06|选对场景:怎么把“嘴上的需求”翻译成“可衡量的结果”?
你好,我是曹犟。
上一讲我们讲完了进场第一战:怎么通过五个具体动作,拿到客户的真问题清单。找到好问题固然重要,但清单毕竟不等于答案。FDE 的资源永远有限,一两个人、几周时间,你只能先选一个场景开工。选对了,第一战就能打出信任;选错了,后面做得再辛苦,也难以证明价值,也没有再选一次场景的机会了。
这一讲我们就来解决这个问题:怎么从一堆候选场景里,选出那个能跑出效果、又能归因到我们头上的高价值场景,再把它翻译成一个可衡量的结果。
先从一件我自己刚经历的事说起。
还是之前提到过的那个 Omni-Growth 三人小团队,今年 3 月,一家做海外业务的公司找到我们,希望我们帮他们开拓 Google Ads 这个增长渠道。这家客户的产品已经有一定的规模,在 Meta Ads 等渠道上跑出了足够的 ROI,这次是明确带着预算来的,连投放账号的操作权限都愿意完全交给我们。
按说这是一个再顺理成章不过的项目:客户有钱、有意愿、有明确的诉求,方向也符合我们的规划;看似接下来就该是选关键词、做落地页、配预算,在给客户交付业务结果的同时打磨我们的产品,非常典型的 FDE 做法。我们一开始也确实是按这个思路在准备的。
但最后,我们交付给客户的核心建议其实只有一句话:建议在 Google Ads 上不投。
一个带着预算来的客户,我们劝他别花这笔钱,这听起来很反常。但我个人认为,这恰恰是“选对场景”这门功课最典型的一次考试。这一讲学完,你就能明白这个判断是怎么一步一步做出来的,以及我们为什么敢把它说出口。
为什么不一次把系统建起来?
在讲怎么选之前,我想先退一步,说清楚一件更根本的事:FDE 为什么非要一个场景一个场景地打穿,而不是把整个系统一次建好。
传统 To B 软件的做法,你可能很熟悉。先花几个月甚至一两年,把需求调研清楚,把系统整体设计、开发、测试、部署完,让客户在沙盒系统上验收。再挑一个上线日,老系统停掉,新系统全面接管,一次非常典型的从 0 到 1 的切换,切换之前,客户是没有得到业务效果的。
这套打法,在流程稳定、需求明确的年代是成立的。但到了 AI 时代,有几个地方不成立了。
第一, AI 的效果是试出来的,不是设计出来的。一个场景到底能不能跑出价值,往往要真跑起来、拿真实数据在真实场景上验证过才知道,没法在需求文档和沙盒系统上论证清楚。长周期的整体设计,等于憋了个大招,把一堆没验证的假设,一次性押上牌桌。
第二, AI 项目本来就九死一生。 第 3 讲 我们聊过,95% 的 AI 项目零回报。在这样的成功率下,还赌一个一两年才见分晓的大系统,风险大得不合理。
第三, AI 和客户的业务,都在快速变化中。基模的能力,每三到六个月都有一个巨大的进步;而在这个时代,积极拥抱 AI 的客户,它的组织和业务也必定在快速变化与调整。两头的快速变化碰到一起,如果一个系统真要做一两年,恐怕做到一半就落伍了。
所以 FDE 的做法是反过来的:不追求一次建成,而是先挑一个具体的场景,几周之内把它从头到尾打穿,让客户先看到一个真实、能衡量的结果。这个场景跑通了,信任也就积攒下来了,再用它去撬动下一个场景。系统不是坐在办公室设计出来的,是从一个场景一个场景中长出来的。
这也是为什么,选对第一个场景,几乎决定了整场战役的胜负。你只有一次用最小成本撬动最大信任的机会。接下来,我们就看怎么把第一个场景选准。
选场景的本质,是一次翻译
我之前表达过一个观点:客户嘴上说的需求,和他真正想要的结果,往往不是一回事。
上一讲我们讲过,怎么越过嘴上的需求,摸到真问题。这一讲则要继续,怎么把真问题变成一个可衡量的结果。
所谓选场景,其实就是做一次翻译:把“客户想要什么”,翻译成“业务上会发生什么变化,这个变化用哪个数字来衡量”。
上一讲提到的 Daniel Vaughan,在他那本 FDE 手册里把这件事叫作“翻译问题”(translation problem)。客户的原始输入,常常是“我们想要 AI”这样模糊的目标,而 FDE 要做的,则是把它翻译成可测量、可验收的结果陈述。
