2026-08-28 20:04:31
這篇文章整理自我在悠識數位的演講。為了讓文字版讀起來更順，我重新調整了部分順序，也把演講後 QA 裡幾個重要的補充整合進來。
若想看我完整兩小時的分享，歡迎到 悠識學院 購買看回放。
如果只記得這場分享的一句話，我希望是這句：AI 可以讓我們做出更多東西，但「做得更多」不等於「創造更多營收」。
當開發速度改變，整個產品工作的瓶頸也會跟著移動。如果我們還沿用以前的工作習慣，只會變得更忙，不一定變得更有價值。
進入 AI 時代後，大家最明顯的感受，應該都是產出變快了。
即使 AI 完成一件事情仍要十分鐘，你也可以同時跑三個對話，產出自然就可能變成原來的兩倍、三倍。工程師開發變快，產品經理寫文件變快，設計師做圖變快，連測試與資料整理也開始自動化。
但有一個問題很奇怪：AI 讓產出多了一倍，公司營收卻沒有跟著翻倍，營收沒翻倍的話，你的薪水當然也沒有跟著翻倍。
更常見的情況反而是，大家做的事情變多了，工作變得更忙，Backlog 被消化得更快，PM 必須不斷補題目、寫規格、驗收，還要幫團隊做各種自動化。
所以我真正想回答的問題不是「可以用 AI 做什麼」，而是 AI 已經讓我們做得更快之後，我們要怎麼把這些速度轉換成真正的商業成果？
我很喜歡高德拉特在《目標》裡談的限制理論。
假設一間工廠的流程是備料、生產、銷售。如果備料一天可以準備一百件，生產一天可以做五十件，銷售一天卻只能賣十件，那麼這間公司的營收不會由備料能力決定，也不會由生產能力決定，而是由一天只能賣十件的銷售環節決定。
整個系統的產出，是由最弱的環節決定的。
軟體產品也一樣。它的流程大致可以拆成：規劃、開發、驗收、市場、回饋。
AI 進來後，開發速度突然提高，規劃與部分驗收工作也跟著加速。可是市場沒有因此變大，用戶一天仍然只有二十四小時，注意力也沒有增加。功能上線後，要等一週或兩週才能看到數據，這段回饋時間同樣沒有消失。
以前，開發可能是瓶頸。現在，瓶頸逐漸往後移到市場與回饋。
這就是為什麼大家都用了 AI，營收卻不一定成長。你做出一百個功能，用戶可能只注意到其中十個，這十個功能還是需要一樣多的市場驗證時間，你仍得一個一個等結果。
AI 加速了前半段，但真正創造營收的速度，卡在後半段。
當工程團隊消化 Backlog 的速度大增，最直接的反應通常是：那就再準備更多 Backlog。
於是 PM 為了追上開發，規劃開始變得粗糙；上線項目變多，要驗收的項目也變多。單元測試、整合測試可以自動化，但真正從用戶角度確認產品是否合理的 UAT，很難等比例加速。
我也看到幾個新的問題。
我很喜歡 Amazon 創辦人 Jeff Bezos 講過的一句話：「大家總愛問未來十年會改變什麼，但更值得問的是，未來十年有哪些事情不會改變？」
我認為，不只未來十年，甚至未來一百年都不太會改變的一件事，就是「人類想要達成目標」。
我們希望用更聰明的手段達成目標，也希望用更敏捷的方法前進，不要做了一年才發現方向錯了。達成一個目標後，我們又會設定下一個目標。因為，目標這件事情沒有最高，只有更高。
所以 AI 時代真正重要的，不是追著每一個新工具跑，而是要問，若要達成目標，我們現在要解決的核心問題是什麼？哪個瓶頸真正限制了結果？什麼樣的行動最可能讓我們跨過去？
我把產品團隊常做的事情，簡單分成三類。
我用一組假設數字來說明這三類事情的差異。
在 AI 出現之前，若你整年都在做大躍進，你大概只有 18.5% 的機率在一年內交得出具體成果，也就是你大概率是會被說「忙了整年，結果什麼都沒有」，你很難向老闆、股東或下一份工作的面試官交代。
中突破也是，若你整年都在做中突破，你大概只有 46.9% 的機率在一年內交得出具體成果，比大躍進好一點，但是如果你運氣不好一點，一整年交不出具體成果還是有可能的。
所以囉，即便是一整年都做大躍進期望值比較高，但團隊還是會偏好成功率高、容易看見成果的小優化。
但 AI 把開發週期縮短後，同樣一年可以進行的嘗試次數增加了。AI 不一定讓單次大躍進更容易成功，卻能讓團隊更快做出原型、更快投入測試，也更有機會在一年內多試幾次。
這會改變資源配置的邏輯。
以前，我們因為承受不起長期失敗，只好大量做小優化。現在，如果開發速度真的提高了一倍，團隊就應該把更多資源移往中突破與大躍進，而不是把省下來的產能全部拿去做兩倍數量的小優化。
為什麼呢？我們來看看數據，AI 若把開發速度變一倍之後，會發生什麼事：
現在做中突破，有 71.8% 的機率在一年內交得出具體成果，而大躍進有 33.7% 的機率在一年內交得出具體成果。比有 AI 之前，大幅增加快要一倍。
這會改變資源配置的邏輯。
以前，我們因為承受不起長期失敗，只好大量做小優化。現在，理性的團隊就應該把更多資源移往中突破與大躍進，而不是把省下來的產能全部拿去做兩倍數量的小優化。
否則，你只是用更快的速度，把更多低期望值的項目送進同一個市場與回饋瓶頸。
