生菜閱讀：

生菜老師關于數據驅動的分享，干貨滿滿！

內容來源：2018年6月9日，在“菜園子·產品經理社區”主辦的“產品經理線下交流會（成都站）”活動上，彭圣才老師作為嘉賓演講。筆記俠作為合作方，經講者審閱授權發布。講者?|?生菜老師??整理?| 筆記達人小酷???封圖設計?| 泉十七???責編?| 嘉琪

第??2272??篇深度好文：9532 字 | 12 分鐘閱讀

精華筆記·獨特思維

本文新鮮度：★★★★★+??? 口感：?芒果撈

筆記君邀您，先思考：

• 什么是數據驅動？
• 數據驅動怎么做？有哪些核心指標？
• ABtest在適用于哪些情況？

一、互聯網思維的最大區別

在過去幾十年里，很多傳統行業從業者，由于歷史原因，他們的商業模式并不是按照真正的商業模式運轉而存在。

可能背靠某一個政府的關系，在某個行業認識很多人，他就可能創建一個公司，然后做的生意快速成長起來。

所以，過去的很多年里，我們很多傳統行業的實際情況是，它不是100%商業方向的，所以也不需要完全走商業運轉模式，它的業務一樣可以成長得很好。

但是互聯網行業是一個完全遵從商業運轉模式的，在某些行業可能會有不按照商業模式運轉的問題，但整體上來講這個行業里大多數是平等支持，基本上還是一個完全靠市場化的充分競爭，來完成的商業閉環。

所以在這種情況下，數據驅動在這個行業里會達到很高的一個高度。

在我們心目當中，每一個產品經理都應該具備數據能力，如果你是一個看不懂數據的人，那你可能不太適合做產品經理。

一定要懂技術，一定要學理工科才能做產品經理？

我在很多公司見過很多出色的產品經理，他們可能是學心理學或學中文的。他可能不懂技術，但至少會看數據，懂數據，能從數據當中發現這個產品的問題。

所以我覺得這不沖突不矛盾，也不意味著學中文的人就不能看懂數據，其實看數據沒有那么難。

以下為廣告區域，輕輕點擊，即可為菜園子貢獻1元收入哦~ 只要點擊就可以！

二、業務先行

一個數據驅動的產品經理，也可能一開始就是跟數據沒有直接關系的，我們叫做業務先行。

① 產品服務于公司核心業務

你可能會詫異，作為一個數據驅動的產品經理，怎么可能一開始跟數據沒有直接關聯呢？

因為商業的邏輯其實沒有發生本質的變化，你是賣茶葉蛋的，他是搞互聯網的，你倆的商業模式是一樣的，都是要去給最終的那個買單的企業或者是個人提供一個你能夠交付的產品或者服務。

這個成本是你付出時就馬上收回，保持這樣就能夠把這個生意做成。所以商業的邏輯沒有發生過變化。

當我們想要真正做到數據驅動的話，一開始先要定義清楚公司的核心業務是什么。

創始人有時候自己都沒想清楚，沒想明白要做什么生意，要賺誰的錢，就把公司開啟了，可能還招了很多人。

中國過去的首富王健林，他說互聯網沒有什么特殊的。他曾成立了一個網絡科技公司，這個公司運轉了三年，除了花掉了100億，沒有產生任何實際的市場價值。

原因就在于，他沒有想清楚要做什么業務，他可能會覺得有錢就去搞互聯網。

然而互聯網只是手段，你最終做什么生意，賺誰的錢，你這個生意交付的東西是什么呢？

產品一定是服務于公司的核心業務，數據也一樣不例外。

市場上認為產品經理是一個產品的CEO，應該對這個產品端到端負責，產品經理是公司最核心最重要的一個崗位。

其實不一定是這樣，尤其是在今天中國的互聯網行業，絕大多數中國的互聯網行業公司的業務，往往不是產品驅動，也不是技術驅動，往往是他自己的一個業務系統、過去的資源或是運營系統，是有一個特定的行業本身。

