但通常是這樣，做的快是快，但流量並沒有因此跟著上升。

後來，我們花更多時間看數據、想受眾，和 AI 討論題目，影片的表現開始有了改善，平均起來每隻影片的觀看數，翻了有 10 倍不只。

這篇我想把過程寫得更具體一點。那些多花出來的時間，到底在討論什麼？AI 給了很多建議之後，我又怎麼判斷哪些值得採用？

我一開始，也以為應該多拍一點影片

用一組假設數字來說，如果一支影片有一千次觀看，能增加一百個訂閱，那想增加一萬個訂閱，是不是多拍一百支影片就好了？既然 AI 可以幫忙節省製作時間，那就拿來多拍一些影片好了。

但，如果能改善單支影片的表現，投入同樣的製作心力，就可以得到10倍的觀看量，是不是會更好。

我的專長是做增長，做增長很重要的一件事，就是辨識現在到底卡在哪裡。是腳本嗎？打光不夠好？還是主持人長得不夠帥？

研究了一陣子，我把注意力放到標題和封面。它們是觀眾接觸影片的重要入口。觀眾滑過去的時候，他願不願意停下來、點進去。

我當時的判斷是，這才是我流量的瓶頸，所以就把封面和標題優化，當作最重要的任務。

為什麼挑這件事，你試算一下就知道，你產出三倍的影片，但是做事的方法沒改變，總流量就是翻三倍。但是你把力氣花在封面、標題、節目製作上，就可以有10倍以上的成長。

這怎麼算，都是應該把力氣花在封面、標題和節目的製作上，不是嗎？

最後也證明這個判斷是對的，至於怎麼做，讓我接下來說個清楚。

用 CCN 框架，重新定義問題

CCN 把受眾分成三種：Core 是核心觀眾，Casual 是偶爾來看的觀眾，New 則是還不熟悉我們的新觀眾。這個分類對我很有幫助，因為它提醒我，同樣一支影片，三種人願意點進來的理由可能很不一樣。

舉例：以理財通識教育頻道來說，在企劃時，我會先用下面這種方式理解他們：

YouTube 後台也提供依觀看行為區分的「新觀眾」「一般觀眾」和「忠實觀眾」資料，可以作為觀察不同受眾的入口。但看過幾次影片，還不能直接告訴我們這個人正在擔心什麼，這部分仍需要進一步理解。

先讓 AI 整理資料，再請它反駁我的理解

有了這個概念之後，就是要告訴 AI YouTube 後台看什麼資料，至於看什麼資料和數據，才能好好定義 CCN 三群受眾，就還是讓我賣個關子，有興趣的可以私下來問我。

接下來，我會讓 AI 協助整理這些受眾的行為資料：不同觀眾群比較喜歡哪些影片？哪些題目能吸引新觀眾？哪些內容是核心觀眾比較有興趣的？

AI 在這裡很好用。它可以很快讀完資料，幫忙整理、歸納，讓原本散在不同地方的資訊變得比較容易看懂。

然後製作每一集節目的時候，都會把想法交回給 AI：「我覺得 Core 是這種人，Casual 比較在意這件事，New 則是被這個議題吸引，你覺得對不對？可不可以反駁我？」

你叫它反駁，它就會開始從其他角度看。這個來回很重要。透過資料整理、自己形成想法，再接受挑戰，我們對觀眾的理解才會慢慢變得具體。

AI 有點像一位知道很多事情的顧問。你需要給它資料，也需要告訴它，現在應該看哪裡，現在該做什麼。

找出三種觀眾共同在意的問題

理解三種人之後，下一個難題就來了：同一支影片的標題和封面，要怎麼讓他們都有興趣？

我覺得這跟做產品很像。我們在理解 Persona 時，會把不同用戶的差異分得很細；真正設計產品時，則需要找出能夠一起滿足的需求。

CCN 也是一樣。要往下找，這三種人背後有沒有共同在意的事情，同時去抓住乾貨、議題、情緒價值。

為了同時滿足 CCN 三種人，你會花很多時間和 AI 來回討論，這往往會讓你花更多時間去產圖、產標題。要討論的包括：我們抓到的焦慮是真的嗎？這個題目對沒看過頻道的人是否容易理解？核心觀眾又能從裡面得到什麼？

