产品经理需要注意的4个逻辑陷阱

过去我会觉得,产品经理只要做到逻辑清晰就可以了。但在真实场景下,我们做判断、做分析,遇到的都不会只是 1+1 到底等于几,或者到底哪种颜色最好看这样直接明了的问题。我们经常会陷入某些逻辑判断的陷阱,即便是中间某些环节推理得无懈可击,却也得出了错误结论。

  下面是我的经验里,产品经理在分析问题的时候常见的陷阱。

1、立场偏执

  自己在一个问题上拟定了立场,就不太会轻易改变想法。尤其遇到跟别人的观点冲突时,都会不自觉地保护自己的想法,并且找各种论据来证明自己的想法。

  这有点像辩论赛,拿到的正方反方都是随机的,一旦拿到,剩下的时间都花在证明自己的论点了。

  很多人会低估自己在立场上的偏执,认为道理都是一以贯之的,并且以各种信息、数据来佐证。这在心理学上称为确认偏差(confirmation bias)。这种情况下,我们的推理过程、分析过程都没错,但论据都是我们有选择性去获取的,我们就真的会坚信自己没错。

  比如,我曾经见过某个产品经理坚持认为自己的首页排版更好,说它有 A、B、C三大好处。等其他同事一一反驳之后,他又硬说出了另外的 D、E、F 三个好处。这已经完全偏离他最初认可自己首页排版的原因了,他只是为了能赢而已。

  如果是在知乎微博上跟人吵吵架,那带有偏见是在维护自己的偶像或者价值观。而在需求分析、产品设计里还带有很多偏见,那就危险了。

2、信息缺失

  跟上一点类似,有时我们确实不是带有偏见地选择信息,而是我们没有主动获取更多信息,大多凭自己的人生经验在做。这种「人生经验」式的产品经理,遇到任何新问题,都是先得出一个结论,而不是先想怎样了解更多。

  我见过有产品经理,过去在游戏业工作,现在做产品,讨论每个功能都是「我当年做游戏时,我们用了 XXX 方法很好啊」。他不愿意再接触新的知识,把社区做成了游戏社区,把商城做成了游戏商城。这些未必是不可行的,但作为更优秀的产品经理,我们不该急于做选择,应该是先发掘更多选择项,再去选出最好的。

  我之前也在 在圈子之外,是产品经理最可怕的事 提到过,在某个行业做互联网产品经理,不代表我们只需要懂产品设计/互联网。把这个行业吃透,才能有更完整的信息和论据,得出来的结论才更可信。

3、无视概率

  产品经理所关注的很多事情因果之间都存在着概率。比如,我们对功能 A 做了一系列优化,半个月后,使用率和留存率大大提高,就真的代表是功能 A 优化的效果吗?可能只是那段时间到了暑假,我们主要目标用户又是学生而已。

  现实场景下复杂因素太多,做任何因果的分析,实质上都要考虑到概率。不同因素的影响究竟几何,除了感性上猜测,还要在条件允许的基础上多做检验。

  我们对待成功学,以及大佬们的语录,同样要慎重。他们的成功肯定基于很多他们提到的重要条件,但真要成功,运气起到多少作用,谁都说不定。一味追求复现他们提到的方法,无视成功本身是有几率的,结果可能很惨。

4、归因偏差

  如果无视概率,最容易犯的错就是归因偏差(attribution bias)。开心网的程炳皓在总结自己曾经犯的错误时,就说到,「我们给自己总结了很多光辉的理论,然后说,我们今后就还坚持这么干,扩大战果。」

  如刚才所说,只要是人在做归因,就会有主观偏见。我们归纳出来的原因或者影响因素,既可能是错的,又可能是不完整的。对此,我们只能多加警惕、多做验证,不要做太武断的分析。

建议

  说到这里,可以顺便再提几点建议。

  1. 能承认自己是错的

  要承认自己错了很难。有没有勇气跟自己本来觉得不如自己的人说,你是对的,也代表着对待问题和立场的态度。有时候我们会浑水摸鱼:「其实大家从不同角度看的嘛,都有正确的地方」,这只是为了挽回点面子,很没必要。

  2. 能承认自己格局不够

  想想,面对 18 岁的自己,你会觉得他比自己格局大吗?我们都是在不断成长中的。在成长,也意味着我们还不够好。同理,当看待问题遇到一些瓶颈时,总能找到格局比自己大的人、视野比自己宽的人,跟他们寻求帮助,比自己硬去苦想,要有效得多。

  

  3. 能承认成功失败都是有概率的

  归因偏差的一个常见结果就是,成功时我们会常以为这全靠自己能力强,而失败时我们会常以为是运气不好。要在成功的时候冷静下来(不觉得过去的方法是完美无缺的)、失败的时候不妄自菲薄(不觉得过去的方法一无是处),就要先承认任何事情都有概率。

总之,分析问题是产品经理最核心的价值之一,在这件事上,一定要慎之又慎。尽量少说「不就是这样」、「难道还有别的可能吗」、「这显而易见的啊」这种话吧。

 

文章来源:馒头商学院

转载于:https://my.oschina.net/sdeqq/blog/782556

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 、2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、资 5源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值