AI產品的競爭，早在立項階段就已悄然拉開差距。

不少產品經理將精力傾注于功能交互與算法選型，卻忽略了一個更底層的問題：產品設計能否產生'有價值的數(shù)據'？這才是AI產品真正的護城河所在。

兩款相似AI產品，三年后命運迥異

2020年，國內幾乎同時出現(xiàn)了兩款AI智能簡歷助手，暫且稱它們?yōu)锳產品和B產品。

兩款產品起點相近：均為幫助求職者優(yōu)化簡歷、匹配崗位的AI工具，初期用戶量、融資規(guī)模不相上下，背后算法團隊實力也旗鼓相當。

三年后，A產品成為行業(yè)頭部，月活突破百萬，還孵化出招聘SaaS業(yè)務；B產品卻悄然關閉，幾乎未引起任何關注。

是A產品的算法更優(yōu)嗎？并非如此，初期兩者均采用同類開源模型。

是A產品更擅長市場推廣嗎？也不是，B產品曾一度比A產品更為激進。

核心差異，源于產品設計的一個決策。

A產品在設計之初就明確：簡歷優(yōu)化工具最具價值的數(shù)據，并非'用戶投遞了多少份簡歷'，而是'哪些簡歷修改行為對應了后續(xù)的面試邀請'。于是他們將產品設計成閉環(huán)：用戶投遞簡歷→跟蹤后續(xù)面試結果→記錄哪些修改帶來正向反饋→反哺推薦模型。

B產品的數(shù)據埋點邏輯則較為傳統(tǒng)：關注'用戶打開次數(shù)、使用時長、功能點擊率'。這些數(shù)據能優(yōu)化交互，卻無法讓模型更智能。

A產品積累的是有因果關系的訓練數(shù)據，B產品積累的是無閉環(huán)的行為日志。三年間，這一差距被無限放大。

這個案例讓我意識到：AI產品的競爭，在設計階段就已決定勝負。那個關鍵變量，便是——數(shù)據設計。

什么是'數(shù)據設計'？多數(shù)PM從未深入思考

'數(shù)據設計'并非數(shù)據分析、埋點方案或BI報表。

它指的是：在產品功能設計階段，有意識地規(guī)劃該功能將產生何種數(shù)據、這些數(shù)據是否具有訓練價值、能否形成壁壘。

打個比方，你是廚師要做菜。數(shù)據分析是'分析菜是否好吃'；數(shù)據埋點是'在廚房裝攝像頭'；而數(shù)據設計，則是'建廚房前規(guī)劃食材來源、儲存與加工方式'。

多數(shù)PM會做前兩件事，卻很少認真對待第三件。

數(shù)據設計有三個核心層次，PM必須清晰思考：

第一層：數(shù)據從何而來（數(shù)據入口設計） 產品功能是否會產生有意義的用戶行為信號？用戶哪些操作能反映真實需求與判斷？

第二層：數(shù)據形態(tài)如何（數(shù)據結構設計） 采集的原始數(shù)據是否具備可訓練性？是有標簽還是無標簽？稀疏還是稠密？

第三層：數(shù)據流向何處（數(shù)據流向設計） 這些數(shù)據最終能否回流模型形成反饋？還是僅躺在數(shù)據庫中閑置？

三層都考慮清楚，才是完整的數(shù)據設計。只做其中一層，是多數(shù)PM的現(xiàn)狀。

三個影響產品命運的數(shù)據設計決策

數(shù)據設計并非抽象理念，它體現(xiàn)在產品經理日常的功能決策中。以下三個決策點，決定了AI產品數(shù)據壁壘的高度。

決策一：產品是'詢問用戶'，還是'讓用戶行動'？

這是數(shù)據設計最根本的分歧點。

'詢問用戶'指通過調研問卷、評分彈窗、滿意度打分獲取數(shù)據。這類數(shù)據看似直接，卻有兩大缺陷：一是用戶表達與真實行為常不一致；二是數(shù)據量少，難以驅動模型迭代。