AI 可以很快給出十幾種標題和封面圖，但我們仍得研究和思考，哪個切角比較貼近這群觀眾當下在意的事情。

挑兩個有差異的方向，交給市場測試

討論到這裡，AI 通常已經給了很多建議。每一個都能說出一套理由，到底哪個比較有效，還是得拿去 A/B Testing。

你不能把所有 AI 給的建議都拿去 A/B Testing，原因很簡單，太多組 A/B Testing 會花太長時間測試，新影片上架三天的黃金窗口期，若測不出結果來，那就會白白浪費那些測試流量。

所以，以我們的理財頻道來說，我目前比較只做兩組測試。一組從「樂觀市場情緒」切入，另一組則從「擔心風險」的角度切入，一正一負，一個多方、一個空方。

這樣通常可以在最短的時間內，測出對我最有效的封面圖案與標題。

讓 AI 越來越懂觀眾的關鍵是：讓 AI 自我迭代

除了把 A/B 版本拿去測試，我還多做了一件事：先請 AI 預測，哪一個版本會贏。

剛開始通常不太準。它可以講得很有道理，也可以給出一個數字，但拿到真實結果後，往往會發現差距不小。

這時我會把 A/B Testing 數據交回去，問它：「這是A/B Testing真實結果，你覺得為什麼你的誤差這麼大？」，AI 自己會歸納出一些修正出來，但你也不知道這些修正，對下一次會不會有幫助。

沒關係，繼續做，因為概做了十到十五組之後，我觀察到，至少在判斷「哪個版本比較可能勝出」這件事上，它開始越來越準。

有意思的是，對我來說，我開始把這件事變成一個自我迭代的循環：先理解受眾，提出想法，形成版本，做出預測，再拿真實結果回來討論。這些預測、結果和修正理由，都值得留在後續討論的資料裡。修正後的判斷有沒有比較好，則繼續交給下一輪測試檢查。

這樣一來，我可以不斷幫 AI 建立 Context，累積對這個頻道、這些觀眾的理解。

把省下的時間，真正去解決瓶頸問題

回到限制理論，現在產圖很快，但我更願意把時間花在前面：看懂受眾、找出共同需求、討論切角，以及回頭檢查上一次為什麼判斷錯了。

如果這些討論需要兩、三個小時，我覺得很值得。跟再拍一大批影片相比，先把一支影片的題目和入口想清楚，可能更接近當下需要解決的問題。

在 AI 時代，你更應該把精神花在去尋找瓶頸在哪裡，然後花夠多的心力去解決它。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

所以我認為，團隊要特別注意資源的分配，除了維持必要的小優化，也要把省下來的時間，投入更有機會改善產品體質的中突破，或打開新市場的大躍進。每一次珍貴的市場驗證機會，都應該用在更高期望值的題目上。

最近又做了一場分享，我想把這個問題再往下推進：除了重新安排既有產品的工作，我們還能做什麼事，來打破 AI 時代的市場瓶頸。

廣告時間：歡迎來我當顧問的 CMoney 應徵 Jr.PM 和 Sr.PM，就可以直接聽到我現場分享啦！

方法一：直接打破市場瓶頸，採取多產品策略

當瓶頸在開發，我們會想辦法提高工程產能。但如果現在做得出來，市場卻消化不了，接下來就要問：我們能不能擴大可以服務的市場，讓新增的產能有機會轉成營收？

一個產品有自己的定位與目標用戶。開發變快，不會自動讓更多人需要它。持續往同一個產品疊功能，也可能只是在滿足同一群人的需求，卻沒有打開新的成長空間。這時候，就值得考慮用不同定位的產品，服務其他客群，或滿足既有用戶在不同情境下的需求。

但，新產品往哪找？

首先是通路。我們熟悉什麼分發方式？我們既有的流量還適合拿來推廣哪些產品？因為有能力做出來新產品，也要有辦法讓對的人看見。如果已經有熟悉的通路和既有的流量，就值得想想，還有哪些需求適合透過我們這些通路被服務。

再來是資源。例如已經擁有的核心資源、流程，有哪些可以重複利用。相同的底層資源，可能可以支援不同定位的產品，讓我們用比較低的額外成本，接觸不同的需求。

也可以從用戶缺少的互補品看。他們在使用目前的產品之前、之後，還有哪些事情沒被解決？有沒有另一個工具或服務，可以滿足同一群人的另一種需求？這些機會，往往需要回到用戶的完整情境，才看得見。

