最近我正在進行一個有趣的專案：為電商網站打造一個「新客專屬推薦版位」。這個版位包含不同的 Tab，預設顯示為「首購人氣」。
在這個專案中，由於時間、資源有限，因此我嘗試了一種新的工作模式—深度與 AI 協作。我想透過這篇文章，分享身為一個 PM，在沒有龐大工程資源支援下且時間緊迫的狀況下，如何定義問題、運用現有資料，並透過 AI 輔助產出初版的推薦引擎。
然而這段旅程中，我認為 PM 必須具備三個關鍵認知：精準定義問題、活用現有資料、以及建立快速迭代的驗證迴圈。一、定義問題：從模糊到具體
為什麼要做推薦引擎？除了「競品都在做」這種理由外，我們到底想解決什麼問題？
不論是與 AI 合作還是與團隊協作，PM 始終必須是最清楚「目標」的人。然而，問題的定義往往是一個從模糊到具體的收斂過程。
1. 拆解大哉問
以我的案例為例，最初收到主管的任務，非常巨大且模糊：「如何提升電商營收？」
有過往的數據思維練習，因此我並沒有直接跳進解決方案，而是先將這個問題拋給 AI，請它協助我具體化拆解方向。AI 給出了幾個維度後，我開始搜集數據驗證。
2. 數據佐證與聚焦
透過數據，我發現一個關鍵痛點：對標去年同期，新客的轉換率暴跌。
基於這個發現，我提出了假設：「新客剛進站時，是否因為商品琳瑯滿目，導致決策癱瘓，逛了很久卻無法下單？」
3. 確立解法
為了驗證假設，我將目標鎖定在「提升新客購買轉換」，而手段則是「建立新客商品推薦版位」，透過縮小選擇範圍來輔助決策。
在這個階段，AI 協助我發散思考，但我透過數據與商業洞察將問題收斂。目標清楚了，手段自然就浮現了。
二、資料策略：專注於「現在有什麼」，而非「還缺什麼」
決定做推薦引擎後，下一個問題是：「我們有哪些資料可以用？」
這裡我想分享一個觀念：與其花時間盤點「需要」哪些完美的資料，不如先檢視「現在有」哪些資料可以立刻開始分析。
1. MVP 思維：速度 > 完美
回歸到推薦引擎的本質，我認為需要大量的實驗與驗證。如果堅持要建立完美的資料流才能開始，我認為時間成本會拉得太長。對於資源有限、時間緊迫的團隊來說，顆粒度的拿捏至關重要。
補充：我認為顆粒度本身不是好或壞的問題，而是一個策略選擇，必須和產品所處的階段綁在一起看。在需要快速探索、建立方向與驗證關鍵假設的階段，如果一開始就把顆粒度拉得過細，反而可能過早鎖死決策，增加調整成本。
我的判斷是，先用相對粗的顆粒度，快速驗證方向是否正確；隨著不確定性降低、路徑逐漸清晰，再有意識地提高顆粒度。
2. 我的實作步驟（PM + AI 協作流）
在資源較少的情況下，我僅使用了最基礎的會員資料與訂單資訊，結合 AI 完成了初版分析：
- SQL 撈取數據：先從資料庫撈出過去一年「新客購買的品項」及其關聯資訊。
- 與 AI 定義規則：我向 ChatGPT 說明我的業務邏輯與限制。
- Prompt 範例：「請幫我計算推薦分數，邏輯如下：單一品牌佔比不可超過 30%、A 分類商品需佔比 20%...」
- Python 環境計算：將新客購買的品項與其相關資訊丟到 Google Colab ，然後透過Google Colab 執行 AI 寫好的 Python 腳本進行運算。
- 參數調校：根據跑出來的結果，回頭調整佔比權重與參數，直到產出合理的推薦清單。
這個過程最有趣的地方在於，PM 不需要是程式高手，但透過與 AI 協作，效率提升了數倍。重點在於我們是否清楚目標，並接受在 MVP 階段「追求迭代速度優於追求完美」。
三、驗證循環：與其看單一結果，不如關注「持續迭代」
上線並不是結束，而是驗證的開始。在專案啟動前，PM 就需要定義清楚：什麼是成功？何時該調整？
1. 定義成功與觀測指標
我的定義很直接：該版位最終帶來了多少新客購買？
為了驗證這點，必須埋設正確的追蹤碼。上線後，我每天都會觀察訂單變化與下單品項。
2. 設定停損點與迭代節奏
我給自己的標準是：如果連續 2-3 天成效不彰，就必須介入迭代。
假設成效不佳，我會從兩個方向切入：
- 推薦品項問題：商品不夠吸引人？
- 誘因問題：新客優惠被忽略？或是力道不足？
為了避免「優惠力道」過度干擾對「推薦準度」的判斷，我通常會雙管齊下：調整推薦品項的同時，優化優惠資訊的傳達方式（UI/UX），而非單純加大優惠金額。
3. 如何修正推薦品項？（冷啟動 vs. 營運期）
- 上線前（冷啟動）：依靠定義好的規則與程式運算（如上述的 SQL+Python）。
- 上線後（營運期）：
- 我認為在這個階段，不需要過度依賴全自動程式。因為推薦品項數量不多，且需要高度敏銳的商業判斷。
- 因此我會採取「半人工」的方式：同步觀察用戶點擊行為與實際下單品項，用類似協同過濾的概念，手動修正更有潛力的 Tab 品項。
關鍵不在於是用程式還是人腦，而在於「記錄」：清楚記錄每一次迭代的版本、修正原因、以及後續的數據變化，這才是優化引擎的養分。
總結
這個專案目前仍在進行中，這只是初期的粗略分享。
透過這次經驗，我深刻體會到，在 AI 時代，PM 的價值不在於執行繁瑣的計算，而在於定義問題的精準度、對現有資源的判斷力，以及設計驗證實驗的邏輯。
並且在資源有限、時間緊迫的情況，善用 AI 提升加速自己的做事效率，希望這篇分享能給同樣在資源限制下，努力推進產品的 PM 們一些靈感！