演講後有人問我：競爭者也在用 AI，客戶對產品體驗的標準只會越來越高。如果不做小優化，會不會在大躍進成功以前，客戶就先流失了？
答案是會。所以重點從來不是完全停止小優化。
有些小優化是維持競爭力的基本盤。不做，客戶體驗會落後；做了，營收也未必成長。它比較像止痛劑，能讓客戶不至於離開，卻不一定能打開新的成長空間。
真正的策略，談的是資源配置。
過去，我可能把六到七成資源放在小優化，剩下做中突破。現在，如果 AI 確實讓產能增加，我會傾向把小優化壓到一半以下，將更多資源挪到中突破與大躍進。
但這不是通用比例。每家公司都要看自己的產品成熟度、競爭環境、客戶流失風險與商業模式。唯一不變的是，你必須刻意討論這個比例，不能只是讓容易做的項目自然塞滿所有產能。
以前開發是瓶頸，PM 最重要的工作之一，是替既有 Backlog 排序：哪一個項目效益高、成本低，就先做哪一個。
當開發速度加快，光會排序已經不夠。真正稀缺的能力，變成主動提出高期望值的中突破和大躍進題目。
哪些做法可以改善產品體質？什麼新商業模式值得測試？哪一個新市場值得進入？有沒有一個顛覆性功能，可以讓產品進入完全不同的成長曲線？
這些題目不像調整按鈕或優化表單那麼容易想到。它需要更強的目標感、更大的全局視野，也需要更多差異夠大的選項。
所以我認為，AI 時代的工作習慣至少要做三個改變。
AI 讓我們更有本錢冒險，不代表要把所有資源押在一個賭注上。它真正帶來的優勢，是讓我們可以用更低的成本，累積更多高期望值的嘗試。
講到這裡，可能有人會問：優先做高期望值的事情，和前面談的限制理論，到底有什麼關係？
在限制理論裡，找到瓶頸後，下一步不是要求所有環節繼續加速，而是「充分利用瓶頸」。
假設一間工廠的瓶頸機台，一天只能運作十個小時。你不會把低價值、準備不完整，甚至可能做壞的半成品，隨便送進這台機器。因為瓶頸機台浪費一個小時，整間工廠就永遠少掉一個小時的產出。
你會把瓶頸的產能，留給最有價值、最有機會轉換成營收的工作。
AI 時代的產品團隊也是一樣。
當市場注意力與回饋速度成為瓶頸，每一個上線項目都會消耗稀缺資源：用戶注意力、實驗流量、樣本數、等待數據的時間，以及團隊分析結果的心力。
這些資源不會因為 AI 而自動增加。
假設一個按鈕文案的小優化，和一個新定價方案，都需要兩週才能取得足夠數據。前者的單次期望值是 1％，後者的單次期望值是 5％。從開發角度來看，按鈕文案可能比較便宜；但從市場與回饋這個瓶頸來看，兩者都會占用一次驗證機會。
既然使用的是同一份稀缺資源，當然應該優先驗證期望值更高的項目。
所以，更精準的產品排序方式不是只看「期望值 ÷ 工程成本」，而是要看「期望值 ÷ 瓶頸資源」。
當開發是瓶頸時，我們要問的是：每一單位工程產能，可以創造多少期望值？當市場與回饋是瓶頸時，我們要問的則是：每一單位用戶注意力、實驗流量與驗證時間，可以創造多少期望值？
分母已經換了，產品團隊的排序邏輯當然也必須跟著改變。
這也解釋了為什麼「開發只要一天」，不再代表一個項目真的很便宜。
它可能只占用一天工程時間，卻占用了兩週的驗證時間、一批用戶的注意力，以及團隊一次學習市場的機會。
從限制理論來看，這才是真正昂貴的成本。
更進一步說，限制理論還要求其他非瓶頸環節服從瓶頸。既然市場來不及消化、團隊來不及取得回饋，開發團隊就不應該再以「每個人都要塞滿工作」為目標。
如果做出來的東西來不及驗證，繼續增加開發量只會堆高半成品，讓團隊同時等待更多結果，反而降低學習品質。
所以，AI 時代真正的浪費，不是工程師偶爾沒有東西可以做，而是把有限的市場注意力與回饋額度，消耗在不值得驗證的東西上。
當然，高期望值不等於大專案。
一個位在產品飛輪關鍵節點的小優化，或是一個可以同時影響多項指標的功能，也可能擁有很高的瓶頸資源報酬率。
反過來說，一個規模很大的專案，如果需要消耗大量用戶注意力與驗證資源，期望值卻沒有相應提高，也不符合限制理論。
真正該做的，不是盲目追求大躍進，而是把每一次珍貴的市場驗證機會，留給每單位瓶頸資源期望值最高的事情。
回到文章一開始的問題：為什麼 AI 讓產出增加了兩倍、三倍，公司營收卻沒有跟著翻倍？
原因不是 AI 不夠強，而是開發速度提高後，限制成果的瓶頸已經移動了。當市場注意力、回饋速度與驗證機會成為瓶頸，產品團隊真正需要的，就不再是更多 Backlog，而是更好的題目。
產品經理要做的，也不只是把事情排好、寫完並交出去，而是看見現在的瓶頸在哪裡，把有限資源留給期望值最高的事情，並且讓整個團隊的工作方式服從這個瓶頸。
AI 可以幫我們發散選項、整理資訊、產生原型，甚至完成開發。但目標是什麼、什麼事情值得做、哪些選項應該捨棄，最後仍然需要人來判斷，再交給市場驗證。
在 AI 時代，做得快只是基本配備；知道什麼值得做，才是人類真正的價值。
--2026-08-27 12:26:51
決策，是企業中最需要被重視的能力，決策幾乎影響到企業的每一個面向。
做好一個決策，要素有很多，但幾乎可以肯定的是，數據在決策中佔了非常重要的地位。
