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。

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。

做產品的人，心裡得留著一點憤怒

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。

策略是不斷問「所以呢？」

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。

選擇不會痛，就還稱不上策略

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。

AI 擅長生成，人要負責選擇與刪除

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。

產品的起點，是把小小的不滿放大

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。

光有洞察不夠，還要回答它會改變什麼

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。

策略要落地，團隊就不能只收到任務

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。

面對測不準的未來，不要談策略，而要談價值

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。

用正念，來幫助策略

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。

別讓成熟，把你的不滿和憤怒磨平

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。

結語：策略始於不滿，成於捨棄

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。

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。

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。

1. 質疑每一項需求

這比較是人類的事情，AI 可以角色扮演和你討論。

2. 刪除零件或流程

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。

3. 簡化 + 最佳化

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。

4. 加速

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」：

• 不要白做：錯誤在產出當下就攔，拖到成品才發現就整輪白做了。
• 不要乾等：慢的檢查丟背景跑，可以一起跑的就並行。
• 不要重算：算過的東西留著。同一集共用的數值記進快取。
• 不要多步：可以合併就合併。

5. 自動化

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！

小結與補充

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～

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。

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。

產品定位的四個層次

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。

不是每個產品的 KPI 都是「賺多少錢」

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。

從產品生命週期看商業定位

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。

「除法思考」就是失敗的開始

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。

用 Top Down 思考法分解目標

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。

小結

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。