最後，是重新評估過去不划算的利基市場。過去開發資源有限，團隊常會依照八二法則，把資源集中在少數能帶來大部分效益的需求上。這樣的取捨，讓我們能優先服務主要客群，但也意味著，那些規模較小、需求較分散的市場，往往就被放棄了。即使知道有人需要，也會因為資源要集中在效益最大的地方，而決定先不做。

AI 降低開發成本後，這些小市場就有機會重新被評估。原本不值得做的產品，現在可能值得嘗試了。

方法二：充分利用瓶頸，把省下來的時間，做更好的規劃

除了尋找新的市場，我們也可以回頭檢查，省下實作的時間，我可不可把同一個題目，把它做得更成功？

我想分享一個 YouTube 封面製作的經驗。

小游是 YouTube 頻道製作人，以前花很多時間做影片封面。我介紹他用 ChatGPT 產圖之後，原本在 Canva 上拉半小時、一小時的圖片，可能三到五分鐘就完成了。製作速度快了很多，可是流量沒有因此跟著提升。

這件事跟產品開發很像。做得快，並不會更賺錢、拿到更多流量。真正影響觀眾的，還是這個題目跟他有什麼關係，以及標題和封面能不能引起他的興趣。

後來，我把 CCN 框架的相關內容整理成 AI 可以反覆使用的 Skill，讓小游拿來跟 AI 討論。CCN 框架是把受眾分成核心受眾 (core)、偶爾觀看的受眾 (Casual)，以及尚未接觸過內容的新受眾 (new)。這是曾與 MrBeast 合作的 YouTube 顧問 Paddy Galloway，在訪談中談過這個思考方式，好的題目要能照顧核心觀眾，也讓其他潛在觀眾有興趣。

於是，小游開始花更多時間看數據、想受眾，跟 AI 討論，同一支影片，怎麼呈現才能讓原本的觀眾想看，也讓不熟悉頻道的人看得懂、願意點進來？這些問題，都得想清楚。

結果很有意思。圖片製作變快了，規劃時間卻大幅增加，整件事情未必比較早做完。但在這些嘗試裡，影片流量開始有了大幅改善。

這個經驗讓我更重視一件事：AI 省下來的執行時間，可以拿去把原本想得不夠清楚的事情想清楚。 如果只是用同樣的方法，更快做出同樣的東西，市場反應未必會改變。把時間重新分配給受眾理解與題目規劃，才有機會改善最後的成果。

方法三：用數據地圖，認真從 backlog 中找出最大期望值的項目

數據地圖 會從我們想達成的目標出發，往下拆解相關指標，整理它們之間的關係。例如，目標是增加營收，就可以先看付費用戶數與平均每位付費用戶的收入，再往下檢查新用戶的付費轉換、既有用戶的留存等因素。接著，把準備做的功能放進這張圖裡，看看它預期影響哪個指標，又怎麼一路連回最上面的目標。

數據地圖相關說明可以看這一篇：數據地圖 – 概念介紹與用途

假設我們想改善新手導引，預期是讓更多人完成第一次有價值的使用體驗，進而提高付費轉換。但 AI 時代你可以挖得更深、想得更清楚：用戶沒有付費，真的是因為不會用嗎？還是他已經會用了，只是沒有感受到值得付費的價值？兩種情況需要的做法就不一樣。把關係畫出來，才比較容易看見我們的方案依賴哪些假設。

這時候就可以把數據地圖、目前的數據和候選方案一起交給 AI 討論。現在最卡的是哪個環節？手上的方案有沒有處理到它？如果這個指標改善，對最終目標的影響會有多大？有沒有其他做法，更有機會帶動整體成果？

這些問題，能幫助我們重新檢查原本想做的事情，也找出值得嘗試的新題目。

還可以搭配 Pre-Mortem 的技巧，先假設專案失敗，做事前覆盤，來找出最需要先驗證的地方。這些討論確實會花時間，但它們能讓我們更清楚，為什麼要做這個功能，以及上線後要驗證什麼。AI 可以協助拆解問題、提出選項，我們則要把實際資料與判斷放進去，再用市場回饋檢查。

你把省下來的時間，投入規劃當中，把每個項目的期望值提升，這才是充分利用「市場」這個瓶頸的做法。

選擇做什麼，比你會做什麼重要

PM 在 AI 時代，可以 Vibe coding，也可以和 AI 討論把規劃做得更完善，當你一個角色會做的事情變多了，選擇做什麼這件事就變得更重要了。

我們來 Vibe coding 來說好了，PM 到底該不該做 Vibe coding 呢？

我覺得沒有固定答案，要看具體的工作。如果某件事交給工程師，對方可以比你快很多做完，而且品質更好，你就要想想，自己下去做的那段時間，會不會讓更重要的規劃沒有人處理。