为什么这次翻译这么重要?你可以回想一下 第 4 讲 说过的验收标准三级跃迁:中国客户的验收标准,已经从“装好系统”走到了“跑出效果”。效果是要拿数字说话的。如果你一开始选的场景就无法衡量、无法归因,那么项目做到最后,你就算真创造了价值,也拿不出证据。客户觉得没效果,你觉得很委屈,这个僵局在立项那一天就已经注定了。
拿这一讲开头我们自己的例子来说,客户说“帮我投 Google Ads”,这只是一个动作;但如果把它翻译成结果,则是“以可持续可盈利的 ROI,打开一个新的增长渠道”。动作永远可以照做,把钱花出去一点都不难;但结果成不成立,则需要明确的证据。
先把这层翻译做了,后面所有的判断才有了地基。
第一关:北极星三条件
这层翻译工作的第一步,是给候选场景找到它的北极星指标。所谓北极星指标,就是那个能直接反映业务成功的核心指标,像北极星一样,要让所有动作都朝着它对齐,比如电商客户的 GMV 指标。注意,是 GMV,也就是商品交易总额,而不是 UV、PV 这些中间过程指标。
北极星指标这个概念不是我发明的,在增长领域已经用了很多年,神策在过去十一年做数据分析和数据平台项目的交付时,也一直在使用这个概念。但在做按效果交付这件事上,我总结过三个条件,一个指标必须要同时满足这三个条件,才能当北极星。
第一, 与商业价值强相关。 指标涨了,客户的生意要真的变好。对于一个电商来说,UV、PV 涨了生意未必好,GMV 涨了才是真的好。
第二, 能够通过自身努力去影响和改善。 这一条说的是,这个指标的涨跌,要真的是你的动作所能干预的。我曾经碰到过一个这样的案例,一家做线下生鲜 O2O 的客户,一开始想把北极星指标定成门店的整体销售额。但生鲜这门生意,门店销售额的大头,是由位置、天气、季节这些外部因素决定的,我们只是帮客户做线上运营,这部分的销售额占门店的整体销售额非常有限。我们做得再好,影响都是微乎其微的,甚至还不如日常的波动。所以,门店的整体销售额显然不是一个好的北极星指标,选择这个指标,会完全失去后续迭代的基础。
第三, 能够被有效拆解和归因。 注意,它和第二条不是一回事:第二条说的是,效果做不做得出来;这一条说的是,效果做出来之后,账能不能算清。指标涨了,你要能说清楚:涨的这部分里,哪些来自你的动作;哪些来自客户自己的动作,比如降价促销;哪些来自外部因素,比如汇率波动。如果说不清楚,那么效果就算不到你头上。
假设你在帮一个旅游 App 做增长,把北极星定成总的预订间夜量。你优化了预订流程,间夜量也确实涨了,但这期间正好赶上暑假。涨的这部分里,有多少是你的优化带来的,有多少是旺季本来就会涨的?这笔账算不清,客户就不会为这部分效果付钱。而要把账算清,指标本身就要能拆得开。把间夜量拆成流量和预订转化率,你的优化效果就落在转化率上,暑假撑大的只是流量,两笔账就分得清清楚楚。
我们上一讲那张真问题自检清单的最后一条,价值够大、能归因到你头上,说的就是这件事。只不过这一讲我们把它展开成了三个条件。
而这三个条件里面,最容易被忽略和实际操作起来最难的是第三条。所以,在选定指标之后,还有两步马上要做的事情。先是 基于历史数据建立基线,效果讲的是增量,客户的业务本来也在自然增长,没有基线,你就分不清哪些是自然增长、哪些是你带来的变化。其次是 把归因的口径谈清楚,白纸黑字写进立项文档。这两步做在前面,验收的时候就不会扯皮。

顺便说一句,FDE 类项目的价值门槛,可以定得很高。之前我们提到的摩根士丹利项目,OpenAI 的 FDE 团队开始项目前就有一条信条:只做价值至少在数千万美元量级的问题,大的能到十亿美元量级。当然,不是每个客户都有十亿美元量级的问题,尺度可以缩放。但有商业价值、努力可影响、可拆解可归因这三条,我觉得在任何尺度的项目上都不能少。
这三个条件的用处还不止于选场景,到第 15 讲谈效果定价的时候,你会看到,定价谈判用的还是同一把尺子。另外,这里所说的“可衡量”,指的是业务层面的效果;AI 系统本身的好坏怎么定义、怎么验收,是另一个专门的话题,我们留到第 11 讲展开。
第二关:到价值链上找场景
有了尺子,去哪里找值得量的场景呢?