數據對決策的影響是什麼呢？最簡單的譬喻就是「打電玩」，假設你玩的是「三國志」遊戲，目標是統一天下，你總得先看看自己的等級、戰鬥力、經驗值…等數據，才能開始下決策，決定下一步要做什麼。
舉例來說，你在電玩中是扮演劉備，諸葛亮對當時實力不夠的劉備，提出的是「三分天下」的決策，也就是先拿下荊州和益州，並與孫權結盟，形成南北對峙的局面，與曹操抗衡，然後等待曹操內部出現動亂，再進行北伐。
以「三分天下」這個決策來看，數據到底扮演了什麼角色呢？
第一個是「掌握現況」，在電玩中掌握現況是簡單的，只要動動手指就知道自己的等級、經驗值、戰鬥力的狀態。但在複雜的現實中，你必須自己找出你要看什麼數據，知道怎麼收集這些數據，然後這些數據代表什麼意思，你也要知道代。在「三分天下」這個決策當中，就是諸葛亮在了解現況之後，知道劉備其實實力不夠，得先拿下荊州和益州，建立戰略基地。
第二個是「找出驅動要素」，在電玩中，因為有遊戲攻略或說明書，你會知道要提升某項數據，你要做些什麼事才有效果。但現實社會中沒有攻略本可以查，你要改善某個數據，如：營收、獲利…等，到底什麼才是驅動要素，其實是門很深的學問。
第三個是「拆解大目標」，你可以這樣理解，「三分天下」其實是一個「統一天下」前的小目標，把一個遠大目標拆成規模較受限、變數比較少、看得也比較清晰，也比較知道該怎麼做的小目標，這件事對完成遠大目標來說，是非常重要的一步。
本篇的主軸，希望透過「數據地圖」的概念，來幫助大家更簡單得透過數據做好「掌握現況」、「找出驅動要素」和「拆解目標」，幫助企業能更簡單的做出正確的決策。
為何要介紹數據地圖，因為許多人看到數據之後，常常都不知道該從哪下手，這種困境最大的原因，就是來自於他是單點看數據，而不是把數據串起來看。
而數據地圖，就是把數據串起來的一種方式。
譬如說：訂單數和客單價可以相乘，這樣就是營收。付費流量 + 搜尋流量再加上其他流量，就是整體流量。若客戶購買的商品數增加了，客單價也有機會上升。
我們若用圖來表示數據間的因果關係，這就是所謂的數據地圖。
可以被稱為數據間的因果關係，大概都不脫這三種。
了解數據之間的關係後，你要找一個數據上升或下降的原因，很簡單，你就往右邊找原因。
營收下降，找看看是訂單數下降，還是客單價下降。若是訂單數下降，再找是流量下降，還是轉化率下降。
在拆解目標上，你可以把營收目標拆解成一個一個的小目標，譬如：訂單數目標，然後訂單數目標還可以再拆，變成轉化率目標、搜尋流量目標、付費廣告目標。
這樣每一個的小目標規模較受限、變數比較少、看得也比較清晰，也就比較知道怎麼動手去做。
拆解數據可以有很多種方式，你可以把營收拆解成信用卡收入和現金收入，問題這對你可能沒意義。
或是你把營收拆解成網站營收、會員營收還有新客營收，但這三個營收加起來，會超過你的真正營收，這樣拆也不對。
拆解數據的過程，最重要的原則就是MECE，來自麥肯錫的MECE分析法，中文可以叫做相互獨立，完全窮盡，這是一種建立分析框架的方式，很適合拿來做數據的拆解。
到這裡你一定會有個疑惑，那只要符合 MECE 就可以嗎？這樣可以拆出許多種組和，哪一個才是正確的呢？
以電商為例，你可以把營收拆解成流量、轉化率和客單價，也可以先把營收拆成新客營收和舊客營收，然後個別拆出流量、轉化率和客單價。
一般來說，數據的拆解是沒有標準答案的，是和你的企業整體策略，還有產品生命週期有關的，像是左側灰色的拆法，是比較簡單的，很適合剛起步的公司，只要管理好三個指標：流量、轉化率還有客單價。
但若是已經具備一定規模，也就是忠實的客戶很多的電商，新客和舊客都很多，就應該要拆細一點，一拆下來發現有六個：新客流量、新客轉化率、新客客單價，還有舊客流量、舊客轉化率、舊客客單價。
剛起步的公司資源不足，硬去管理六個指標沒必要，專注在三個指標的管理上即可。有一定規模的公司，拆細一點會比較適合分工合作。哪一種數據拆解法是最佳，真的是要看情況而定。
先前有提過，數據地圖就是數據之間的因果關係圖，數據分析有兩大關鍵，第一個是「要有問題」，第二個是「找出原因」。
以往，遇到訂單數下降，老闆問起原因時，可能各種原因都出籠了。
數據地圖可以讓你可以按圖索驥，在圖上找答案。發現訂單數下降，第一個動作並不是解釋，而是往右邊看看流量、轉換率這兩個數據的變化，因為很可能查閱數據之後，發現流量其實是上升的，但轉換率是下降的，所以才造成訂單數的下降，先前亂猜的解釋全都是錯的。
數據地圖可以為數據分析，提供一個基本的藍圖。
有了數據地圖後，組織分工的方法，最好的方式就是依照數據地圖來分工。我們來看一張稍微複雜一點的電商數據地圖。這張地圖主要拆解了幾個項目：官網會員營收、官網新客營收、蝦皮營收，然後還有一條綠色獨立的，這是採購部門關心的數據。
每一種顏色，就是一個單獨的部門在負責，因為在拆數據的時候已經是基於 MECE，現在一個指標只有一個部門要負全責，所以分工上是明確的。