但如果是需要大量溝通、邊討論邊調整的功能，由理解需求的 PM 直接操作，可能更有效率。工作怎麼分配，應該看誰做能讓整體更順。

會做一件事之後，我們還需要判斷，親自做這件事值不值得。

麻煩的是，AI 能力持續改變，這個分工邊界也會跟著移動。今天適合交給工程師的事，之後可能自己就能很快完成；原本以為能自己搞定的東西，做下去才發現花掉太多時間。我們得持續了解工具的能力，也觀察自己實際投入的成本，再調整分工。

所以比較恰當的做法是，要小心觀察瓶頸發生在哪？然後用適當的工具，去解瓶頸的問題。

你有空做，不代表還有注意力把它做好

除了時間，我在 AI 時代越來越有感的限制，是注意力。

AI 可以一下子產出很多文字、很多選項、很多版本，但每一份都要有人讀與下決定。你可以同時開好幾個對話，卻不見得有足夠的精神，把每一個回答都看懂、想透，再做出好的決定。

你願意工作八個小時、十二個小時，也不代表每個小時都有同樣的判斷品質。當每件事看起來都很容易開始，我們反而更容易答應太多事情。結果是手上多了很多工作，真正重要的問題卻分不到足夠的注意力。

所以，當我想說「這個很快，順手做一下」時，現在會多想一步。即使製作只要幾分鐘，但還是會消耗我的注意力。所以要搞清楚，這件事究竟能幫助哪一個目標？值得我把心力從其他事情移過來嗎？

AI 替我們省下執行時間之後，怎麼使用這些時間，就成了新的功課。對團隊來說，可能是用不同定位的產品，接觸原本沒有服務到的需求；對個人來說，可能是多花一點時間理解用戶、檢查假設，把題目想得更清楚。

小結：AI 省下來的時間，值得重新分配

這次分享，我最想提醒大家的是：AI 改變了執行的成本，我們分配資源的方式，也值得重新調整。當開發變快、瓶頸移到市場，如果還是沿用過去的習慣，持續往同一個產品塞進更多功能，新增的產能就未必能轉成營收。

對團隊來說，可以透過多產品策略，用不同定位的產品接觸更多需求。新產品的機會，可以從既有通路、可重複利用的資源，以及用戶缺少的互補品去找。過去依八二法則放棄的利基市場，也可以在開發成本降低後，重新評估一次。

對個人來說，省下來的時間，值得拿來提高規劃品質。影片製作人可以用 CCN 框架重新思考封面，產品團隊也可以用數據地圖檢查功能與目標的關係。這些工作可能讓規劃花得更久，卻有機會讓每一次投入市場的嘗試更有根據，提高成功的機會。

但要做到這些，我們也得保留足夠的注意力。哪些事情自己做、哪些交給別人，以及哪些暫時不做，都需要取捨。能不能幫助達標，應該成為分配時間與心力的依據。

所以，下次回頭看自己怎麼使用 AI 時，除了看看完成了多少工作，也可以問問自己「我把省下來的時間花到哪裡去了？這樣的分配，有沒有讓我更接近原本想達成的目標？」

永遠要把目標放在心上。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

我覺得做產品也是這樣，你看到一個產品，會忍不住想：這個按鈕為什麼在這裡？這條流程為什麼要走五步？用戶只是想完成一件很簡單的事，為什麼要讓他這麼麻煩？

廣告時間：歡迎來我當顧問的 CMoney 應徵 Jr.PM 和 Sr.PM。

你會生氣，是因為你覺得這些事情不應該發生。用戶不應該為了我們內部的分工，重複填一樣的資料；不應該因為我們沒想清楚，就得自己研究半天怎麼操作。但很多時候，這些事情發生得太頻繁，大家反而都接受了。

用戶習慣了，團隊習慣了，產品經理也習慣了。這才是我覺得需要小心的地方，因為當你也覺得「這樣就好了」，就很難再想到有什麼需要改變。

憤怒的背後，要有你想實現的世界

按照這個思路，你會發現，憤怒和想像力其實有很大的關係。你覺得眼前的事情不合理，是因為你認為它應該有另一種做法。

接下來的問題就是，你能不能把那個想像的世界想清楚？

用戶研究可以告訴你，他現在怎麼做、卡在哪裡、用了哪些替代方法。但一個他從來沒看過的產品，他不一定有辦法描述給你聽。產品經理得從這些線索裡，想像出一個還不存在的答案。

