隨著計算機計算能力的爆發式增長，人們利用計算機的方式不斷變革，而我們正走在變革的路口。一方面是大公司更多的資源投入到機器學習的領域，從而顛覆原有的決策和運營模式，另一方面，隨著實用性開源代碼越來越豐富，隨著云平臺的不斷發展，小公司接入機器學習的方法的成本也越來越低。而這樣的背景下，產品經理未來的價值在哪里？

1. 變革：人使用計算機的方式

隨著計算機能力的爆發式增長，人們利用計算機的方式不斷變革。想象一個情形，決策擁有大量數據的結果，需要根據數據輸出一個高效的決策，我們該怎么做？

• 篩選歷史數據：篩選數據中有用的部分；
• 分析歷史數據：根據歷史數據計算出某種規則；
• 分析當前數據：根據當前數據和某種規則分析當前數據；
• 做出當前決策：根據當前數據分析結果，做出最終決策。

最初，人們通過讓計算機在明確的數據下，明確的規則下計算結果，而人們根據這個結果做出決策。在這個過程中，清洗歷史數據的人，分析歷史數據的是人，分析當前數據的是人，做出決策的也是人。這個階段，系統只承擔計算的部分。不理解人的全部決策過程。

后來，人們發明了基于規則式策略去解決實際中遇到的問題。根據大量的數據分析，人們發現可以根據歷史數據形成規則并讓系統自動決策。比如一個系統實現了這樣一個功能，a數據下，執行A策略，b數據下執行B策略。在這個過程中，清洗歷史數據的是人，分析歷史數據的是人，分析當前數據的是計算機，做出當前決策的也是計算機。人理解全部決策過程，計算機只理解具體的指令。

在機器學習時代，規則變得不在重要，重要的是數據表現的統計意義的特征。計算機接受全部數據，根據數據和歷史結果的相關性，自動分析數據之間的聯系，并分析決策方法，并根據決策方法，自動做出決策。這種情況下，人完全不理解計算機的決策過程，當然，對于計算機而言，也不理解模型的過程數據。

2. 真相：機器自動決策的缺陷

那么計算機真的在自動決策嗎？答案其實不是。計算機在整個過程中基本都是基于統計意義的方法進行分析和決策。本質上高度依賴于整個機器學習過程中系統設定的目標。

舉個例子：商品的個性化推薦系統

當你的目標是目標銷售量的時候，模型會根據歷史銷售數據推薦推薦給每個人一個商品列表，這個列表是基于歷史的商品銷售數據，和用戶的行為數據，估計出最有可能被推薦的數據。最好的算法，可以基于歷史銷售數據，給出理論上最好的銷售量預測。但是這只是統計意義的最優。在這個過程看似是計算機自動完成，但是我們還是賦予了計算機一些內容：

• 目標值：當天銷售量
• 數據范圍：歷史銷售數據，用戶行為數據

但問題依然存在：對于一個電商而言，最核心的指標，真的是短期的銷售量嗎？

算法的單目標最優，往往以為著對完全不考慮其他目標，有很大的風險犧牲長期利益。這個很好理解，當經濟發展的目標變為單一GDP的時候，國民健康、環境破壞等等就不被考慮的。當算法的目標是銷售量的時候，用戶的驚喜度，內容的重復度，對用戶的調性，這些都是不在目標范圍內的。

有很多信息，系統無法接收有什么影響？

一個服裝電商，你知道今年的外部的流行款是什么，但是對于個性化推薦系不知道。你知道今天某個人氣明星走紅毯的時候穿了什么，但是個性化推薦系統不知道。而很多時候，這些信息往往是關鍵信息。但系統卻無法知道。歷史信息不一定能預測未來需求。

3. 未來：作為人的產品經理的價值

看似計算機已經做了全部的數據分析和計算，那么對于人而言，我們的價值在哪里呢？

在思考這個問題之前，我想到了一句話：“產品經理是的產品的CEO”。那么CEO同樣不會做數據分析和決策，CEO應該做什么？除了管理之外，很重要的一個事情就是把握方向。

不會為了眼前的數據，榨干未來的潛力，根據市場的信息，即時調整發展重點。

產品經理需要更懂業務，更懂數據，更懂用戶。

能夠給出系統一個準確的目標。這個目標一定是個復合指標，不僅僅關心核心的KPI，更要關心是否因為核心的KPI而影響了未來的發展。

把控系統的發展方向。無論系統如何發展，總有些數據無法納入到系統自身中來，這就需要一個懂得系統邏輯的人，去調整系統的發展。比如一些爆款新品的加權，比如一些影響用戶情緒商品的過濾，比如挖掘更多的數據維度加入系統。

毫無疑問，掛著產品經理頭銜的人在未來會有減少的趨勢，但另一方面，剩下的人要做的事情也更加復雜和重要。

作者：潘一鳴，知乎專欄：產品邏輯之美

本文由 @潘一鳴 原創發布于人人都是產品經理。未經許可，禁止轉載。