很多產(chǎn)品經(jīng)理把精力放在功能交互、算法選型上，卻忽視了一個更底層的問題：你的產(chǎn)品設(shè)計，能不能產(chǎn)生"有價值的數(shù)據(jù)"？這才是AI產(chǎn)品真正的護(hù)城河。

———— / BEGIN / ————

兩款相似的AI產(chǎn)品，三年后命運(yùn)截然不同

2020年，國內(nèi)幾乎同時出現(xiàn)了兩款A(yù)I智能簡歷助手，我姑且稱它們?yōu)锳產(chǎn)品和B產(chǎn)品。

兩款產(chǎn)品起點(diǎn)相似：都是幫求職者優(yōu)化簡歷、匹配崗位的AI工具，初期用戶體量差不多，融資規(guī)模也旗鼓相當(dāng)，背后的算法團(tuán)隊實(shí)力相當(dāng)。

三年后，A產(chǎn)品成為行業(yè)頭部，月活破百萬，還孵化出了招聘SaaS業(yè)務(wù)。B產(chǎn)品則悄悄關(guān)閉了，幾乎沒有激起任何水花。

是A產(chǎn)品的算法更好嗎？不是，初期兩者都用的是同類開源模型。

是A產(chǎn)品更會做市場推廣嗎？也不是，B產(chǎn)品一度比A產(chǎn)品更激進(jìn)。

核心差異，出在產(chǎn)品設(shè)計的一個決策上。

A產(chǎn)品在設(shè)計之初就想清楚了一件事：簡歷優(yōu)化工具最有價值的數(shù)據(jù)，不是”用戶投了多少份簡歷”，而是”哪些簡歷修改行為，對應(yīng)了后續(xù)的面試邀請”。于是他們把產(chǎn)品設(shè)計成了一個閉環(huán)：用戶投遞簡歷→跟蹤后續(xù)面試結(jié)果→記錄哪些修改帶來了正向反饋→反哺推薦模型。

B產(chǎn)品呢？他們的數(shù)據(jù)埋點(diǎn)邏輯是傳統(tǒng)的：”用戶打開次數(shù)、使用時長、功能點(diǎn)擊率?！边@些數(shù)據(jù)能幫他們優(yōu)化交互，但無法幫模型變得更聰明。

A產(chǎn)品積累的是有因果關(guān)系的訓(xùn)練數(shù)據(jù)，B產(chǎn)品積累的是沒有閉環(huán)的行為日志。三年時間，這個差距被無限放大。

這個案例讓我意識到：AI產(chǎn)品的競爭，在產(chǎn)品設(shè)計階段就已經(jīng)決定了勝負(fù)。 那個決定勝負(fù)的關(guān)鍵變量，叫做——數(shù)據(jù)設(shè)計。

什么是”數(shù)據(jù)設(shè)計”？大多數(shù)PM從沒認(rèn)真想過這個問題

“數(shù)據(jù)設(shè)計”不是數(shù)據(jù)分析，不是埋點(diǎn)方案，也不是BI報表。

它是指：在產(chǎn)品功能設(shè)計階段，有意識地規(guī)劃這個功能將產(chǎn)生什么數(shù)據(jù)、這些數(shù)據(jù)有沒有訓(xùn)練價值、數(shù)據(jù)能不能形成壁壘。

打個比方。你是一名廚師，要做一道菜。數(shù)據(jù)分析是”分析這道菜好不好吃”；數(shù)據(jù)埋點(diǎn)是”在廚房里安裝攝像頭”；而數(shù)據(jù)設(shè)計，是”在建廚房之前，就規(guī)劃好食材從哪里來、怎么儲存、怎么加工”。

大多數(shù)PM會做前兩件事，但很少認(rèn)真做第三件。

數(shù)據(jù)設(shè)計有三個核心層次，PM必須都想清楚：

第一層：數(shù)據(jù)從哪里來（數(shù)據(jù)入口設(shè)計） 你的產(chǎn)品功能是否會產(chǎn)生有意義的用戶行為信號？用戶的哪些操作，能反映他們真實(shí)的需求和判斷？