而且，想像力不只是增加功能，也包含刪除。舉例來說，把註冊流程從五步縮短成三步，是優化；但如果再往前想，用戶此刻到底需不需要註冊，就可能得到很不一樣的答案。他只是想先試用一下，我們為什麼一定要他先填資料、驗證信箱、設定偏好？這些事情現在就要做嗎？還是等他真的需要時再做就好？

當你對一條流程的不滿夠深，就比較不容易只滿足於把它修順一點。你會想繼續追問，造成這些麻煩的前提，到底能不能改？這個選項為什麼一定要讓用戶決定？這個頁面是不是根本可以消失？

這需要想像力，想像你是用戶，想像一個理想的世界，你得在一個東西出現在世界之前，就看得見它的世界會怎麼運作，才有辦法判斷你做的到底對不對，這其實一點都不簡單。

AI 做得越快，你越要知道自己想改變什麼

到了 AI 時代，我覺得這件事會更重要。以前做產品，經常是想到了，卻沒有足夠的時間、技術或資源做出來。現在 AI 可以幫忙產生介面、整理流程，甚至做出可以操作的原型，讓我們更快去測試自己的想法。

這代表產品開發的瓶頸，有一部分正在往前移。以前的問題是「想到了，時間不夠」；以後更常見的問題，可能會變成「來得及做，但根本沒有想到」。而你對現況的不滿，就是促使你繼續想下去的一個很重要的動力。

譬如你原本覺得註冊流程很麻煩，請 AI 幫忙改版，它很快就做出一個漂亮的介面。但你仔細看，用戶還是得填一樣多的資料，還是得完成那些你覺得不合理的步驟。這時候，你不能因為畫面變漂亮了，就覺得事情完成了。原本讓你不滿的問題，明明還在。

AI 當然也可以幫你發想，提出你原本沒想到的選項。但你仍然要記得，自己一開始想改變的是什麼。如果你很容易被一個看起來完整的答案滿足，就可能在工具越來越好用的時候，反而忘了繼續追問下去。

做一個安靜的憤怒者

我覺得，做產品的人可以練習成為一個安靜的憤怒者。你可以心平氣和地討論事情，同時對那些不合理的地方，保留很清楚的感覺。你不需要靠發脾氣讓別人知道你很在意，但該講的問題，還是要講出來。

尤其要小心，不要把「我已經忍習慣了」，誤以為是自己變成熟了。如果一件事明明讓你很不舒服，你卻一直說沒關係，那個不舒服並沒有被處理。你得承認自己在意它，再去想，哪些是你能改變的，哪些需要找人一起處理，哪些現在得先放下。

有些事情今天解不了，你可以先放到後面，但要知道自己為什麼放，也知道什麼情況下值得再拿出來討論。做了取捨之後，你仍然可以記得，這個問題還沒有被解決，用戶還在承受這些麻煩。

做產品的人，心裡得留著一點憤怒。對自己有覺察，知道自己為什麼不滿；對用戶有感覺，不因為他已經習慣，就覺得事情合理。然後把這些不滿想清楚、講清楚，變成可以嘗試的做法。

你可以很平靜地說話，但心裡要知道，哪些事情你還不願意就這樣算了。

這是我心目中「做產品的人」。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

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。

唯一確定的是：AI 讓大家更忙了

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？

AI 讓開發變快，卻沒有讓市場變大

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。

當瓶頸移動，前面的效率可能變成浪費

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。

• 第一，PM 的工作量暴增。除了寫規格、驗收與開會，還開始用 Vibe Coding 幫團隊做活動網站、會員營運、自動化流程、數據撈取與 Dashboard，慢慢變成團隊裡的內部技術解題者。
• 第二，各種 Bug、資安疑慮與技術債一起增加。PM 可能很快做出一個能動的版本，卻不一定看得見底層問題，最後仍要請工程師驗證。
• 第三，專案管理變得更難。PM 不熟悉技術邊界，時程容易估不準；老闆看到 AI 好像什麼都能做，也容易覺得「這不是一下就好了嗎？」偏偏 AI 的能力邊界幾乎每一季都在改變，團隊很容易雞同鴨講。
• 第四，產品經理可能失去產品手感。以前我們會用手慢慢拉 Prototype，一邊操作、一邊想流程順不順。現在如果直接請 AI 產 PRD 後，馬上做 Prototype，再把結果交出去，很容易得到一個乍看合理，深入使用卻漏洞百出的產品。

