分賽道,之后定位產品的目標客戶、價值主張、差異化所在、產品邊界等。最后則思考如何實現和落地。
過程中雖然更多是從產品角度出發,但在具體的實施過程中,我們也用到了許多技術手段,幫助我們更好地匹配和滿足客戶需求。
最終,我們形成了更具體的可落地的內容。比如將需求分為兩類,一類為資本需求、一類為影響力需求,這兩種需求背后隱藏著兩種不同的價值,所面向的細分客戶群體也有所不同;比如搭建商業模型,包括偶發性收入、ARR收入等;比如續約率,通過服務改善減少客戶流失。
同時,我們也細分了場景,如高需、高頻場景,這些場景可能就是產品的工作重點與落地區域。后續,我們形成了面向客戶或研發團隊的整體規劃。
這個過程其實用到了許多人工智能的相關技術,比如利用人工智能解構社區內的投資者評論、上市公司評價等信息,將其抽象為客戶所能理解的內容。最終形成的產品功能結構圖中,底層也借助了算法、模型等人工智能技術用于支撐。
以上就是案例分享。最后送給大家一句話:
變局之下,在不確定中尋找確定。
大會直播回放
目前大會回放已上架,戳此購買,即可收看回放:https://996.pm/7gX2B
本文為【2023年產品經理大會(北京站)】 現場分享整理內容,由人人都是產品經理運營@Norah 整理發布。未經許可,禁止轉載,謝謝合作。
題圖來自大會現場
該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。
- 目前還沒評論,等你發揮!