真正的產品驅動、技術驅動的公司其實很少很少。

所以，產品經理要有這個責任感，即我們對這個產品的結果負責，但我們不要高估產品，不要高估產品經理的能量，要把自己在這個公司里面的定位想明白。

如果這個公司不是一個產品驅動型的公司，那我作為產品經理，應該服務于這個公司當前的核心業務，把那件事做好，我是一個支持者的角色，要把我的專業度做好。

②?不同的產品形態，不同的業務階段，有不同的核心指標

產品一定是服務于公司的核心業務，而實際上每一個公司有它不一樣的業務，不同的產品形態、不同的業務階段，追求不同的核心指標。

比如騰訊開會的時候，騰訊QQ多少用戶、微信多少用戶，課程的用戶多少，它的指標不一樣，說明對于這個公司關注的點就是不一樣。

實際上，不同的公司有不同的產品和追求的核心指標。

不是所有公司說我要把產品日活做到很高，也不是所有的公司在任何一個階段都說我要把我的營業額做得很高，因為不同投資階段會有不同需求。

我在15年時加入了一家公司，他們請我去時說，他們公司在今年一定要做商業化，所以整個公司的目標就變成了營收，對一切服務于營收指標的這個人就能夠達到更高的優先級，就能夠拿到很多的資源。

當我們講數據驅動的時候，就是讓數據來幫助我們做決定，今天這個公司做什么不做什么，花多少力量做這件事情，這件事情本身一定是業務先行。

你先搞清楚你這個公司做的是什么，所以我一直跟所有的產品經理講，大家可能平時更多的聚焦是在日常寫個PRD，畫個原型，排排期，然后在上線以后去看一下反饋，看一下數據等等。

其實我希望在座的每一位產品經理，去上班時，都應該很清楚地知道：

• 我所在的公司，今天做的是什么事？
• 這個公司靠什么方式在運轉？
• 作為一個公司能夠成長，是靠投資人愿意出資買我未來的故事，那這個故事什么時候能畫出來？

一定要把這個業務放在最重要的位置上。

三、數據先行

整個公司應該在每一個時間節點上知道這個公司的核心目標，這個目標一定是可量化的，這才叫數據先行。

• 先做數據，后做產品——微軟的數據先行

當團隊決定要做一件事情，產品還沒做，但是已經把數據的事先做好了。

我13年在微軟時，有過一個內容項目：用搜索引擎的手段把互聯網上的各種社交數據都取回來，然后給互聯網上所有的大V打一個分。

那時，微博很流行，它就會主要依賴于微博的數據說，誰是微博第一網紅，比如它會告訴你是“李開復”，或者告訴你說是“楊冪”。

把這套機制拿出去給這個追星族，讓他知道自己追的這個愛豆，今天人氣是漲還是跌了。

這個項目后來被孵化后，因為不符合微軟的整個戰略目標，最終沒有大規模地推向市場。

但我在做這件事情時，很神奇地發現，產品其實還沒有做，但他們已經把這個產品要看哪些數據全部整理得清清楚楚，甚至發現如果這個數據需要后臺做，就投入研發資源。總之，產品沒有做，數據就先做著。