很多团队的做法是开需求收集会:各部门报需求,会上通常谁的嗓门大、谁的职级高,就先做谁的。而这样选出来的场景,往往过不了北极星那三条。
当然,我不是说需求不用收集。访谈、开会都很有用,它们提供的是候选项。问题在于,只靠收集,你分不出轻重。更好的做法,是把客户的整条价值链摊开,顺着整个链条,看时间和钱到底耗在哪里。
OpenAI 曾分享过一个他们在半导体行业的案例,我觉得挺能说明问题。他们的 FDE 进场之后,没有急着收集各部门的 AI 需求,而是先把这家制造商的整条价值链画了出来,然后一段一段地看。结果他们发现,这家企业的工程师们有 70% 到 80% 的时间,花在修 bug 上。
于是 FDE 团队把“缺陷验证”定为最高价值的目标场景,围绕它交付了包括 debug 排查 Agent 在内的十个具体用例。按他们自己分享的口径,当前效率已经提升了 20% 到 30%,而下一步的目标是 50%。
这个案例里最值得我们学习的,不是那个 Agent 怎么开发,而是这种找场景的方式。工程师 70% 到 80% 的时间耗费在修 bug 上,这个事实一旦明确,场景自己就浮现出来了。我们再对照上面提到的北极星三条件:商业价值足够大,因为它耗费的是最贵的一群人的最大头时间;努力可影响,因为修 bug 的流程就在客户自己手里,修同样的 bug 所耗费的时间不受其它外部因素干预;可拆解可归因,因为修 bug 的步骤是明确可以拆解的,消耗的时间也是可以度量的,并且也基本不会有同时并行的其它项目在解决这个问题,即使有,也很容易排除掉。很明显,北极星三条件全部满足。
而要做到这一步,能够拆开客户的价值链条,从中找到关键性的场景,恰恰依赖上一讲的功课。你只有真正坐到最终用户的旁边跟他们一起干活、有足够的同理心理解他们的工作和痛苦,才画得出这条价值链,才能知道时间和钱真正耗在哪一段。从这个角度来说,进场五个动作和到价值链上选场景,本质上是同一件事的前后两半。
第三关:打分、排序、取舍
价值链摊开之后,从中可能能找到五六个候选场景,都能满足北极星三条件。那这个时候,我们就需要进入第三关:打分、排序、取舍。
上一讲我介绍过 Vaughan 的五天发现法,这个方法的第三天,做的就是这件事:给候选用例逐个打分。他给的维度是五个:价值、可行性、速度、风险,以及被采纳的可能性。注意他这个安排的顺序:打分放在第三天,前两天是摸全景、走流程,后两天才是做原型、做取舍。先拿到一手证据,再打分、做取舍;取舍完,才值得为入选的场景投入原型。这个顺序是符合实际做事的逻辑的。
他给出的这五个维度中,前两个维度很好理解,不再展开。我们主要聊聊剩下的速度、风险、被采纳的可行性。
按我自己的理解,速度指的是多快能见到第一个结果,它直接关系到信任的建立。风险则包括技术风险和数据风险,它对于整个项目的成功率有直接影响。而最容易被技术人忽略的是最后一条,被采纳的可能性:一个方案再好,如果一线用户不愿意采用,或者动了哪位领导的奶酪而推不下去,这个方案真正的得分就要大打折扣。
打完分后,把所有候选场景放进一张表里,按照分数分成三档:做、延后、放弃。现在就做的,排出先后顺序;暂时不做的,写清楚什么条件下重新启动评估;不该做的,明确写上放弃,以及放弃的理由。