第二層：數(shù)據(jù)長什么樣（數(shù)據(jù)結(jié)構(gòu)設(shè)計） 采集到的原始數(shù)據(jù)，是否具備可訓(xùn)練性？它是有標(biāo)簽的還是無標(biāo)簽的？是稀疏的還是稠密的？

第三層：數(shù)據(jù)能去哪里（數(shù)據(jù)流向設(shè)計） 這些數(shù)據(jù)最終能不能流回模型、形成反饋？還是采集了就躺在數(shù)據(jù)庫里睡大覺？

三層都想清楚，才叫完整的數(shù)據(jù)設(shè)計。只做其中一層，是大多數(shù)PM的現(xiàn)狀。

三個改變產(chǎn)品命運(yùn)的數(shù)據(jù)設(shè)計決策

數(shù)據(jù)設(shè)計不是抽象的理念，它落地在產(chǎn)品經(jīng)理每天都要做的功能決策上。以下三個決策點(diǎn)，決定了你的AI產(chǎn)品數(shù)據(jù)壁壘的高度。

決策一：你的產(chǎn)品”問用戶”，還是”讓用戶做”？

這是數(shù)據(jù)設(shè)計最根本的分叉點(diǎn)。

“問用戶”是指：通過調(diào)研問卷、評分彈窗、滿意度打分來獲取數(shù)據(jù)。這類數(shù)據(jù)看起來很直接，但有兩個致命缺陷：第一，用戶的表達(dá)和用戶的真實(shí)行為往往是兩回事；第二，這類數(shù)據(jù)量太少，很難驅(qū)動模型迭代。

“讓用戶做”是指：把數(shù)據(jù)采集內(nèi)嵌在用戶的自然操作流程中，用戶的每一次使用行為本身就是數(shù)據(jù)。

以AI代碼助手為例。GitHub Copilot的數(shù)據(jù)設(shè)計有一個極其聰明的地方：他們不只看”用戶點(diǎn)了接受”，還會追蹤”用戶接受了AI建議之后，在接下來5分鐘內(nèi)有沒有修改它”。如果用戶接受之后馬上修改，說明這條建議質(zhì)量不高；如果用戶接受之后直接提交，說明質(zhì)量很好。這個行為序列給了模型非常精準(zhǔn)的質(zhì)量信號，而整個過程中用戶什么都不需要額外做。

這就是“讓用戶做”的精髓：數(shù)據(jù)采集藏在用戶價值里，用戶毫無感知，但每一次操作都是高質(zhì)量標(biāo)注。

決策二：你設(shè)計的是”單次反饋”，還是”序列反饋”？

很多PM在設(shè)計數(shù)據(jù)采集邏輯時，只考慮”單次”：這次交互好不好，用戶滿意不滿意。

但AI模型真正需要的，是序列信號——用戶行為的前后文關(guān)系。

舉個例子：某AI客服產(chǎn)品，只采集”用戶是否點(diǎn)擊了滿意”。這是單次反饋。

但是，一個更聰明的設(shè)計是采集這樣的序列：用戶問了問題→AI給了答案→用戶追問了（說明沒答好）→AI給了第二個答案→用戶結(jié)束對話（說明這次答好了）→整個對話鏈構(gòu)成一條訓(xùn)練樣本。

前者只知道”結(jié)果”，后者同時知道”哪一步出了問題”。對模型訓(xùn)練來說，后者的價值是前者的數(shù)十倍。

Netflix的推薦系統(tǒng)是這方面的經(jīng)典案例。他們發(fā)現(xiàn)”用戶評分”這個信號其實(shí)很臟——用戶給的評分反映的是”用戶認(rèn)為應(yīng)該喜歡”，而不是”用戶真正喜歡”。所以Netflix更依賴”用戶的觀看行為序列”：看到哪里暫停了、第二天又繼續(xù)看了、看到一半關(guān)掉了——這些序列信號，比評分準(zhǔn)確得多。