不過分工歸分工，部門還是會有協作的議題。舉個例來說，你是否遇過行銷部門跟你說「為了追求流量，我們應該要在網站上賣ＯＯＯ限量商品，開賣那幾天，一定可以創造流量大幅成長、新會員數也會成長而且最重要是有業績。」
但會員部門說「對ＯＯＯ限量商品有興趣的人，對我們公司其他的商品都不感興趣，這些新會員，大概只有 0.5 % 的人，在一年內有再回來購買其他商品，所以我覺得不應該開賣ＯＯＯ限量商品。」
公司的人一多，大家追求的數據不太一樣，大家雖然都是為了公司好，但腳步卻不一致，這很容易讓公司變成多頭馬車。
展開數據地圖，可以幫助部門間相互瞭解，每個部門的重要指標是什麼，這些指標又如何對公司的目標產生貢獻。
要促成部門協作，最重要的第一步，就是要了解別的部門在乎什麼，然後他們為何在乎。視覺化數據地圖，可以幫助部門間彼此對齊，建立溝通最終要的基石。
我們繼續以這張數據地圖為例：
以行銷部門提議要開賣ＯＯＯ限量商品，但卻只會吸引到不會回購的用戶為例，這就是很標準的數據近視症，只看到所背負要提升的目標，但卻忽略了，提升這個目標背後的原因是什麼？
以行銷部門來說，導入更多流量絕對是正確的目標，也是必要的任務，但是導入更多流量，為的是導入更多的營收。
若以數據地圖的角度來看，官網新客營收只佔了營收的一塊，若你可以導入正確的目標用戶，這樣的用戶會變成有效會員（請參考紅色線，新會員數上升，有效會員數也有機會同步上升，兩者為正相關），替官網會員營收產生貢獻。
透過數據地圖，可以讓團隊成員有機會連問自己很多個WHY，為何要提高流量，因為要提高新會員數，為何要提高新會員數，就是要提高新客營收和有效會員數。
透過數據地圖，有清楚且完整的數據脈絡，來幫助團隊解決數據近視症。
大家不知道有沒有這種經驗，就是會有一個二天一夜的動腦大會，讓全公司的人都參加，然後出一個挑戰題目給大家，譬如說：營收成長50%，大家分組腦力激盪，從各部門的觀點，提出可行的解決之道。
有了數據脈絡之後，就可以幫助我們把大目標拆解成小議題，我們可以針對每個最末端的指標，個別提出一個計畫出來，如：
把營收這個大項目，拆成六個規模較受限、變數比較少的六個計畫，通常用這種方式來進行，因為已經被縮減成小議題，討論出來的點子也會更可行。 絕對比單獨提一個營收成長計畫容易得多。
若計畫之間彼此有衝突，那就針對能對公司營收帶來最大影響力的計畫，給予較高的權重，這樣在執行上也會比較順利。
對管理來說，最理想的狀況，因為資源有限，我希望可以找到一個槓桿點，只要對這個槓桿點施力，我就可以得到倍數的回報。
我們繼續以這張數據地圖為例：
依照經驗來說，槓桿解會出現在哪裡呢？
第一種會槓桿解出現的地方，就是在乘法的節點上：譬如：會員消費頻率、消費會員數、會員客單價，這三個數字相乘，就是官網會員營收。在乘法的節點上，任一數值增加二倍，落後指標都會增加兩倍。
加法節點則不然，譬如說異業合作作流量增加一倍，Visitor可能只增加10%。 所以我們會更傾向在乘法節點上，提出改善計畫。
第二種：有時候，我們做一件事，會同時提升多個指標，這也是槓桿解。像是「品牌知名度」，通常提升品牌知名度後，可以帶來多重好處，譬如：提升會員轉化率、增加自然流量、提高註冊率，甚至談供應商也比較好談，增加有效商品數。
另外像是重視購物流程的使用體驗，豐富商品說明，也都是同時會新客營收、會員營收同時都會有影響的項目。就大方向來說，「使用體驗」也是做了會同時對多個項目有影響的槓桿解之一。
第三個，若有的領先指標，他會同時影響多個落後指標，通常過善這個領先指標，也會是槓桿解。用數據地圖的角度來看「有效商品數」，是蝦皮營收、官網新客營收、官網會員營收的領先指標，所以有效商品數的提升，可以同時影響多個指標，所以「有效商品數」會是個槓桿解。
透過「數據地圖」的概念，來幫助大家更簡單得透過數據做好「掌握現況」、「找出驅動要素」和「拆解目標」三個任務。
「掌握現況」：透過完整的數據地圖，之到企業內這麼多數據，哪些才是最重要的，也能了解這些數據，是如何影響最終的營收。
「找出驅動要素」：數據地圖就是數據之間的因果關係，要提升「果」也就是握後指標，就要朝「因」也就是領先指標下手。
驅動要素裡面，也要有槓桿解的概念，我們希望投入的少，獲得的多，那就要找符合槓桿解的項目來進行。
「拆解目標」：公司策略在實際落地執行，最常發生的問題就是各自為政、溝通不良，然後犯了數據近視症。
有了數據地圖，可以幫助跨部門溝通、讓大家對數據之間的整體樣貌有了解，較能夠避免數據近視症。在做年度計畫時，也可以針對每個領先指標提出計畫，然後針對對公司營收的影響力進行排序，這樣在發生資源衝突時，才能順利執行。
透過數據地圖，有效將數據觀念落實在企業當中，幫助團隊能做好決策，才能真正創業企業的成長。
The post 數據地圖 – 概念介紹與用途 first appeared on Mr. PM 下午先生.2026-08-07 19:50:44