在這樣一家公司里，它的數據驅動的文化是深入骨髓的，所有東西沒有數據驅動就不要做。

當你這個產品上線的第一天，產品經理已經可以在后臺能看到一個非常完整的數據了。

這個案例可能有點極端，大多數情況下，互聯網公司不是不想做這件事情，而是等不了。

它說，我有具體的業務要先做，你讓我把那么多的資源拿來做一個數據項目，可能還沒發現價值公司就死了，所以它狠不下心來做這件事情。

四、定義產品核心指標

假設我們把這個數據的一些基礎設施搭建好了以后，接下來應該要定義一個產品的核心指標。

什么叫產品核心指標？跟業務指標有什么區別？

每一個公司基于它的戰略，基于它歷史的階段，它可能在不同的時間點，會看中某一些指標，比如看營收，看利潤率等，但這些都不是真正的產品核心指標。

產品核心指標一定是和業務指標強關聯的，但不能劃等號。

如果你讓我每天看這個業務指標，我就會天天去看，可是我看完了什么也沒看到。你會發現今天是漲，明天接著又漲，昨天卻是大跌，我能干什么？

有太多的變量影響，以至于我們無法有一個一以貫之的主導我整個產品研發周期的主心骨，其實是因為沒有設定穩定的產品核心指標，很容易迷茫。

所以，一定不能夠簡單地談業務指標。作為產品人，要找到一個產品的核心指標。

找到產品的特征指標

找到產品的特征，與競品相比，你的產品的特征，或者說能夠在市場上取得用戶認可、能夠在在市場獲得成功，值得著力打造的價值點。

• 蜻蜓FM

蜻蜓FM一開始是做音頻，一個很重要的價值點是用戶到我這里來找的內容我這都有。這就是產品的核心指標。

這個指標和業務指標沒有直接的關系，但它是一個具體在一個階段內，你要做的產品的主心骨。

你為了實現這個指標，需要做很多事情，要買版權，要去引入主播，給主播打賞，引導主播產生內容或者優秀的內容等等，有好多投資途徑。

不同的路徑只服務于一個核心指標，就是提高用戶在我這里內容的收獲。

找到產品核心的一個特征指標，定義這個特征指標其實是真正體現一個產品經理水平的一件事情，需要不斷地迭代、探索。

• 微軟小冰

請大家先思考一下：

作為產品經理，怎樣定義聊天機器人的產品特征？怎樣的特征指標能表示這個聊天機器人做得好？

負責小冰的產品經理定義出來的指標非常科學合理，它的核心指標——跟用戶產生的連續對話輪次。

微軟小冰

他不追求用戶與小冰的對話數量，也不追求有多少人對話，追求的是作為一個聊天機器人，用戶跟我聊了幾輪就離開我。

比如，一個機器人，你向它提出的兩三個問題，它的回答都好傻，你會覺得它好笨，就會很快結束對話；如果它回答得不錯，那你會說：“唉，這個機器人怎么這么聰明，我帶上吧。”

你一定會聊到某一個時間，才覺得這個機器人也就那樣吧，然后才終止。

對于微軟小冰來說，這個產品特征主要就找到一個指標：平均每個用戶和它對話的輪次是多少。

這就是微軟小冰這個產品追求的核心指標，圍繞這個核心指標再不斷地去提升。

微軟小冰背后其實有一個龐大的微軟亞洲研究院，研究院的那些同事，他們整天只研究算法。

當我們有一個明確的目標——“提高對話輪次”，就可以收集到很多的數據，按照這個目標去做相應深度的學習，用一些AI的手段來提高這個指標。

事實證明，今天的微軟小冰在業界已經遙遙領先。我到北京之前這個指標是24，平均每個用戶能跟它聊24個來回，這是一個非常了不起的機器人。

五、第一方與第三方

很多公司的領導或者研發團隊都會說：

我們自己的數據一定要掌握在自己的手上，我們一定要打造一個自己的數據分析的后臺，要打造一個我們自己領先的一個BI決策體系……

但另外一派的態度說：

那都不重要，有好多現成的東西我們先用起來，比如說友盟、諸葛IO（是一款基于用戶洞察的精細化運營管理工具）。

這種情況下，產品經理其實往往會面臨一個選擇：

到底是自己公司花時間去打造一個自由的BI的決策實施系統，還是說直接和第三方合作？

你會面臨這樣一個權衡，各有長處，各有利弊。這個邏輯其實相對來說比較簡單：

第一方做成公司自己的研發團隊，要注重第一手數據的采集和積累。

比如你有一個產品上線，不管你日活多少、有多少人用、產生多少營收、有多少訂單，所有的這些數據，應該以第一方的方式先把它抓回來。

抓回來有沒有用，不知道；能不能分析，不知道；能否有助于持續的決策，先不著急，先把它存下來，沉淀下來。

所以，數據的采集和積累是第一方要做的事情。因為第一方團隊只需做這件事，哪怕你今天還無法馬上產生價值，至少要采集到，因為數據總是需要積累的。

大家用到很多BI，都知道是需要有數據的。

如果你沒有數據，就像第一遍看書看不出東西，要等一等。讓這個數據跑一段時間，才能看得出來一些更準確的信息。數據本身是需要積累的，而數據的積累如果第一方不做，沒有別人會幫你做。

因此，第一方要去做數據的采集和積累，把這數據存下來就可以了。

第三方實現快速分析/可視化/決策

一開始，第一方沒有必要投入很多的力量，因為第一方還有更多的事情要做。這時，需要第三方的介入。

第三方去做幫助你真正跟業務有關系的，能夠快速幫助分析、數據可視化的數據報表。

老板，每天要看報表怎么辦？我使用第三方的方式給你生成一個報表，每天都可以看，然后幫助老板做決策。

所以，第三方的工具，它要幫你能夠快速地去分析這些東西，把這東西可視化出來，讓你能夠看見所有的人。

然后，隨著公司的發展壯大，到某一天時，你積累了好多數據，然后覺得第三方的東西已經滿足不了你的業務需求了，你再去做那個第一方后續的這些東西，這是一個正常發展，也是一個比較理性的公司。