單次反饋給你一個點(diǎn)，序列反饋給你一條路。想清楚你需要的是點(diǎn)還是路，決定了你能訓(xùn)練出什么樣的模型。

決策三：你的數(shù)據(jù)是”可積累的”，還是”用完即棄的”？

這個決策決定了你的產(chǎn)品有沒有時間維度的競爭優(yōu)勢。

可積累的數(shù)據(jù)，是指隨著時間推移，數(shù)據(jù)價值會持續(xù)增長的數(shù)據(jù)。典型例子：用戶的歷史行為畫像、專業(yè)領(lǐng)域的標(biāo)注語料、用戶與產(chǎn)品的長期交互記錄。這類數(shù)據(jù)有”飛輪效應(yīng)”——積累越多，模型越好，產(chǎn)品越好用，用戶越多，數(shù)據(jù)積累越快。

用完即棄的數(shù)據(jù)，是指采集完成后就失去價值的數(shù)據(jù)。典型例子：實(shí)時流量數(shù)據(jù)、單次會話日志（沒有串聯(lián)）、沒有標(biāo)簽的原始點(diǎn)擊流。這類數(shù)據(jù)可以用來做運(yùn)營監(jiān)控，但無法構(gòu)筑數(shù)據(jù)壁壘。

某醫(yī)療AI公司是反面案例。他們花了大量資源采集了數(shù)百萬條患者問診對話，但因為沒有設(shè)計標(biāo)注體系，這些數(shù)據(jù)全是無標(biāo)簽的文本，幾乎無法用于模型精調(diào)。數(shù)百萬條數(shù)據(jù)，價值幾乎為零。后來他們花了比采集更多的成本回頭補(bǔ)標(biāo)注，白白浪費(fèi)了兩年時間。

采集之前先想清楚：這條數(shù)據(jù)，三年后還有價值嗎？如果答案是“不確定”，那它大概率是用完即棄的。

當(dāng)數(shù)據(jù)設(shè)計出錯：三個代價慘重的真實(shí)案例

光說正面做法不夠，再來看看數(shù)據(jù)設(shè)計失誤會有多大代價。

案例一：某智能寫作工具

因為“問錯了問題”白白浪費(fèi)18個月

這個產(chǎn)品上線后，設(shè)計了一套”用戶評分體系”：每次AI生成內(nèi)容后，彈出1-5星評分。他們用這個評分?jǐn)?shù)據(jù)訓(xùn)練模型整整18個月，但產(chǎn)品質(zhì)量幾乎沒有提升。

原因很簡單：用戶給AI打分，打的是”這段內(nèi)容和我期待的有多接近”，但因為用戶自己也描述不清楚期待，評分高度隨機(jī)。更糟糕的是，評分彈窗影響了用戶體驗，大量用戶開始跳過，導(dǎo)致數(shù)據(jù)本身也有嚴(yán)重的選擇性偏差——只有對結(jié)果特別滿意或特別不滿意的人才打分。

他們問錯了問題，采集到的是噪音，而不是信號。

后來他們改變策略，轉(zhuǎn)而追蹤”用戶對生成內(nèi)容的具體修改行為”，三個月后模型質(zhì)量開始顯著提升。

案例二：某AI教育平臺

把“完課率”當(dāng)成核心數(shù)據(jù)，越優(yōu)化越糟糕

這個平臺用AI推薦學(xué)習(xí)路徑，核心優(yōu)化目標(biāo)是”完課率”（用戶完成課程的比例）。聽起來很合理，但問題出現(xiàn)了：模型為了優(yōu)化完課率，開始推薦最簡單的課程——因為簡單的課完成率高。結(jié)果是，用戶確實(shí)都完課了，但完的都是沒什么挑戰(zhàn)性的內(nèi)容，學(xué)習(xí)效果極差，用戶很快流失。

他們采集了正確的數(shù)據(jù)，但優(yōu)化了錯誤的目標(biāo)。 數(shù)據(jù)設(shè)計不只是設(shè)計”采集什么”，還要設(shè)計”優(yōu)化什么”——這兩個問題必須同時想清楚。

案例三：某AI助手產(chǎn)品

數(shù)據(jù)被競爭對手“白嫖”

這個案例很特殊，但發(fā)人深省。某AI助手因為產(chǎn)品開放，用戶反饋數(shù)據(jù)（包括對話日志）通過API大量流出，被競爭對手用于訓(xùn)練自己的模型。等他們意識到問題時，競爭對手已經(jīng)用他們的數(shù)據(jù)完成了一輪模型迭代。