这里顺带把两个概念交代清楚。前面我们一直说场景,这张表我却叫它用例优先级表。这两个词,说的是同一件事的两个粒度:场景偏问题,比如缺陷验证;用例偏落地的具体应用,比如 debug 排查 Agent。一个场景做深了,往往会长出一串用例,OpenAI 那个案例就是这样,一个场景,十个用例。这张表你按照哪个粒度排都行,排的逻辑是一样的。所以我还是沿用 Vaughan 的叫法,把它叫作用例优先级表。它就是这一讲最重要的交付物。因为它把“我们为什么先做这个、不做那个”,从一场会议室里的口水仗,变成了一份有证据可追溯的文档。
现在,可以回头继续说回开头那个 Google Ads 的故事了。我们当时交付的,本质上就是这张表。
这张表里,客户最开始只关心一行,就是 Google Ads 这个他们原本圈定的渠道:它到底该进“做”,还是进“放弃”。我们没有直接开干,也没有拍脑袋说不行,而是让 Agent 做系统性的调研,一层一层往下挖证据,给这一行打分。
第一层,看搜索量。候选关键词的月搜索量,比预期低了一到两个数量级。
第二层,看搜索结果页。第一屏几乎被榜单、测评、社区帖和头部品牌占满,新品牌硬挤进去,出价会被抬到 ROI 撑不住的位置。
第三层,看用户真实的发现路径。这个业态的目标用户,是在社区和 KOL 的内容里发现产品,再到垂直工具目录站里交叉对比,然后直接访问试用。Google 在这条主路径里,几乎没有角色。
这三层证据合起来,指向同一个结论:这个业态的获客逻辑是发现型、推荐型的,而 Google Ads 的核心模型是搜索意图广告,前提是用户已经有明确的搜索意图。用户的发现路径根本不经过 Google 搜索,这个渠道的核心假设就不成立。这不是关键词选得不好,也不是文案写得不够好,是结构性的错配。有两个脱敏后的数字可以佐证:这个业态头部竞品的付费搜索流量占比,都在 5% 以下;用户购买决策前的信息收集,超过 60% 发生在社区帖和垂直工具目录站,而不是搜索引擎。
但是,正如前面所说,客户要投 Google Ads,本质仅仅是一个动作,他真正要的是一个新的增长渠道。因此,在发现 Google Ads 不应该做以后,我们按照相同的思路,让 Agent 对于其它一些候选渠道,也做了深入的调研和挖掘。
最后我们交付给客户的,是一份完整的渠道决策矩阵。Google Ads 和 TikTok,明确写上不推荐,各自附上理由;垂直目录站和社区运营,是现在就该全力做的主路径;另外几个付费渠道,标成延后,写清楚等主路径的数据跑出来再评估。你看,这就是做、延后、放弃那张表的实战版本。只不过在这个项目里,行的粒度是渠道,一个渠道,就是一个候选用例。

人敢写“放弃”,才更接近上限
从这个案例,我们还能看清在 FDE 的这个环节,人和 AI 应该如何分工、如何协作。把背景、竞品格局、渠道数据调研得又快又全,是 Agent 的强项。但到底哪个场景可归因、哪个值得第一个被选择,AI 只能提供数据,具体的决策还得 FDE 自己来定。
而人要做的这些决策里,最难下笔的就是“放弃”。上面这个表里有一个细节挺有意思:真正花大力气的,其实不是“不推荐”那几行,而是“现在就做”和“延后”那些行。每个垂直目录站的提交字段、审核周期、内容要求,差异都很大;社区运营的节奏和归因方式,也和广告平台完全不同。换句话说,“建议不投 Google Ads”和“建议把预算转向更合适的渠道”,是同一个动作的两种表述:前者是判断,后者是兑现。放弃某个场景的同时,你要给出更好的替代,这样你给的“不推荐”才真正有分量。