'讓用戶行動'則是將數(shù)據采集嵌入用戶自然操作流程，用戶每一次使用行為本身就是數(shù)據。

以AI代碼助手為例，GitHub Copilot的數(shù)據設計十分巧妙：不僅關注'用戶是否接受建議'，還追蹤'用戶接受后5分鐘內是否修改'。若接受后立即修改，說明建議質量低；若直接提交，則質量高。這個行為序列為模型提供了精準的質量信號，且用戶無需額外操作。

這便是'讓用戶行動'的精髓：數(shù)據采集隱藏于用戶價值中，用戶無感知，每一次操作都是高質量標注。

決策二：設計的是'單次反饋'，還是'序列反饋'？

很多PM設計數(shù)據采集邏輯時，僅考慮'單次'：這次交互好不好，用戶是否滿意。

但AI模型真正需要的是序列信號——用戶行為的前后文關系。

例如，某AI客服產品僅采集'用戶是否點擊滿意'，這是單次反饋。

更聰明的設計是采集序列：用戶提問→AI回答→用戶追問（說明未答好）→AI二次回答→用戶結束對話（說明答好）→整個對話鏈構成訓練樣本。

前者僅知'結果'，后者還知'哪步出問題'。對模型訓練而言，后者價值是前者的數(shù)十倍。

Netflix的推薦系統(tǒng)是經典案例。他們發(fā)現(xiàn)'用戶評分'信號較'臟'——反映的是'用戶認為應該喜歡'，而非'真正喜歡'。因此Netflix更依賴'用戶觀看行為序列'：暫停位置、次日續(xù)看、中途關閉等，這些序列信號比評分準確得多。

單次反饋是一個點，序列反饋是一條路。想清楚需要點還是路，決定了能訓練出何種模型。

決策三：數(shù)據是'可積累的'，還是'用完即棄的'？

這個決策決定了產品是否有時間維度的競爭優(yōu)勢。

可積累數(shù)據指隨時間推移價值持續(xù)增長的數(shù)據，如用戶歷史行為畫像、專業(yè)領域標注語料、長期交互記錄。這類數(shù)據有'飛輪效應'——積累越多，模型越好，產品越好用，用戶越多，數(shù)據積累越快。

用完即棄數(shù)據指采集后失去價值的數(shù)據，如實時流量數(shù)據、無串聯(lián)的單次會話日志、無標簽的原始點擊流。這類數(shù)據可用于運營監(jiān)控，卻無法構筑數(shù)據壁壘。

某醫(yī)療AI公司是反面案例。他們耗費大量資源采集數(shù)百萬條患者問診對話，但因未設計標注體系，這些數(shù)據全是無標簽文本，幾乎無法用于模型精調。數(shù)百萬條數(shù)據價值近乎為零，后來花了比采集更多的成本補標注，白白浪費兩年時間。

采集前需思考：這條數(shù)據三年后還有價值嗎？若答案不確定，大概率是用完即棄的。

數(shù)據設計失誤的代價：三個真實案例

僅說正面做法不夠，再看數(shù)據設計失誤的慘重代價。

案例一：某智能寫作工具

因'問錯問題'浪費18個月

該產品上線后設計了'用戶評分體系'：AI生成內容后彈出1-5星評分。他們用這些評分訓練模型18個月，產品質量卻幾乎無提升。

原因很簡單：用戶打分依據的是'內容與期待的接近度'，但用戶往往說不清期待，評分高度隨機。更糟的是，評分彈窗影響體驗，大量用戶跳過，導致數(shù)據存在嚴重選擇性偏差——只有極端滿意或不滿的用戶才打分。

