我还是坚持我的观点，产品经理一定要精通业务建模

在《【推荐】产品经理们，别做数据分析师，要做业务建模师》这篇文章发布后，有朋友和我说，不太同意你的观点，还是觉得产品经理一定要精通数据分析。

我踅摸着持反对意见的朋友们可能没有仔细看这篇文章，在这篇文章中，我的观点主要有三：

1）数据分析是一种技术能力，产品经理学一些这方面的知识没有错，但是如果自己朝着做一个数据分析师的方向去走，那就南辕北辙了。

2）数据只是我们在产品管理工作中做业务建模的底层，我们要拿出的不仅仅是基于现有维度的，各种漂亮的数据图表，更需要以“业务目标”为导向的能把数据重构化的业务模型。

3）对于产品经理来说，数据的意义不在于我们知道已经发生了什么，而在于分析出未来会发生什么。

但是我觉得可能还有一些朋友对产品经理和业务建模之间的重要性理解的不是太深刻，因此呢，我在本文中就全面说一下其中的原因。

1、为什么业务建模是重要的

说到模型，所有的产品经理都不会陌生，就说咱们的产品吧，在正式的产品上市之前，我们会做各种各样的模型来对产品各个阶段的性质进行验证，原型用来验证可用性，样品用来验证可实现性，测试品用来验证技术指标，试销品用来验证商业价值的准确性，等等，当然，这些模型是能看到的，可接触的实际模型，一般统称为工程模型。

而产品经理要负责的业务模型则是看不到，摸不着的，通常以数学模型或计算机模型的形态存在，可以是一个公式，可以是一组函数，比方说很多产品经理都要面对的定价计算模型：Price = Cost * Value + Goal / Competition，新品销量预测模型：P_S=C_S(P_P+M_P)，等等，很抽象，是吧，但是管理本来就是抽象的，因此，这类模型一般称为是管理科学模型。

但是，无论是工程模型，或是管理科学模型，它们的作用都是一样的，就是：

通过一定的形式和逻辑对现实世界的关系和规律的描述。

用大白话讲，就是：

看看发生了什么，能不能找到其中的规律，然后指导我们后续的事情，从而能少走弯路，少点风险。

具体到产品管理的业务建模中，这个重要性就非常明显了，我们可以想象一种情况，假设你能发现你的产品价格在市场中的制定，变化规律，并以此构建了价格模型，那么，产品的定价过程将会极为简单，制定出的价格也会非常准确，并且完全能够兼顾客户和企业的利益平衡关系。

想想都有意思。

但是，国外专门研究定价的机构，干了30多年了，依然还处于不断的探索中，这就是管理科学模型的挑战所在。

我说这个的意思肯定不是给大家泄气，相反是给大家鼓劲，因为管理是一门科学，是兼顾了多样学科的综合性科学，对此有兴趣的朋友一定要把握住这个点，你就知道值得你去探索的东西有多少了。

而业务管理模型大致可以看成是管理科学模型的一种具体应用，重要性不言而喻。

2、业务模型构建的基本流程

基本流程不复杂，大家参考上图就可以了，简单做个解释。

1）模型建立

建模者（当然，这里主要就是指产品经理了）在对现实世界（通常是市场以及所含的关键要素）观察后，在建立模型的时候需要注意一点，就是模型的设计要让模型应用者（也就是模型用户，通常包括我们和相关业务团队）能够方便的对相关变量进行修改，以便能够观察到输出结果的相应变化。

比方说，在“新品销量预测模型：P_S=C_S(P_P+M_P)”中，M_P（营销系数）这个变量就得方便营销体系的同事们进行调整。

总之，尽管建模的工作程序比现实世界要简单得多（通常是因为我们希望用常见的变量来反映现实中的复杂的情况），但是，变量的选取必须能准确反映现实世界中决策变量和决策结果之间的关系。

2）模型应用

模型用户通过使用模型，能够获得对业务问题的理解。这样过一段时间以后，模型用户就能找出产生合理业务结果的变量值，这些结果就可以形成针对提升业务模型质量的完善建议。

比方说，在“新品销量预测模型：P_S=C_S(P_P+M_P)”中，为什么要以选取竞品周期销量为一个输入变量，通过模拟或实际的运算，就可以确定C_s这个变量的合理性与否。

3）模型实施

把业务模型推向现实，是业务模型成败与否的关键。当然，现实告诉我们，最大的风险和成本不在于模型本身，而在于有些模型会改变现有的，固有的业务思维，甚至是方式，这对于产品经理来说，就需要运用一些管理技巧来调整和改变。

在模型构建的流程中，大家需要注意一点，就是图中所示步骤是交互的，而不是顺序的。

也就是说，我们建模并不是，也不可能一次性建立起一个高级的模型，而是通过简单到高级的这样一种过程不断对模型进行迭代，直至出现一个高级的最终模型为止。

3、业务模型的分类

业务模型按照不同的应用方向，可以分为五类，大家看下图：

接下来呢，我就通过一个案例说明一下如何构建一个业务模型。

4、案例-业务仿真模型的构建

案例：

每年我们都需要购买车险，假定今年的保费是1500元，某保险公司向客户提供了三种支付保费的方案：

方案1：一次性付清全年保险费；

方案2：分三期等额付款。第一月月初首付，以后每隔两月付一次。每次付款加收服务费3.5元；

方案3：月付。第一月月初首付2个月的保险费，以后每月月初提前交付，一年付完。最后十次直接从银行划付(无其他成本)，每次付款加收服务费，服务费为每次付款额的3%。

同时呢，我们也知道，只要客户的银行账号里有资金，就会有利息，我们这里假设月利率为5%。

建个模型：

这里呢，我们需要构建的是哪类模型呢？

仿真模型。

在上图中，我提到了，仿真模型是通常用于描述事物现状，用来评估不同的选择结果的，这里有三种方案，哪种方案对于客户来说，所支出的成本最低呢？这就要用到仿真模型了，简单说，就是对三种方案做一次模拟测算，看看结果如何。

具体测算模型大家看下图：

从这个模型中可以看出，方案2对于客户而言，支出成本最低。

因为方案2比一次性付款方案（方案 1）节约4.69元，方案3（月付方案）比方案 1（一次性付款方案）多花了10.87元，比方案2（分三期付款方案）多花了15.56元。

因为在方案2中，第二次付款延期两个月和第三次付款延期四个月所带来的利息收入比每次付款支付的3.5元服务费要多一些。

做个分析

这是一个最简单的业务仿真模型，三种方案，其中涉及到五个假设的变量，分别是：月利率；方案2中的等额付款期数+服务费；方案3中的付款期数+服务费。

每个变量的变化，都会对结果产生影响，比方说月利率，这个变量可以看做是一个全局变量，这里我们假设是5%，但如果是其它情况呢？

这还是比较正常的情况，还有一种极端情况，就是如果我们不知道实际利率的情况下，哪种方案才是最佳方案呢？

这就需要进一步改善这个模型，这个在本文中就不讲了，有机会再讲。

本文就先讲这么多，我觉得通过这篇文章，大家应该能进一步了解我想要表达的观点，事实上，随着AI对产业、商业、业务的不断推动，AI势必要从原来的“三体”走向“四维”，不仅要有数据、算法、算力，还要增加一个新的维度，就是业务，也就是说，新一代的AI，需要将知识驱动与数据驱动结合起来，这才是AI走向产业界批量应用的基础。

强调一下，这个观点不是我的，是华为的那谁谁谁说的。