当然,我们不是在否定客户的产品,更不是在否定他的业务。这是“这位客户乘以这个渠道”层面的判断,换一个客户,或者换一个渠道,结论可能完全不同。放弃某个场景,和看衰某个客户,是两回事。说到底,每个客户都觉得自己特殊、需求千变万化。也正因如此,真正的 AI 产品,可能需要在呈现层和策略层尝试走千人千面地生成的路径,那是第 13 讲的话题,这里先不展开。
这个案例对我自己的触动很大,至少在我们自己的实践里:会投广告,只是下限;知道什么不能投,才更接近上限。放到 FDE 的语境里,这句话也可以推广一下: 会做需求,只是下限;知道什么需求不该做,才更接近上限。 敢在优先级表上写下“放弃”两个字,而且写得有理有据,客户反而会更信任你。因为他知道,你不是为了做而做,你推荐“做”的那些场景,是用同一套证据标准筛出来的。
更进一步说,敢不敢说“不”,很多时候不取决于勇气,而取决于你的商业位置。一家只做 Google Ads 代投的服务商,要告诉客户“这个渠道别投”,几乎等于告诉客户“你不用找我了”。这不是道德问题,是商业定位决定的。
我们敢说不投,是因为 Google Ads 只是我们十几个渠道中的一个,这里不投,预算可以转到更合适的地方去。FDE 也是同样的道理。第 2 讲我们对比过 FDE 和外包:外包按人天收费,需求越多越好,它天然缺少对需求说“不”的动力;而 FDE 背后是产品公司,赚的是长期的效果和复利,对一个不该做的场景说放弃,反而是更划算的选择。某种意义上,敢不敢写“放弃”,就是检验你在做 FDE 还是在做外包的一块试金石。
课程总结
这一讲,我们讲的是选场景,核心就一句话:把嘴上的需求翻译成可衡量的结果,再决定做不做。AI 时代做不了一次性构建的大系统,你只有一次机会,用一个场景打穿来证明自己,所以这个场景必须选对。
选场景要过的三关,我帮你整理成一张表:

除此之外,这一讲还有两点希望能对你有所帮助:一是敢写“放弃”:会做需求是下限,知道什么需求不该做,才更接近上限。二是 AI 和人的分工:场景背景、竞品格局、渠道数据,Agent 调研得又快又全;但哪个场景可归因、哪个值得第一个打穿,得你自己定。
如果你想转型 FDE,这一讲给了你选场景的完整三关:北极星筛选、价值链定位、打分排序。下次面对一堆需求的时候,你可以先拿这三个条件问一遍。
对交付和实施同学,用例优先级表也可以直接拿去用。它能帮你把“客户催什么做什么”,升级成“我们一起排过优先级,有共识、有证据”。
对 To B 创业者和产品经理,我想强调的是敢写“放弃”。短期看,这可能少做一单生意;长期看,这是你和客户建立真正信任的开始。
场景选对了,结果也定义清楚了,是不是就可以开工了?还不行。方案要落地,还要过“人”这一关:谁支持你,谁反对你,谁能一票否决你。下一讲,我们就来讲干系人与信任,怎么搞定关键人和内部政治。
思考题
课后留两个思考题,欢迎你在留言区聊聊。
第一,想一想你现在手头的项目,它的北极星指标是什么?拿本节课的三个条件量一量:有商业价值、努力可影响、可拆解可归因,它能过几条?如果过不了,卡在哪里?
第二,你有没有对客户或者老板说过“这件事别做”?当时你的底气来自哪里,是证据,还是直觉?后来的结果怎么样?
期待你在留言区分享你的思考。如果这节课对你有启发,也推荐你把它分享给身边更多朋友。