他們問錯了問題，采集到的是噪音而非信號。

后來轉而追蹤'用戶對生成內容的具體修改行為'，三個月后模型質量顯著提升。

案例二：某AI教育平臺

以'完課率'為核心數(shù)據，越優(yōu)化越糟

該平臺用AI推薦學習路徑，核心優(yōu)化目標是'完課率'（用戶完成課程的比例）?？此坪侠恚瑔栴}卻隨之而來：模型為優(yōu)化完課率，開始推薦最簡單的課程——因為簡單課程完成率高。結果用戶雖都完課，但學的是無挑戰(zhàn)性內容，學習效果極差，很快流失。

他們采集了正確數(shù)據，卻優(yōu)化了錯誤目標。數(shù)據設計不僅要設計'采集什么'，還要設計'優(yōu)化什么'——這兩個問題必須同時想清楚。

案例三：某AI助手產品

數(shù)據被競爭對手'白嫖'

這個案例特殊卻發(fā)人深省。某AI助手因產品開放，用戶反饋數(shù)據（包括對話日志）通過API大量流出，被競爭對手用于訓練模型。等他們意識到問題時，競爭對手已用其數(shù)據完成一輪模型迭代。

數(shù)據設計還包括數(shù)據保護設計。辛苦采集的高質量數(shù)據，若無良好訪問控制，可能成為競爭對手的免費訓練集。

PM如何在日常工作中培養(yǎng)數(shù)據設計能力？

說了這么多理論與案例，最后回到實際問題：作為產品經理，該怎么做？

第一步：

每次需求評審時，加入'數(shù)據維度'的靈魂發(fā)問。

評審新功能時，強制自己問三個問題：

'這個功能上線后，會產生什么數(shù)據？'

'這些數(shù)據能否用于訓練或優(yōu)化模型？'

'若不能，能否調整設計讓它產生更有價值的數(shù)據？'

將這三個問題作為需求文檔的標配章節(jié)，初期可能覺得多余，但堅持三個月，對數(shù)據的直覺會發(fā)生質變。

第二步：

學會區(qū)分'行為數(shù)據'與'偏好數(shù)據'，優(yōu)先設計前者。

行為數(shù)據是用戶'做了什么'——點擊、修改、停留、復購；偏好數(shù)據是用戶'說喜歡什么'——評分、問卷、標簽選擇。

絕大多數(shù)情況下，行為數(shù)據比偏好數(shù)據更可靠、更具訓練價值。功能設計時，優(yōu)先思考'如何讓用戶自然行為成為數(shù)據'，而非'如何讓用戶主動告知偏好'。

第三步：

建立'數(shù)據價值地圖'，定期復盤產品采集內容。

每三個月畫一張表格：列出產品正在采集的所有數(shù)據類型，評估每類數(shù)據的'訓練價值'（高/中/低）和'積累趨勢'（增長/平穩(wěn)/衰減）。

這張表會帶來意外發(fā)現(xiàn)：有些數(shù)據采集成本高但訓練價值低；有些數(shù)據易獲取卻未被利用。定期復盤是提升數(shù)據設計能力的最快路徑之一。

產品經理：AI產品數(shù)據戰(zhàn)爭的第一決策人

我在做AI產品的幾年里，見過太多團隊精力用錯地方：花數(shù)月選算法框架，花大價錢買算力，開無數(shù)會議討論模型架構——卻從未認真思考：產品在產生什么樣的數(shù)據？這些數(shù)據能否讓產品越來越聰明？

算法工程師可選擇更好的模型，數(shù)據工程師可優(yōu)化數(shù)據管道，但只有產品經理能在設計階段決定產品能否采集到有價值的數(shù)據。

這是只有PM能做、也必須做好的決策。

AI產品的競爭，本質是數(shù)據的競爭。而數(shù)據的競爭，在產品經理畫第一張原型圖時就已開始。

本文來自微信公眾號“人人都是產品經理”（ID：woshipm），作者：吳知，36氪經授權發(fā)布。

本文僅代表作者觀點，版權歸原創(chuàng)者所有，如需轉載請在文中注明來源及作者名字。

免責聲明：本文系轉載編輯文章，僅作分享之用。如分享內容、圖片侵犯到您的版權或非授權發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com