AI 時代，什麼事情不會變？

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？

從小優化、中突破、大躍進，看產品資源配置

我把產品團隊常做的事情，簡單分成三類。

• 小優化，通常是漏斗轉換率、表單流程、按鈕文案之類的改善。它的成功率較高，開發時間較短，但成功後帶來的提升通常也比較小。
• 中突破，通常是 Retention、Engagement 或產品體質的改善。成功率比較低，時間比較長，但一旦成功，影響也比較大。
• 大躍進，則是增量市場、新商業模式或顛覆性功能，也可能是做全新產品。它最難成功，成本也最高，但一旦命中，可能直接讓成果翻倍。

我用一組假設數字來說明這三類事情的差異。

• 小優化一個要做一個月，成功率是 50％，成功後提升 2％，單次期望值就是 1％。一整年都做小優化，可做12次，期望值會是 12%
• 中突破一個要做二個月，成功率是 10％，成功後提升 30％，單次期望值是 3％，一整年都做中突破，可做6次，期望值會是 18%
• 大躍進一個要做三個月，成功率是 5％，成功後提升 100％，單次期望值是 5％，一整年都做大躍進，可做4次，期望值會是 20%

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。

AI 以後，開發變快了，資源配置邏輯卻沒變太多

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：

• 小優化一個要做0.5個月，成功率是 50％，成功後提升 2％，單次期望值就是 1％。一整年都做小優化，可做24次，期望值會是 24%
• 中突破一個要做一個月，成功率是 10％，成功後提升 30％，單次期望值是 3％，一整年都做中突破，可做12次，期望值會是 36%
• 大躍進一個要做1.5個月，成功率是 5％，成功後提升 100％，單次期望值是 5％，一整年都做大躍進，可做8次，期望值會是 40%

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。

不是停止小優化，而是重新分配比例

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。

產品經理的工作，要從「排序」變成「出題」

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。

• 從替 Backlog 排序，變成主動出題。不要只消化眼前的需求，要持續產生能帶來中突破與大躍進的候選方案。
• 把公司的目標當成自己的目標。當你真的在乎，才會像老闆一樣追問：現在這個做法夠不夠強？它真的有機會達標嗎？
• 降低失敗成本，而不是追求每次都小成功。中突破與大躍進大多數都會失敗，重點是用 MVP、快速驗證與清楚的停止條件，讓團隊失敗得起。

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。

為什麼做高期望值的事，符合限制理論？

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。

AI 時代真正昂貴的，是市場和驗證

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。

小結：不是做得更多，而是選得更準

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。

關於作者：Mr.PM 下午先生

• 資深產品顧問、數據化營運專家：詳細的個人簡介
• 我的 FB粉絲頁、IG
• 過往演講 投影片整理
• 數位時代訪談：打造產品飛輪。
• 數位時代訪談：做好產品經理三法則。

前言

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。

• 工作的核心，是做好這個工作相關的決策。
• 帶人的核心，是幫他做好這個工作的決策。
• 管理的核心，是讓大家的決策，可以效益最大化。
• 組織的核心，是打造可以低成本做出正確決策的環境。

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。

數據地圖介紹

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。

• 相乘
  • 營收 = 訂單數 x 客單價
  • 訂單數 = 流量 x 轉化率
• 加與減
  • 流量 = 直接流量 + 廣告流量 + 搜尋流量 + …
  • 營收 = 台北市營收 + 新北市營收 + …
  • 營收 = 線上營收 + 線下營收 + 企業營收 + 上架費 + …
• 正相關或負相關
  • 購買品項數上升，客單價上升，購買品項數和客單價是正相關。

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。

數據地圖每家都不一樣

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。

數據地圖如何應用

第一種應用：數據分析的藍圖

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。

• 最近因為百貨公司週年慶，所以大家都比較少在上線購物。
• 最近因為大家都出國玩。
• 最近因為Facebook廣告變貴，所以流量變少。

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。

第二種應用：幫助跨部門溝通

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。

第三種應用：避免數據近視症

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。

第四種應用：更有效的展開計畫

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：

• 會員客單價提升計畫
• 會員轉換率提升計畫
• 異業合作計畫
• 付費流量計畫
• 有庫存的商品瀏覽數提升計畫
• 訪客註冊率優化計畫

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。

第五種應用：找到槓桿解

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。

小結

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。