更多精彩內容請添加生菜老師微信：13381536828 邀請您加入產品經理社群

六、大平臺VS小應用

一般來說，應該同時是第一方和第三方并存的一個情況。在這個時候，又會遇到一種情況，隨著公司發展得越來越大，部門越來越多，慢慢地就會突然有一天說，我要做一個大的平臺。

星巴克：是等戰略規劃，還是員工先行？

星巴克里一個專門負責數字化的朋友，現在有點糾結。

為什么呢？

他說：

星巴克作為一個全球的跨國公司，它在整個全球戰略上有一個統一的關于數據倉庫的打造（或者說是整個數據的支持），有一套公司的完整的戰略規劃。可是等那個戰略規劃落成，這個業務就來不及了。

因此他很糾結，不知道要不要打造一個大而全的數據平臺，能夠服務于各個業務部門，讓所有部門都能夠執行起來。

大公司都有公司級的企業戰略，都會有一個部門專門負責把所有東西統一到公司的戰略上去，于是就導致效率很慢。

所以我在這里給大家分析一下：大平臺和小應用。

阿里巴巴在互聯網上肯定是比星巴克要強大得多的帝國。可即使是今天的阿里巴巴，它也有一個專門的數據后臺和數據總臺，它的每一個業務都有自己的數據支持團隊。

所以即使阿里巴巴這樣的公司，它都不會有一個大而全的數據平臺，能服務于每一個項目的業務線。它一定是讓每一個具體的業務線根據自己的業務發展狀況，具有自己的自主決策能力。

但是做到一定程度以后，突然有一天，另外一個部門對數據總臺說，發現有的是手機淘寶的，有的是支付寶的，有的是口碑的，需要協調一下到一個平臺。

后來阿里巴巴成了一個集團，這個集團除了淘寶，還有螞蟻金服，信用體系，那它就會做一個更大的平臺。

因此，一方面我們一定要相信數據，但一定要破除那個大而全的東西，沒有必要在沒有具體業務場景的前提下，脫離具體的業務場景，去打造一個非常宏觀的大而全的平臺。

這個事情其實不僅限于數據，所有的大公司幾乎都有這樣的通病。

比如中型公司、小公司，就不要去做大而全的平臺。

七、ABtest（AB測試）

今天大多數情況下，對真正做產品經理的同學其實是比較不利的，為什么？

因為你的決策者或者你的領導，他往往不是數據驅動，而是直接拍腦袋做決策。

編者注：AB測試是為Web或App界面或流程制作兩個（A/B）或多個（A/B/n）版本，在同一時間維度，分別讓組成成分相同（相似）的訪客群組隨機的訪問這些版本，收集各群組的用戶體驗數據和業務數據，最后分析評估出最好版本正式采用。

唉呀！這個不好看！這個不大氣啊！這個好像不大行吧！

這不是一種科學的決策方式。

我們群里有一位顧青老師，他每次分享會先聽問題，看一家公司的領導問什么問題。

如果那些領導問的都是數據的問題，說明這領導懂行，他至少知道要用這樣專業科學的方式來決策。

ABtest，做之前一定要先給自己定好規矩：真正上線以后，衡量標準是什么？

這好比兩個人上臺比賽，賽前一定要把規則講清楚，你不能說規則我還沒想好，你們先打，打完了我看你們誰打得好我就選誰。

如果你事先沒有定一個非常清晰而明確的衡量標準，等產品上線完了以后，你會看到A是這樣，B是那樣，就選擇B吧，那還不如不要搞這個ABtest。

你一定把這個標準先定在前面：

比如是看點擊率、頁面的轉化還是看這個商品的最終成交量，一定要先把規則定好。

這叫先定規矩，后比賽。

ABtest的核心競爭力在于快速、大量、小測試。

花兩個月的時間跑ABtest，還不如不做。如果能夠做到每一天同時在線有20個ABtest在跑，那就非常有用。

今天，不管是谷歌、Facebook，還是微軟，他們的產品同時在線上跑test的有40、50個以上。

大家可能很難想象這個數，因為這些公司已經是高度數據驅動的公司，它完全不是靠人來做決策，完全是要讓機器、讓數據來做決策。他們做了非常好的基礎設施，能夠支撐它跑好多在線的AB測試。