2026 年 8 月很榮幸了上了「UX 有差嗎」podcast 談談自己對「策略」一路以來的心得，我把我分享的逐字稿，做了一點整理，這個文字版為了閱讀方便，和 podcast 版順序比較不一樣，也和大家分享一下。
Podcast 可以到這邊聽：人心的叛逆與不滿，就是做產品的絕佳動力 ft. 曾友志 Stanley (產品增長顧問)
使用者可能只有十分不舒服，你卻要把那份感受放大到一百分。只有真的覺得「事情不該是這個樣子」，才會願意一路追問，把產品做到位。
這聽起來很情緒化，卻是我理解的策略起點。
策略從來不只是冷靜分析。你得先知道自己想抵達哪裡，才能看見理想與現況的差距；看見差距之後，才會開始尋找選項，決定要做什麼，又願意為此放棄什麼。
大學念數學系時，老師曾講過數學家歐拉的故事。歐拉失明後，仍能在腦中推演問題，再把想法口述給學生記錄。
受到這個故事影響，我也開始嘗試在腦中思考，不急著把所有東西寫下來。久而久之，我養成了一個習慣：每當自己提出一個主張，就立刻站到另一邊攻擊它。
這個說法哪裡有漏洞？還有沒有別的解釋？就算它是對的，所以呢？
我在數學系的成績並不好，但幸好帶走了這種思考方式。後來創業，從產品、行銷到廣告都得自己處理；再後來，有朋友找我協助產品問題，類似的邀請越來越多，我才慢慢成為顧問。
做顧問時，這個習慣非常有用。別人提出一個方案，我不會只看它合不合理，而會繼續問：為什麼是這個方案？做完會改變什麼？還有其他選擇嗎？
這些問題，也把我帶到策略最重要的一件事：取捨。
有人說，從台北到高雄選擇搭高鐵，就是一種策略。但如果高鐵更快、更舒服，預算也不是問題，那只是在眾多交通工具中挑一個最好用的，還談不上策略。
真正的策略，出現在你無法兩全其美的時候。
假設週末臨時南下，高鐵只要兩小時，卻可能得一路站到高雄；台鐵要多花一個半小時，但有座位，也比較舒服。你要速度，就得犧牲舒適；你要舒適，就得接受比較慢。
策略之所以困難，是因為每一個選擇都有代價。你不是單純挑一個喜歡的答案，而是在決定自己願意忍受哪一種痛。
因此，策略也不能只用最後的成敗來判斷。現實裡，做十次嘗試，失敗八、九次並不罕見。
結果不好，不代表當初的策略一定錯。關鍵是做決定時，有沒有看過足夠的選項，理解每個選項的代價。
我擔任顧問時，最常問產品經理或主管：「除了這個做法，你還有什麼選擇？」
常見的回答是：「沒有，因為客戶想要這個功能。」「這是使用者客訴。」「老闆說要做。」
但如果桌面上只有一個選項，就沒有真正的選擇；沒有選擇，也不可能有取捨。那比較像是接到一張訂單，而不是在做策略。
一個比較完整的思考過程，是先把第二、第三，甚至第四種可能放上桌，再結合公司的資源、文化與過去經驗做判斷。
外部顧問可以提出新選項，但只有內部團隊知道哪些選項曾經失敗，哪些會碰到現實限制。
所以，策略不是找到一個看起來最聰明的答案，而是在充分理解情境後，清楚選擇什麼，也清楚捨棄什麼。
到了 AI 時代，增加選項變得比以前容易。只要把問題交給 AI，它很快就能產生十幾種方向，也能在短時間內做出一個看似完整的原型。
但選項變多，不代表策略自然會變好。
以前使用 Axure 製作線框稿時，我們會一邊拉畫面，一邊想像使用者如何操作。每一次移動元件、調整流程，都是一次思考與判斷。
現在，AI 可以直接生成一個看似合理的介面。問題是，看起來合理，不等於真的好用。它產出的往往是某種平均值，而做產品追求的不是平均，是精準解決特定使用者的問題。
如果產品經理把 AI 生成的原型直接交出去，卻沒有進入使用情境，沒有說明自己的判斷，那只是把思考一起外包了。
反過來說，完全不用 AI 也不是好方法。當自己的經驗限制了想像，AI 可以幫忙補出原本沒想到的選項，也能協助檢查盲點。
比較理想的分工，是讓 AI 負責展開可能性，由人負責判斷。AI 擅長生成，人則必須決定哪些該留下，哪些要刪除。
而刪除，正是策略最核心的能力。
因為策略最難的從來不是「取」，而是「捨」。不是能不能想出更多功能，而是敢不敢放棄那些看似不錯，卻無法服務核心目標的選項。
有了選項之後，下一個問題是：我們究竟想解決什麼？
許多團隊把使用者的話直接當成答案。客戶想要一個功能，就把功能加進去；有人抱怨流程不好用，就把那段流程改掉。事情做完了，卻很少繼續追問：這個改動究竟會讓什麼變得更好？
使用者說出口的只是線索，不是規格。
一方面，提出意見的人未必代表所有使用者；另一方面，他提出的解法也未必能處理真正的問題。產品經理需要做的，是進入對方的情境，找到那些連使用者自己都沒有察覺的不便。
我曾經參與一款音響產品的設計。研究過程中，我觀察到一個很小的生活場景：幾個人在家裡聽音樂，其中一個人常會請另一個人幫忙播放某首歌。
接著，麻煩就來了。歌手是誰？是哪個版本？一個人習慣用 YouTube，另一個人卻用 Spotify，最後可能還得換人連接藍牙。
沒有人把這件事說成一項重要需求，大家甚至早已習慣。但當我把這個小小的不便放大，就看見了一個值得解決的問題。