數(shù)據(jù)設(shè)計還包括數(shù)據(jù)的保護(hù)設(shè)計。 你辛苦采集的高質(zhì)量數(shù)據(jù)，如果沒有好的訪問控制，可能會成為競爭對手的免費(fèi)訓(xùn)練集。

PM的數(shù)據(jù)設(shè)計能力，如何在日常工作中培養(yǎng)？

說了這么多理論和案例，最后落到一個最實(shí)際的問題：作為產(chǎn)品經(jīng)理，我該怎么做？

在每次需求評審時，加一個“數(shù)據(jù)維度”的靈魂發(fā)問。

每當(dāng)你在評審一個新功能時，強(qiáng)制自己問三個問題：

• “這個功能上線后，會產(chǎn)生什么數(shù)據(jù)？”

• “這些數(shù)據(jù)，能不能用來訓(xùn)練或優(yōu)化我們的模型？”

• “如果不能，我們能不能調(diào)整設(shè)計，讓它產(chǎn)生更有價值的數(shù)據(jù)？”

把這三個問題變成需求文檔的標(biāo)配章節(jié)，剛開始可能會覺得多余，但堅持三個月，你對數(shù)據(jù)的直覺會發(fā)生質(zhì)變。

學(xué)會區(qū)分“行為數(shù)據(jù)”和“偏好數(shù)據(jù)”，并優(yōu)先設(shè)計前者。

行為數(shù)據(jù)是用戶”做了什么”——點(diǎn)擊、修改、停留、復(fù)購。偏好數(shù)據(jù)是用戶”說他們喜歡什么”——評分、問卷、標(biāo)簽選擇。

絕大多數(shù)情況下，行為數(shù)據(jù)比偏好數(shù)據(jù)更可靠、更有訓(xùn)練價值。在功能設(shè)計時，優(yōu)先思考”如何讓用戶的自然行為成為數(shù)據(jù)”，而不是”如何讓用戶主動告訴我他們的偏好”。

第三步：

建立“數(shù)據(jù)價值地圖”，定期復(fù)盤你的產(chǎn)品在采集什么。

每隔三個月，畫一張表格：列出你的產(chǎn)品正在采集的所有數(shù)據(jù)類型，評估每一類數(shù)據(jù)的”訓(xùn)練價值”（高/中/低）和”積累趨勢”（增長/平穩(wěn)/衰減）。

這張表會給你很多意外發(fā)現(xiàn)：有些數(shù)據(jù)采集成本極高但訓(xùn)練價值極低；有些數(shù)據(jù)輕易可得卻從未被利用。定期做這個復(fù)盤，是提升數(shù)據(jù)設(shè)計能力的最快路徑之一。

產(chǎn)品經(jīng)理，是AI產(chǎn)品數(shù)據(jù)戰(zhàn)爭的第一決策人

我在做AI產(chǎn)品的這幾年里，見過太多團(tuán)隊把精力放在錯的地方：花幾個月時間選算法框架，花大價錢買算力，花無數(shù)會議討論模型架構(gòu)——卻從來沒有認(rèn)真坐下來想過：我們的產(chǎn)品，在產(chǎn)生什么樣的數(shù)據(jù)？這些數(shù)據(jù)，能不能讓我們的產(chǎn)品越來越聰明？

算法工程師可以選擇更好的模型，數(shù)據(jù)工程師可以優(yōu)化數(shù)據(jù)管道，但只有產(chǎn)品經(jīng)理，才能在設(shè)計階段決定產(chǎn)品能不能采集到有價值的數(shù)據(jù)。

這是一個只有PM才能做、也只有PM必須做好的決策。

AI產(chǎn)品的競爭，本質(zhì)上是數(shù)據(jù)的競爭。而數(shù)據(jù)的競爭，在產(chǎn)品經(jīng)理畫第一張原型圖的時候，就已經(jīng)開始了。

本文來自作者：吳知

想要第一時間了解行業(yè)動態(tài)、面試技巧、商業(yè)知識等等等？加入產(chǎn)品經(jīng)理進(jìn)化營，跟優(yōu)秀的產(chǎn)品人一起交流成長！