本文結構如下：
一、產品經理需要有判斷力
二、系統化思維—項目流程全閉環
- 需求調研（5W2H模型）
- 需求分析（概率思維）
- 需求立項（基於數據與價值，達成一致）
- 需求閉環（評估數據和產出，用數據覆盤）
三、用“人工智能”修煉判斷力
1、建立自己的知識圖譜（輸入與輸出）
2、建立系統化思維（原理是什麼）
一、產品經理需要有判斷力
理論上，一個理性的人，都需要有判斷力，那為什麼專門指出產品經理需要有判斷力？因為筆者從事產品經理職業，且在工作實踐中發現，產品經理是最容易被坑的群體。
- 老闆說這個功能很重要，是行業的標配；
- 商務說這對接的合作方很靠譜，上線後預計有多少多少的產量，讓其他需求讓讓優先級；
- 運營說這個功能很多用戶需要，上線後能極大提升用戶體驗，同時節省多少多少的人效；
以上場景是不是很熟悉，產品經理每天會收到很多需求反饋，第一步是進行需求的調研與分析，只有調研分析過的需求才能真正進入需求池，否則只是待調研需求。
二、系統化思維：項目流程全閉環
1、需求調研（5W2H模型）
5W2H分析法又叫七何分析法，是二戰中美國陸軍兵器修理部首創。由於該分析法概括了why定義原因，what定義問題，who定義對象，when定義時間，where定義地點，how mucn定義程度（或數量或成本），how to定義實現路徑;從而可以廣泛應用於定位並解決問題，包括寫報告、寫代碼、需求調研、理解leader佈置的任務、項目管理、合同管理等幾種場景，實乃產品新人入坑、農民進城防騙的第一指南；另外還有升級版可以加上三個參數，resource定義資源, risk定義風險，result定義結果，即加上3個R升級為5W2H3R的10字母模型。
回望自己的職業生涯，確實踩過不少的坑。
產品經理是最有資格抱怨而最不應該抱怨的人，因為產品經理的價值就是解決問題，而解決問題需要有足夠的判斷力。
A、老闆說：這個功能很重要，是行業的標配；
多問幾個問題：
- why老闆想解決的是什麼問題；
- what 這個功能是什麼，有什麼用
- who 解決誰的問題，與我們現有產品的用戶群體是否一致
- result 解決這個問題有什麼收益，與核心目標KPI是否相符
- how 如果要解決這個問題，有幾種解決思路
- how much 這幾種思路對應的方法，成本是多少
2、需求分析（概率思維）
前面說了第一步是需求調研，調研完是不是開始做了呢？第二步是分析；之前我做需求分析，最喜歡用投入產出比來分析需求，並初步判定優先級；後來發現這裡有個誤區，所有分析都應該是建立在概率分佈中的，且需要有數據支持；
B、商務說：這對接的合作方很靠譜，上線後預計有多少多少的產量，讓其他需求讓讓優先級；
多問幾個問題：
- 合同是否談妥了（如果沒談妥，會有哪些風險，我們的收益是什麼）
- 產量是怎麼預計的，是否有歷史數據或行業數據支撐；是用線性還是非線性模型預計的；
- 對方會採購我們的概率是多少，對方會採購我們XX產品的數量和佔比又是多少；
C、運營說：這個功能很多用戶需要，上線後能極大提升用戶體驗，同時節省多少多少的人效；
多問幾個問題：
- why運營想解決的是什麼問題；
- what 這個功能是什麼，有什麼用
- who 解決誰的問題，該類型用戶佔比是多少
- 這個功能改進涉及的功能會有多少人用，現有數據是什麼
- 是否有其他解決方案，分別成功概率是多少，成功後的收益是多少
即任何投入產出比都是建立在概率的前提下的，機器學習中經常用到的貝葉斯統計就排上了用場。
如何通俗地理解貝葉斯統計？
舉個例子：生病的幾率
一種癌症，得了這個癌症的人被檢測出為陽性的幾率為90%，未得這種癌症的人被檢測出陰性的幾率為90%，而人群中得這種癌症的幾率為1%，一個人被檢測出陽性，問這個人得癌症的幾率為多少？
猛地一看，被檢查出陽性，而且得癌症的話陽性的概率是90%，那想必這個人應該是難以倖免了。那我們接下來就算算看。 考慮先驗概率和後驗概率
陽性得癌症的概率為：0.083 , 陽性未得癌症的概率為：0.917
換成新儀器引進的例子也是一樣，如果你是醫院的院長，有人推銷一種儀器售價1000萬，檢測某疾病的準確率為95%，而此疾病的發生率僅為0.01%，則需要考慮一下發生此疾病且檢測準確的概率了。
做產品和做投資都是有賭性在的，賭的就是成功的概率，這裡面要判斷項目能成的概率，是否屬於你的重點項目，你預計投入多少時間精力和資源，這個項目能否超出預期從而成為你的成功案例；