我過去在微軟工作時，用AI數據庫去提高利用廣告的單位價值。

廣告單位價值不是簡單地統計的數據，它會讓你的點擊跟廣告費上都有關系，然后每一次我們做了這個算法要上線，它會先拿出這個搜索的5%的樣讓你把這個算法應用上去。

它有一個非常簡單的后臺，在上面選一下5%以上某算法，然后你就不用管了，一天以后你看到這個文章的單位網絡價值和上一個廣告的單位廣告價值比較。

如果有明顯的提升，OK，恭喜你做成功一個實驗，并且這個實驗可以推廣。

當然，我們不要神化ABtest，它只是戰術層面的一個有力的武器，只能在戰術層面幫助，在戰略層面不能提供幫助。

像我剛剛提到的王健林，他花了一百個億，如果他說我搞ABtest，我搞5000人，現在你們都去做好多團隊，你去搞新零售，去搞萬達廣場里面的停車，每個人做一個東西讓我來測那個東西成不成立。

真正的戰略性決策一定不是靠這種方式來幫你測出來，ABtest只能說我的戰略目標很清晰，但是我在很多細節的微調上面去提升它的效率，這個時候ABtest是很好的。

案例分析：

接下來是我們菜園子的公眾號里推過的一個案例，這些案例都來自我剛剛講的這個目前國內專業做ABtest的公司。

1.摩拜單車

原始版本的地圖（左），實驗版本的地圖（右）

這兩個清晰的程度，地標的標識是不一樣的地圖，哪一個對于提升摩拜單車核心業務的效果更好？

現場大部分人認為右邊的更好，因為看上去更清楚一些。這兩個地圖一個是高德地圖，一個是騰訊地圖。他們自己生產的時候，也說右邊這個是成功案例。

但是我可以告訴大家我的理解，右邊的比左邊確實好，但只好一點點。因為在單車這個場景下地圖其實沒有那么重要，右邊這個只是優秀。但是他們最后果斷決定選右邊這個。

為什么呢？因為右邊的是騰訊。

對！就這么簡單！

2.分享圖標的案例

分享圖標三個點（左），方框+箭頭（右）

馬上世界杯要來了，今天早上大家在討論NBA總決賽。大家可以想一想，哪一個分享按鈕的轉化率更高？

現場大部分人認為右邊的更好，更接近”分享“這個含義的表達。

但是很不幸，我告訴大家ABtest跑下來是左邊那個。 數據告訴我們左邊的好，而且是長期反復測試得出來的數據，就是左邊更好。

3.服裝公司123的話術

分享按鈕框上的話術

123是一個杭州的服裝公司，它的模式是訂閱你喜歡的衣服。

你成為他的會員以后，你可以在123的APP里面任意選擇你喜歡的衣服，他會把衣服寄給你，如果你喜歡你就可以留下，如果你不喜歡直接還給他，然后下個月還可以繼續選。

左邊那個按鈕寫的是立即邀請，右邊那個按鈕寫的是現在就去邀請好姐妹。這兩個案例大家覺得哪個轉化率高？

現場大部分人認為右邊的更好，右邊這個現在就去邀請你的好姐妹，比冷冰冰的立即邀請感覺要好一點。

我想大家心里面都有答案，而且我相信大多數人答案可能差不多，但是我告訴大家，實際上一開始跑ABtest的答案不一定和心里想的一樣。

這三個例子告訴了大家什么？

它告訴我們，有時你的判斷是對的，有時你的判斷是不對的，有時候可能是為了老板而改變。

但是數據永遠不會說謊，數據沒有意識，數據也許包含一些我們以為不可能的東西。

Facebook的教訓

大概在五、六年前，當時Facebook內部主導了一次非常大規模的一個改版。他們內部有一個副總裁帶了一個50人左右的團隊，做了半年左右，將整個Facebook的信息流完全改版了。

（編者注：2014年Facebook、康奈爾大學和加州大學舊金山分校的研究人員以689003名母語為英語的用戶為研究對象，通過改變算法，讓用戶信息流上顯示的帖子大部分為正面或負面，以試圖證明人的情感可以在沒有面對面接觸的情況下受到影響。）

Facebook畢竟是一家數據驅動的公司，所以盡管他們的改版非常的高大上、非常酷炫，但他們沒有直接替換舊版，他們就跑了一個20%的ABtest，效果非常不理想，所有的指標全面下跌。