最後，我們在音響的觸控螢幕上放入 QR Code。任何人都能拿起手機掃描，直接選擇想播的歌曲，不必再經過原本控制音響的人。
好的洞察，常常不是來自使用者大聲說出的願望，而是他沒有說出口，甚至沒有意識到的小麻煩。
這也是為什麼，做產品需要一點憤怒。使用者已經覺得「這樣也可以」，產品團隊卻不能停在這裡，要對現狀感到憤怒，這樣才有機會前進。
不滿可以讓我們看見問題，但光靠感受，還不能形成策略。我們仍然要回答一句：「所以呢？」
如果改掉這個流程，會影響多少人？如果加入這項功能，會提升使用率、留存率，還是營收？如果什麼都不做，代價又是什麼？
為了讓這些關係更清楚，我會把企業原本就在追蹤的指標，整理成一張「數據地圖」。
以電商為例，營收可以拆成流量、轉換率與客單價。流量還能繼續拆成自然搜尋、廣告和社群導流；轉換率則可以往下拆成瀏覽、點擊、加入購物車與完成結帳。
接著，把產品待辦清單上的每件事放進這張地圖，看看它可能影響哪個環節。
例如，把手機版商品頁的「立即購買」按鈕固定在畫面底部，主要影響轉換率。專屬折扣碼則可能讓更多合作夥伴願意導流，同時提高使用者下單的意願。
當一件事能同時影響多個關鍵指標，通常代表它值得優先評估。當某個指標旁邊堆了大量待辦事項，也可能表示這個環節正是產品的弱點。
數據地圖的目的，不是讓團隊假裝能精準預測每個功能會提升多少。很多估算在執行前都只是猜測。它真正的用途，是把產品工作和商業結果連起來，幫助團隊判斷有限的資源應該放在哪裡。
換句話說，洞察告訴我們哪裡令人不滿；數據則幫助我們判斷，哪一個不滿最值得先處理。
就算方向清楚，如果團隊只收到一張張零碎的工作單，策略還是很難落地。
主管心中通常有一幅完整的產品藍圖，但任務一層層往下拆，到了執行者手上，可能只剩「把這個按鈕改掉」或「把這項功能做出來」。
他不知道這件事為什麼重要，也看不見自己的工作會改變什麼。
久而久之，人就會變成只負責完成任務的螺絲釘。
真正的投入感，來自知道目標，也擁有一定的決策空間。當一個人理解自己要改善哪個問題，知道成功的樣子，並且能選擇怎麼做到，他才會真的把產品當成自己的責任。
所以，好的團隊通常願意授權。但授權不是把問題丟出去，而是讓有能力的人在清楚的目標下做決定，同時承擔結果。
這也代表，團隊不能只追求每個人都開心。如果一個人長期無法承擔職責，就需要調整角色，必要時也得請他離開。
真正對團隊有幫助的，不是讓所有人一直待在舒適區，而是讓合適的人有機會完成有意義的挑戰。
當時間一旦拉長，變數多到無法掌握，再精密的規劃也很容易變成假裝準確的預測。
我常被問：「該不該換工作？」「要不要離職休息？」「從設計師轉成產品經理，會不會走錯？」
即使累積了很多經驗，我仍然無法準確回答這些問題。我認為，既然未來測不準，就不要假裝能靠策略可以幫助你。這時真正該談的，不是哪條路是正確的，而是自己要去思考，自己想用什麼方式創造價值。
價值決定方向，策略只處理眼前可以驗證的那一小段路。
如果還不知道答案，就先設計一個能快速得到回饋的小嘗試。試過後發現不適合，再回頭調整；確定自己能創造更高的價值，再繼續投入。
當人生沒有一條可以照表操課的路，接下來要做的就不是預測，而是持續校準自己。
我在人生前半段很少接觸正念，也不認為這類知識和策略有什麼關係。真正開始閱讀後，才發現它對我的幫助很實際。
它不會直接給我答案，而是提醒我分清楚：哪些事情可以控制，哪些事情不能。
例如，很多人在工作上渴望獲得老闆肯定。努力完成一件事，老闆卻沒有稱讚，便開始懷疑是不是自己做得不夠好。
但老闆怎麼反應，不是自己能控制的事。與其反覆猜測，不如換一個問題：「如果我是老闆，我會希望這份工作產生什麼價值？」
這個問題會把注意力從別人的反應，拉回自己能改善的行動。你無法控制老闆是否稱讚，卻可以控制自己理解目標的深度，以及最後交付的價值。
正念不會替我做出選擇，也不會給我一套必勝策略。它更像是一個提醒：不要把力氣耗在測不準、控制不了的結果上。
說到底，無論使用什麼框架或工具，最重要的仍然是目標感。
你得知道自己想完成什麼，也要理解主管的目標，以及公司的目標。只有目標夠清楚，才看得見理想與現況之間的差距，知道自己為什麼不滿，又該往哪裡用力。
AI 可以依照指令完成任務，卻不會替你決定什麼值得追求，也不會替你承擔取捨的代價。這仍然是人的責任。
工作久了，人很容易變得圓滑。被現實磨過幾次之後，許多事情都會覺得「算了，差不多就好」。這能讓日子過得輕鬆，卻可能是產品工作者最危險的狀態。
一旦失去不滿，就很難再看見那些值得改善的地方。
我的方法，是在需要做產品、研究使用者或解決問題時，主動打開心中的開關，重新喚起好奇與憤怒。這很耗能，卻也是做出好產品不可缺少的一部分。
回頭看，我理解的策略其實是一條很完整的路徑。
它從不滿開始，因為你相信事情可以更好；接著用追問打開選項，用洞察與數據理解現況；最後做出取捨，承擔自己選擇的代價。
AI 可以加快中間許多步驟，卻無法取代這條路的起點與終點：什麼事情值得你不滿，以及為了改變它，你願意放棄什麼。