3、需求立項（達成一致）
好，調研和分析都完成了，是否可以開始執行了？此時還需要一個立項會。發現沒有，這就是老油條和新人的區別，新人一般會急吼吼的開始進行項目，而老油條一邊設計線程一邊爭取項目相關方達成一致。
- 要拉項目相關方都參與項目立項會，且需要提前梳理5W2H3R，在會上闡述項目的背景、目標、價值、分工與配合、各部門負責交付的東西和時間節點、所需的資源、風險、成功的概率和收益等；
- 不確定的點都要在會上達成一致，且形成書面記錄並追蹤執行情況。即決議前充分討論，決議後忠實執行。
4、需求閉環（評估數據和產出）
初階產品經理：能按時保質的完成需求的輸出，且跟蹤項目的執行與產出；這裡面也涉及到如何協調項目相關方，讓參與方統一認知且有認同感，考慮異常場景與上線後的運營推廣計劃等；
而初階與高階的區別，是你是否是這個項目的owner，即你是否有主人翁意識。
這個項目或者是你自己提出的，或上級為了KPI交到你手中的，你是隻承擔了這個項目中產品設計者的角色，還是這個項目的總負責人；（這裡有個職場現實規則，機會往往是自己爭取的，特別是對於產品經理這種只有職位沒有實際職權的崗位來說，很可能你就是這個項目的產品經理，總負責人是你上級或其他部門負責人，或者沒有明確任命的總負責人）
此時你能否做到除了關注自己負責工作內容部分外，承擔起項目最終成敗的責任？
這裡舉一個反面的例子，有次上級問我某個項目沒有達到預計的目標產量（當時的目標產量也是相關商務預估的，沒有太多數據支撐），產品的責任佔了多少；我沒有理解這個問題，我以為問的是原因佔比，我答產品因素至少佔了60%（當時想已經往高了說）；後來上級和我說，即使你只承擔了1%的原因佔比，你也應該負100%的責任。這句話真是醍醐灌頂，如果我是站在一個項目owner的角度，從自己這個原因出發，我完全可以去推動其他人，去更早的思考項目的投產閉環：調研目前的現狀和原因，提出解決策略；哪怕有些策略不是產品側能解決的；忙不是藉口，身兼多個項目不是理由，如果是自己的重點項目，就一定要想辦法超出預期。
想明白這個問題，你才能從功能負責人成長為業務負責人。
三、用“人工智能”修煉判斷力
1、建立自己的知識圖譜（輸入與輸出）
（1）結構化輸入
這裡推薦一個工具——有道雲筆記（免費，服務器穩定，移動端和桌面端完美兼容，未收廣告費）。
如我最近在學習人工智能相關知識，如果只是看過可能很快就忘了，如果我能邊看邊記筆記，並自己畫出思維導圖的話，才算基本掌握了概念。
（2）結構化輸出
一個完善的系統，除了有輸入，還需要有輸出；如一個知識，只能你能自己應用並可以教給別人，才算真正掌握了這個思維體系；嘗試輸出新的“新的input”，或是“刺激他人有新的思考”。
2、建立系統化思維（原理是什麼）
前面談到幾個思維框架：
- 需求調研（5W2H模型）
- 需求分析（概率思維）
- 需求立項（基於數據與價值，達成一致）
- 需求閉環（評估數據和產出，用數據覆盤）
這和機器學習的套路是一樣的，選定一個目標，喂數據，定義價值和激勵函數，從而得到更好的結果，這裡面既要降維解決具體問題，關注微觀細節的東西；又要升維思考抽象問題，關注宏觀系統的東西。
以上說的判斷都是冰山上的東西，其實很多大方向的判斷在冰山下面。產品經理不能只是正確的做事，還要做正確的事。如果不能判斷什麼是正確的事，你就是一個執行者，一個做功能的。
一個合格的產品經理要完成項目需求分析、價值分析、項目閉環，且還要能站在更高維度去思考：
- 產品今年規劃是什麼？
- 公司全年規劃和目標是什麼？
- 公司處於產品鏈上下游中什麼位置，創造什麼價值，核心戰略是什麼？
- 公司在行業中排名多少，準備打哪個方向？
- 未來的趨勢和前景是什麼？個人是否有競爭優勢？
就如同選擇職業一樣，如果大部分人只看到薪資待遇、崗位要求與自己相符，而不考慮個人發展方向、個人性格和優勢、行業或崗位發展前景等，和迫於生計壓力隨便選一個餬口職業沒有太大差別，都沒有系統的職業規劃；
如我之所以選擇產品經理這個職業，也是因為個人熱愛學習與分享，希望做一個超級連接者。
把個人的成長也看做一個學習曲線，祝大家都能在新的一年裡不自我設限，把握機會與創造機會，做有意思的事情。
拓展及參考鏈接：
- 產品經理進階之路：用模型化思維解決問題
- 你對貝葉斯統計都有怎樣的理解？——徐炎琨
題圖來自 Unsplash，基於 CC0 協議
閱讀更多 人人都是產品經理 的文章
