自述：我在Facebook工作的日子 和*的人合作

　　3、树立高的期望值并加以衡量

　　作为*，你需要设定足够高但仍合理的期望。 足够高使得你的团队不会感到无聊。仍合理使得他们不至于油尽灯枯。你要给他们创造一段经历使得在旅程结束时，他们回过头来看会说 - “他妹的， 我都没想到我居然做到了这个。 这个屌爆了。” 在Facebook， 和其他硅谷高技术公司一样，期望同薪酬相结合。 每半年Facebook都有5-6个公司级的大目标， 所有人的奖金算法中都会考虑该目标的完成情况。 因此树立明确的期望本身就至关重要。

　　另外， 你需要找到一个不容争辩的途径来衡量期望。 我花了大量时间和团队一起制定下季度里最重要的3-5个目标并有数据化的衡量指标 （一个目标背后可以有多个指标）。根据工作量把目标分别委派给单个或多个攻城狮，或者让他们自己揽。在这一情况下，我们不仅有可衡量的目标，使得我们可以迅速地说出来我们在做什么做到哪了，同时也知道每个具体目标后面的负责人是谁。团队的表现和个体表现挂钩， 所以他们失败了我即不成功。 例如， 当年我们团队*的成果就是在一年时间里，通过每季度不同的指标，让信用卡支付的投诉率降低了75%.

　　有一点要强调的是﹣期望还是要基于现实要合理。 在你只有10%的市场份额的时候却幻想10几倍的收入增长无疑不现实。 Steve Jobs乔老爷是这方面的老手， 非常善于推动他的团队超越潜能但同时也榨干他们（虽然他们后来还是为他们所做到的而自豪一辈子）99.9%的*不是乔老爷， 也不需要是。更可行的是在团队的真实极限中找到一个可持续性的驱动来激励团队超越自我。

　　4、重视数据而不盲从数据

　　决定产品方向时， 要的是想象力， 激情和胆量， 而不是数据。 数据能让你的团队沿着正确的方向前进而不出轨， 也有助于产品从“一开始是什么样”到“最后应该是什么样”的逐渐优化成型。 但数据不能帮你决定方向。 举个例子， 当我们在人工智能（机器学习）上压上我们团队所有的资源的时候， 我们忐忑不安。 但是我们坚信一点， 现有的基于人工规则引擎的防欺诈系统会很快成为死胡同， 因为它太死板而且不易规模化以处理大数据。所以， 就像在电影指环王中Frodo明知通向Mordor的道路很黑很冷很危险， 但那是一条他必须要选择去走的路; 我们选择了在机器学习上压上所有的宝。失败， 整个团队会很难看; 但我们决定走艰难但我们认为是正确的路。 这种思路同样应用在如何设计用于用户报告（外部工具）和案例审查（内部工具）的工具来应对潜在的欺骗行为。我们最后决定的方向是“进行自动处理”和“建立反馈机制”。直接抛给人工来处理总是很容易被选的一条路， 因为只要建立一个人多人傻的客户支持团队即可。 Lame！ 我们希望通过自动处理来解决大部分的欺诈案例，而把精力则放在那些确实需要单独处理的特殊案例上， 同时把从业务支持团队（即客户支持部门）的处理意见自动采集并集成到下一轮的机器学习中去。由此， 我们的机器判断会越加精确和聪明且与时俱进。

　　但你不能忽视数据。没有数据的支撑而一味靠直觉走黑路， 很容易走岔道， 甚至大错特错。有一段时间我们认为爬行工具（通过分析关联的cookie，信用卡）可能可以找到很多欺诈的同伙。通过实验结果却发现， 这种预期是否成立很大程度上取决于当前流行的欺诈行为的特点。 比如， 当失窃或贩卖信用卡的案例非常普遍的时候，关联分析是一种有效的方法。但如主要情况是帐户被黑或小宝们冒用妈妈的信用卡去网游消费时，关联分析就作用不大。直觉在现实前面碰了一脸的灰。不过幸运的是我们很快意识到这点且把这个项目叫停了， 所以没有浪费太多的资源。

　　另外， 顺带提一下A/B测试。A/B测试并不会告诉你去做什么产品，但它可以帮你确定实现产品时的哪个细微版本更能揪住用户大爷们的心。

【本文由投资界合作伙伴站长之家授权发布，本平台仅提供信息存储服务。】如有任何疑问，请联系（editor@zero2ipo.com.cn）投资界处理。