所以下一次面對產品問題時，別急著問：「我還能做什麼？」先問自己：「我真正想改變的是什麼？為了做到它，我願意不做什麼？」
當你能把這兩個問題回答清楚，也願意承擔答案帶來的代價，策略才真正開始。
--2026-07-09 15:57:28
先前寫了一個 one shot 的短影音剪輯 skill，跑完五支影片，大概要花 1.2 小時，透過用馬斯克五步驟 (Elon Musk’s 5-Step Algorithm)，把時間壓縮到大概 30~40 分鐘。
想寫篇心得來分享一下。
這比較是人類的事情，AI 可以角色扮演和你討論。
在迭代 skill 的過程中，常常會有許多步驟是重複的、多餘的，所以刪除這個步驟做起來會很有感。
但要小心的是，AI 擅長生成，但不擅長刪除，他不擅長區分「沒用到」還是「用不到」，所以人類還是要介入看一下他會刪什麼東西。刪不夠或刪過頭，都很常發生。
不知道該不該刪的話，「馬斯克五步驟」的精髓就是，刪掉後出事再加回來就好。若你發現事後都不用加回來，那都代表你刪得不夠，可以繼續刪 XD。
這邊還可以補充一點，刪掉某項零件或流程，最常漏的就是相依性議題，刪一個東西，會牽動一串相依的改動，所以「刪東西」這個動作，實際上是三件事綁在一起：找出所有相依點、評估連鎖影響、動手改。
改的不好，很容易會造成改 A 壞 B，這很吃推理深度。所以在刪東西的時候，我一定會把 thinking levle 拉到 MAX。
刪除後做簡化和最佳化的意義，就是你可以不用花時間把不必要的步驟做最佳化。
在可以達到同樣效果下，把元件或流程簡化。可以請 AI 自我檢視一下，他是不是「用大砲打小鳥」，用很複雜的方法，來解簡單的問題。
另外，因為 skill 中的判斷包含「 程式判斷」和「AI 判斷」這兩種，你可以盤一下 skill 中的任務分派是否恰當，有沒有把適當的任務，派給適當的角色。
一般而言「 程式判斷」適合能寫成規則，有明確對錯的事。可以 程式判斷的事就不要給 AI，因為 AI 常會腦補放水。
而「AI 判斷」適合寫不出規則，要看畫面、懂語意的任務。
還有一個陷阱是， 程式和 AI 判斷之間的交界處，若是兩者交接的不好，AI 得自己翻資料、自己猜，這就是最常出問題的地方。
AI 就是不穩定，不是在 skill 裡面叫 AI 「切記」「必跑」「不要忘記」，而是「用設計取代紀律」，讓程式和 AI 各自扮演好角色 AI，好好的 hand over。
加速很少是把某一步跑快一點，而要做白工的時間移除，重點是四個「不要」：
skill 本身就是一個自動化，那自動化這件事還可以做什麼？
這裡通常是來 review，有哪些步驟 AI 做不好，人類介入會更好的步驟是什麼，出一個「不自動化清單」給你。
有點反直覺對吧！
最後的最後，我還想補充一點，就是 AI 提的優化清單，你一定要 AI 拿證據自我覆核一輪。
AI 產清單很快，但常常在這種優化的過程中，把「黃金」和「看起來像黃金」的東西混在一起，你要避免這種事，就要「AI 拿證據自我覆核」。
超有效，推薦一定要試試～
--2026-06-30 18:10:41
產品經理最常碰到的對齊問題，多半不在於「公司目標是什麼」不清楚。真正困難的地方，是拿到公司目標之後，不知道怎麼把公司目標翻譯成自己產品該負責的那一塊。
要回答「怎麼翻譯」這件事，得先搞清楚產品在公司裡到底扮演什麼角色。
展開來看，產品定位可以分成四個層次：市場定位、溝通定位、核心定位、商業定位。
市場定位和溝通定位最容易搞混。市場定位比較抽象，談的是「什麼類型的用戶、能得到什麼利益」；溝通定位比較具體，談的是「在哪個場景下、用戶得到什麼價值」。拿奶昔來說，市場定位是「針對嘴巴饞的人，提供好喝且不無聊的飲料」；溝通定位換到開車的場景，就變成「提供一個簡單的小娛樂，不會一下子喝完，而且有飽足感」。
一個市場定位可以對應到很多場景，展開成很多條溝通定位，讓行銷公關部門去推廣。
核心定位談的是產品的長期發展方向，跟 product roadmap（產品路線圖）有關。商業定位談的是產品在商業上要怎麼發展：是要擴市佔率，還是要提升毛利率，才能促成公司的利益最大化。
商業定位就是承接公司目標、成為產品商業目標的那個橋樑，也是本文要談的核心。
理解商業定位的第一步，是接受一件事：產品的商業目標，不一定是產品本身的利潤最大化。
以 PS5 為例。有一種說法是，PS5 對 Sony 來說其實不賺錢，PS5 真正做的是軟體生意，靠用戶購買或訂閱軟體來獲利。PS5 對 Sony 來說是引流款，先把客戶拉進生態系，再從軟體端賺錢。
類似的邏輯在日常生活裡更常見。大賣場常常推出一顆 5 元的高麗菜，你可能會納悶：扣掉物流和採購成本，到底還有沒有賺？答案是大賣場根本不在乎高麗菜賺不賺錢。大賣場要的是用超低價高麗菜把人吸進賣場，消費者除了買高麗菜，還會順手帶零食、雞鴨魚肉。大賣場賺的是其他商品的利潤。高麗菜是引流商品，零食和肉品才是利潤商品。
