熟悉 产品设计的应该都熟悉 的业务蓝

mamun6846

图绘制方式目的都是一样的找到需要重资源投入解决的关键问题。 结合两年前“从交互中发掘潜在需求”的案例首先对于“潜在需求”我找了一些关键特性来描述这个概念这些其实就可以算作这件事情拆分出来的要素。基于要素对应的问题即可以找到系统设计的子任务简单的子问题对应一般对应到一个子任务这里需要保证的是拆分出的要素和对应的子任务是机器可以理解的。 设计变革——大模型的设计方法 对于这个案例来说核心就是如何看待“潜在需求”我们可以想到一些要素来尝试描述下理想中的潜在需求 目前没有被满足目的挖掘新的领域而不是单纯的挖掘交互失败的毕竟挖掘已知需求或者已知需求的新表达范式并不是目标。




用户的需求是普遍的毕竟是商业公司肯定是希望优先做投入产出比最高的事。 未来有增长潜力 马来西亚手机号码数据 同样的商业公司考虑持续收益但是这件事可以推理出如果我要预测一两年后需求发展情况做一个长周期时序预测必然不确定性极高完全不具备可商业性这种问题就应当交给人解决。 从上面的三个要素可以发现首先机器独立一定无法完成任务这个任务一定是人机耦合的。其次前两个要素都有共性问题就是还是无法直接完成因为找不到这些要素和问题的边界和明确的量化完成状态我就以“用户需求普遍性”要素为例做一下要素拆解。 设计变革——大模型的设计方法 因为逻辑上来说我没法一步得到投产比这种复合结果我可以先计算收益收益这个概念其实分析下也会发现其实是由影响面和转化率组成的复合指标转化率这件事我认为机器是不可达的也需要人工判断那就只能进行影响面的挖掘和预测。因此到这里我们其实已经可以修正下我们的第一步的目标了。






目前来看我们的目标实际上是设计一个“新需求领域的影响面挖掘系统”“一套可视化后台用于人工结合市场知识判断新领域预期转化率”。 应该注意两点 熟悉概率统计或者信息论的都了解实际上每一次拆分或者用组合方式解决问题都再次引入了误差代表系统整体效率的下降所以应当尽可能端到端的输入输出直接解决问题避免过多的问题和任务分解设计； 对于很多问题实际上机器完全不可达不可达原因可能是完全无法收集到数据任务完全无法定义或者当前技术效果无法商用这个时候经典的做法就是把问题交还给用户采用人机耦合方式解决问题这个时候系统设计的目标也应该从直接解决问题改变为辅助提高人类的问题解决效率其实很多产品都可以看到这类影子比如经典的“帮助中心”或者“客服中心”。 实际上到这一步大致的可达路径其实心里已经大致有数了。