一、情境：甜蜜的負擔
在產品經理的日常工作中，最大的挑戰往往不是缺乏好點子，而是好點子太多，但工程資源永遠稀缺。
這次的練習情境是：我是一家SaaS專案管理工具的PM，本季的目標是「提升MAU增長」。我們有四個潛在的功能（A: AI總結器, B: 日曆整合, C: 遊戲化, D: App效能優化），但下一季（12週）的開發時間，只夠我們集中精力完成一項。
我的任務，就是從這場「混戰」中，找出一個數據驅動的答案。二、挑戰：一張令人困惑的決策表
團隊給了我一份數據，乍看之下，每個選項都有其吸引力：
- B 和 C 能觸及最多人，但影響力很低。
- A 和 D 的影響力高，但 A 的受眾少，D 則耗時最久。
我該如何客觀地比較「高Reach/低Impact」和「低Reach/高Impact」的項目？
三、第一步：從「感覺」到「量化」，計算總體效益
我的第一步，為每個功能算出一個可供比較的「總體效益值」。
我使用的公式是： 預期總體效益 = 預估觸及用戶 (Reach) % × 預估影響力 (Impact) %
透過這個公式，我重新計算了這四個選項的真實潛力：
- A (AI 總結器): 20% × 10% = 2.0%
- B (日曆整合): 60% × 2% = 1.2%
- C (遊戲化): 100% × 0.5% = 0.5%
- D (App 效能): 30% × 20% = 6.0%
四、第二步：從「最佳」到「可行」，面對現實的限制
計算結果：D (App 效能) 的總體效益 (6.0%) 遠高於其他所有選項的總和。
如果資源無限，答案很明顯：全力做 D。
但這正是PM工作的現實面：必須在「限制」下做出「最佳決策」，然而限制是「12 週」。
- D (App 效能)：需要 16 週，超過了本季的開發時間。它是一個偉大的項目，但不是本季 的項目。
- B (日曆整合)：需要 12 週，效益 1.2%。
- A (AI 總結器)：需要 8 週，效益 2.0%。
在所有「本季可完成」的項目中，A (AI 總結器) 是效益最高的選項 (2.0%)。
五、第三步：建立季度路線圖，最大化資源利用
決策框架已經成形了：
- 優先項目 (P0)：選擇本季可完成的項目中，效益最高的 A (AI 總結器)。
- 耗時：8 週
- 效益：2.0%
- 填補空檔：完成了 A 之後，本季 12 週的時間還剩下 4 週。
- 次要項目 (P1)：我回頭檢視清單，發現 C (遊戲化) 剛好需要 4 週。
- 耗時：4 週
- 效益：0.5%
我的學習與最終提案
這次的練習，從最終成果回頭看或許顯得簡單，題目本身也不複雜，但正因如此，反而讓我更深刻體會到「數據驅動決策」的核心價值。
表面上看似只是套用一個簡單公式，實際上卻蘊含著多層次的邏輯思考與拆解過程。這讓我意識到，越是看似單純的問題，越容易讓人忽略背後的前提、限制與目標，而直接跳到結論或提出缺乏根據的解法。
因此，這次練習不僅讓我熟悉了計算過程，更提醒我在面對數據時，應該以嚴謹的思考框架來檢視每一步的合理性，確保分析結果真正能支撐決策。
最終向提出的季度路線圖是： 「建議本季度的開發順序是先做功能 A (8週)，接著做功能 C (4週)。」
理由是：
- 效益最大化：這個「A+C」的組合，能讓我們在 12 週的限制內，為公司帶來 2.5% (2.0% + 0.5%) 的總體效益，這高於其他任何可行的組合（例如單做 B 只能帶來 1.2%）。
- 價值交付速度：當被問到為何不做效益最高的 D 時，我的答案是：「如果先做 D，首先第一個季度根本做不完，團隊要忙碌 16 週後才能看到第一個成果。而 A+C 的計畫，能讓我們在本季度內就交付 2.5% 的確定效益。」
最大的學習是：PM 的優先級排序，不是為了找出「最好的點子」，而是為了找出「在限制下，能最快交付最大價值的行動方案」。
這是我第 42 天的練習紀錄，將持續練習這個「數據思維升級計畫」，持續優化觀察力與邏輯💪
