产品经理常用的决策方法有3种：数据决策、逻辑决策与主观决策。虽然每种方法都有用，但是用的时候需要注意里面的一些误区，才能提升决策的成功率。
一、数据决策
数据决策是现在决策强大的武器，只有能够发挥大的效用，是因为能够将定性的讨论，变成定量可验证的结果。但是以往的决策模式是线性具有滞后性，基本模式都是假设+方案+验证。基于一个假设提出方案，然后开发上线进行验证，传统的制造业验证的时间周期长，成本高，一般都是几年时间。例如汽车，手机这样的产品，因为其供应链复杂，导致研发周期长，上线后不好变更，所以决策具有延后性，一旦一个决策失误，成本非常高。后来到了软件时代，决策和迭代周期变短一点，变成了几个星期或几个月发一次版本，依赖于用户自动更新。而到了互联网时代，时间周期进一步缩短，所以互联网时代秉持的是小步快跑，快速迭代。依靠于快速迭代来取胜。
但这个方法的问题在于机会成本，即一次上线只能尝试一种方案，如果有三种方案备选，需要出多套产品，相关成本会增加几倍。而互联网出现AB测试后，就可以在同一时间同时尝试多套方案，看哪个数据效果最佳。将原来的线性式验证，变成了并行式验证，大幅缩短了决策成本。现在互联网公司都有大量AB测试在验证。但AB测试的出现也带来了产品经理思考的惰性，降低了辩证思考的要求，造成了AB测试的滥用。
但数据决策核心的问题在于，数据决策是非常简单的，但真正设定合理的角色就很难，需要依赖产品经理对多个要素的综合性思考。例如不管线性迭代和AB测试迭代为了避免大面积决策的问题，都会采用「局部试点，在全局推广」的模式。但这里面的假设在于基于用户群体的一致性，而在大体量的产品中，这种一致性比较难。所以有时候会造成局部试点成功，但是全局效果有限的情况。因为局部试点是解决局部问题，带来局部效用最优，而放在全局的时候，有时候局部最优（local optimal）不代表全局最优（global optimal）。
局部最优与全局最优
例如做一个打车业务的补贴模型，来调节供需，粗分类下的补贴模型，分为早上，中午，晚上等几个高峰时间段，但不同城市，不同天气，不同运力，不同商圈情况下是不一样的。如果只是基于粗分类下的模型效率会比较低，因而会导致AB测试失灵，而要做好这个模型，需要将上述的要素都考虑进去，才能解决整体最优的情况。
另外不同业务阶段，公司与业务团队下，数据能力不同的，对于早期业务，数据积累比较少的时候，没有必要做非常精细化的分类，快速迭代会更有价值，只有当数据量足够大的时候基于细分的决策才有价值。
二、逻辑决策
逻辑决策是依赖于逻辑分析和推理的决策，产品经理非常擅长。但一个人只有5%的时间在进行逻辑思考，95%的时间都是基于习惯来做决策（《思考快与慢》中的系统一）。因为逻辑思考虽然好，但在沟通协同说服上会有一些缺陷。当对方思考维度和颗粒度和你不在一个层面上时，对齐信息和思考框架沟通成本非常高。例如在于多个业务团队协作的过程中会有问题，当对方是基于习惯，权威，或情绪来思考的时候，逻辑思考很难说服对方。
三、主观决策
主观决策是最难的，但可能是最常见的。因为数据决策与逻辑决策的成本都比较高，依赖于大量的数据积累和分析。而大部分情况下，人面对的都是信息不足和环境多变的情况。在这种情况下要做出高质量的决策，需要基于当时的情况临时建立一个模型，综合已知的各种信息做各种推理和概括。但面对未知情况建立一个模型来适配当前的情况非常难，因此只能靠积累，查理芒果提倡的多元思维模型，就是需要储备各个学科的知识模型，对当前的情况进行建模和分析。而这一切都依赖于练习和积累，才能在各种情况下调用并做出快速决策。
四、常见决策之认知偏误
因为人大部分常见下都是依赖于系统1做出快速决策，但这种决策依赖于经验与直觉，容易受到各种方面影响，存在大量的偏误，因此做决策时需要警惕。常见的几种偏误，但每个偏误下面都有非常多的心理学知识，需要单独去学习和识别其应用场景。
1. 归因偏误：自利偏误、正面效应与负面效应偏误、群体归因偏误、终极归因偏误、基本归因偏误
2.锚定效应：幸存者偏差、峰终定律、框架效应、禀赋效应、心理账户、损失厌恶
3.选择性注意：选择性观察偏误、观察者偏见、观察者期望效应、受试者期望效应
4.刻板印象：光环效应、首因效应、群体同质性偏见
5.自我中心偏误：自我美化、支持选择偏误、错误共识效应、投射偏误、素朴实在论、控制错觉、达克效应、逆火效应、证实偏见、舒适圈效应
6.信念偏误：可得性偏误、频率错觉、后见之明、可获得性层叠、货币错觉、一致性偏误、巴纳姆效应、基本比率忽视、赌徒谬误、逆赌徒谬误
7.决策类偏误：结果偏误、道德评价偏误、资讯偏误、共有资讯偏误、集体错觉、从众效应、沉默成本谬误
网友评论