這個項目花了很多的金錢和精力，他們實在不舍得就這么放棄，又做了一些調整，又重新跑了一下。數據依然是全面下跌。

Facebook內部經過反復論證，最終他們覺得這個事情不能上線。

這是一個很有意思的教訓，很多時候我們從主觀上會有情懷，還會有審美，要求設計高大上。

但是我告訴大家，數據往往是這樣，如果你只看數據的話，絕大多數數據好的產品方案它看起來挺low的，但是如果你要數據好你就要選擇這個方案，因為你得讓公司來投資。

大家今天去看那個亞馬遜的網站，覺得它這么丑，怎么不改好看點。它不是不想改，它是改不動，只要一改，開始跑ABtset的話肯定上不了線，就這么簡單。

如果它是一家數據驅動的公司，它內部一定會有這樣的力量阻止它發生這樣的事情，它就會有一個數據的力量在阻止它說永遠保持一個很low的網站，但業務也能夠進展下去。

我自己在這件事上體會是：

很多時候我們都希望我們的產品調性多高，然后有很多好的設計師幫我們設計非常好的、非常漂亮的方案，但是數據驅動這件事情不是只參與經營管理，設計也應該尊重數據驅動的原則，所以哪怕你設計得非常高大上，我們要用數據來跟他示好。

所以我們最理想的狀態是：你設計好了一個高大上的方案，同時數據又好。

八、數據驅動之迷思

其實我自己最近的兩三年，一直在反躬自省。我曾經供職的公司是一個高度數據驅動，完全互聯網化、完全要靠數據來說話的公司， 但是我離開的時候，其實很不舒服，為什么呢？

我老覺得數據驅動這件事情哪個地方錯了。我自己也是一個碼農出身，我曾經深信數據的力量，但是為什么我們討論很多的實驗、數據，最后發現并沒有真正幫助公司在業務上取得進展呢？

我反思數據驅動這件事情有什么坑是我們要避免。不能夠簡單地說，所有的數據驅動就好了，數據來說話都是對的，我有幾點總結：

第一，當我們講小步試錯的時候，試錯，要試出錯在哪里。

當我們說要以很小的成本來做一個實驗的時候，往往就給了我們一個借口：反正就是小成本實驗，我們先試試看行不行。

結果做得很粗糙，就去跑實驗，你號稱自己做了實驗，兩條數據回來，告訴你這個實驗想法錯了，pass掉，其實你就叉掉那個可能性了。

時間久了就會發現，整個公司到后來陷入了一個怪圈，好多人想了好多年，做了好多實驗，但都不能勝出。

一個公司干了半年沒有進展，什么都沒有，這肯定也不會接受，你的問題出在哪里呢？

當你說你要去試錯的時候，小成本固然是對的。今天還提到了敏捷，敏捷一直告訴大家要小步試錯，不斷迭代，但是小步試錯不意味著你給自己一個理由把這個東西做的差，做的很糙。

如果你這樣做的話，你這個實驗等于沒做。你必須是想得很清楚，全力以赴把這個做得好，這樣的試錯最后必須要指出來錯在哪里？

其實往往不是想法本身，是你在執行環節當中的很多細節，你都沒有100%地投入。

你都沒有從內心100%地去重視它，你想的只是做一個實驗，我要讓實驗告訴我它是好的，我再去找個平臺給做好它。

數據驅動的意思是要在公司允許的范圍內盡可能小成本試錯，但是不要把這個事情當做我們的借口，這個事情其實很難，因為人是懶惰的。

要提醒自己：

試錯，一定要試出那個錯在哪里。

第二，公司的使命和價值觀應該凌駕于數據之上。

有一個數據驅動的極端例子。有的公司用比較低俗的內容去騙取點擊率。大家可以想一想，即使用這種方式把用戶騙進來，用戶會一直喜歡你的產品嗎？其實不會。

但這個時候如果看數據，你看我們公司的數據就是很好，我們推薦位的點擊率就是很高啊。

我的觀點是，一定要有一些凌駕于數據之上的，比如你自己企業堅守的一些價值觀和使命。

我曾經有段時間非常崇拜數據驅動這件事情，讓我幾乎已經拋棄了使命和價值觀，我覺得所有的使命、價值觀都是一些成功的公司已經做大了以后拿出來忽悠我們，只要看數據就好，不犯法就好，對使命、價值觀沒有什么感覺。

但是后來我慢慢會發現，其實一個公司要走得長遠，要走上一個更高的臺階，還是需要有一些使命、愿景和價值觀的。我在這篇文章里面詳細論述了為什么應當要有核心價值觀： 企業 需要價值觀嗎？