引流款只是其中一種商業定位。紅利積點的產品，真正的重點是有多少用戶願意努力集點兌換，進而黏住客戶，提升忠誠度。積點產品本身能賺多少錢，反而是其次。還有一種產品的定位是爆款，砸行銷預算提供超高 CP 值，目的是吸引通路主動上門合作，帶動其他商品一起上架新通路，提升整體銷售。
這些不同的商業定位，決定了產品的目標該怎麼定、KPI 該怎麼設。用「賺多少錢」來評價一個引流款產品的績效，方向一開始就錯了。
判斷產品該承接什麼商業定位，有一張很實用的矩陣工具。X 軸是市場佔有率，Y 軸是新用戶留存率（指新用戶進來之後有多少比例會繼續使用），交叉出四個象限：
嬰兒（低留存、低市佔）：產品還沒找到對的定位，還在摸索 Product Market Fit（產品與市場的契合點）。這個階段不該急著擴人力、砸行銷預算，第一要務是想辦法把留存率拉起來。拉不起來，就該考慮轉型。具體的目標可能長這樣「找到 PMF，控制虧損在 1000 萬以內」。
明日之星（高留存、低市佔）：留存率站穩了，代表產品已經找到 Product Market Fit，接下來要找到成長引擎，想辦法提高市佔率。這時候該多找行銷和成長駭客型的人才，安排市場擴張。利潤暫時不是第一考量。用安索夫矩陣來看，明日之星沒有必要分心開發新產品，應該專注在市場滲透搶市佔，或者直接打閃電戰做市場開發。具體的目標可能長這樣「降低獲客成本，營收提升 30%，虧損金額維持和去年一樣」。
金牛（高留存、高市佔）：市佔和留存都不錯，產品重點轉向維持競爭力、開始擠出利潤。可以做的事情很多：關注競爭者不讓競爭力下滑、提升毛利率壓低獲客成本、複製到更多國家成為新市場的明日之星、或者瞄準金牛的既有客群開發互補品和搭售商品。具體的目標可能長這樣「；開拓馬來西亞、新加坡、印尼市場，兩年內當地損益兩平」。
夕陽產品（低留存、高市佔）：市佔率還不錯，但新用戶留存越來越差，代表產品的吸引力正在衰退。這時候要想辦法擠出剩餘價值、延續現有優勢，同時尋找成長的第二曲線。
有了產品目標之後，下一步是把產品目標分解成可追蹤的指標。
模擬一個情境：老闆交代你一個利潤型產品，希望一年內創造 1200 萬業績。你心裡第一個念頭大概是：一個月做 100 萬，一年就 1200 萬了，好像不會太難。
這種直覺反應非常普遍。減重也一樣：我要減 10 公斤，一個月一公斤，一個禮拜 250 公克，10 個月就完成了，應該不難。
老實說，把成果除以時間，就是失敗的開始。不管是「一年 1200 萬所以一個月 100 萬」，還是「一年減 10 公斤所以一個月一公斤」，這種計畫通常都做不成。因為除法只是把大數字切成小數字，完全沒有回答「怎麼做到」這個問題。
要讓事情做成，要從除法切換到 Top Down 思考法（由上而下的思考方式），也就是：先定義目標，然後找一個框架來描述因果關係，從框架裡展開可追蹤的指標，最後設計改善指標的具體套路。
用減重來說明這套邏輯。健身教練會跟你說：要減重很簡單，每天熱量不要超過 2000 大卡，增加肌肉量來拉高基礎代謝率，每週來健身房三次，每次跟著我做十組胸推、硬舉、蹲舉，每個月加重 10%。
把教練這段話展開來看，背後有清楚的結構。目標是減重。框架（因果關係）是：減重取決於三個輸入變數，分別是吃進去的熱量、肌肉量、和運動消耗的熱量。要改善減重這個輸出，就要改善這三個輸入。其中「肌肉量」又是另一層函式，取決於胸推、蹲舉、硬舉的組數和重量。所以指標就是：每天攝取熱量、每週訓練次數、三大動作的組數和重量。
有了指標之後，還需要改善指標的套路。健身教練最常見的做法是：一對一指導、一次刷一年課程、每次主動約時間，讓你在人情壓力下不得不來訓練。套路的目的是確保指標能持續被推動。
值得注意的是，同樣是減重，框架不只一種。健身教練的框架是熱量派，強調控制攝取並增加肌肉量；生酮派的框架強調吃好油不必挨餓、避開澱粉和糖類。不同的框架代表不同的因果關係假設，展開出來的指標和套路也完全不同。選哪個框架，本身就是一個需要判斷的決策。
整套 Top Down 思考法的結構是：目標 → 框架（描述因果關係）→ 指標 → 套路（改善指標的具體方法）。把這套邏輯搬到產品上，就是：為了實現產品目標，要採用什麼框架、訂什麼指標、又有什麼套路來持續改善指標。
回到最初的問題：產品目標怎麼從公司目標翻譯過來？
出發點是你的產品在公司裡扮演什麼角色。引流款、利潤款、留客款、爆款，每種商業定位對應的目標方向完全不同，不能一律用「賺多少錢」來衡量。
確認了角色之後，再用市佔率和新用戶留存率判斷產品正處於哪個階段，嬰兒、明日之星、金牛、夕陽，不同階段的策略重點也截然不同。
當你要把產品目標轉換成可追蹤的指標時，別用除法把大數字切成小數字就以為有了計畫。找到描述因果關係的框架，從框架展開指標，再設計持續改善指標的具體方法，這才是真正能把事情做成的路徑。
The post 從目標到指標的對齊：產品目標不是公司目標的縮小版 first appeared on Mr. PM 下午先生.
