另一方面，产品和服务管理涉及建立满足最低市场吸引力的价值产品，必须在特定时间内填补该吸引力才能实现给定的盈利能力。如果产品或服务没有达到预期的吸引力怎么办？如果未在规定时间内达到预期配额并影响企业盈利能力，会发生什么情况？如果该产品的合作伙伴要求最低保证植入式广告但未得到满足，会发生什么情况？如果成本工作影响了业务流程并且不允许我们实现既定目标，会发生什么？这种管理具有很大程度的不确定性，实施时间通常需要时间来适应市场的动态和变化条件，尽管它试图通过定性研究来了解消费者的问题、市场吸引力研究来降低风险，对标建立产品差异化和定位，基于场景和流程分析的财务评估建立对业务有利的条件，在经验丰富的产品经理的决策下，最终的决策总是处于一定的风险之下假定为管理的一部分这里还有更大的责任。麦肯锡最近的研究“首席执行官的增长选择：建立新业务”中已经阐述了这一点，该研究解释说，开发可扩展的新业务的成功率为 30%，经验丰富的组织在业务/产品方面的成功率是原来的 2.8 倍。每个不成功的业务/产品与经验不足的组织相比，这些组织的成功业务/产品数量仅是每个不成功的业务/产品的 1.6 倍。有的时候甚至会讨论产品是否没有吸引力，或者销售团队是否缺乏投放能力。
数据分析
预测数据分析是另一个不确定性含量很高的领域。在该学科中，寻求的是将数据转换为允许预测行为或动作的算法的变量。重点是获取数据、对其进行分类、清理、定义变量、对变量进行分类并组织它们。假设我们要建立一种算法来预测产品的购买情况，该算法的变量之一是用户在执行购买操作之前在购物车中停留的时间。这个时间也必须以同样的方式进行分类，在小于30秒、小于60秒和大于60秒的分类中，具有秒、分钟或突然的时间信息的算法不会产生相同的效果。必须评估对实现目标效果最大的变量分类类型，这就是其配置的艺术性和不确定性。
同样，假设我们认为这个变量将是对模型影响最大的变量，但是当 美国公司电子邮件列表 我们构建模型时，结果发现这个变量甚至不接近对模型影响最大的前 10 个变量。算法中的权重，这里我们有另一个广泛的不确定性空间。我们可以尝试选择对模型来说似乎有意义的变量，但是当我们到达终点时，事实证明我们获得的变量对预测期望行为的目标没有帮助，需要重新开始考虑新的变量，甚至可能不在可用的数据范围内。然后进入广泛的迭代游戏，可能导致未达到目标的结论。如果您在数据项目中寻求 300% 的投资回报率，但无法获得所需的算法，会发生什么情况？如果可用数据无助于预测目标行为怎么办？如果变量的分类不合适会发生什么？如果由于市场已经发生变化而没有足够的时间进行更多迭代，会发生什么情况？在这些情况下管理不确定性是有风险的，经验丰富的数据科学家有更大的责任来实现目标，他们可能有必要的鼻子来寻找和建模所需的算法。
总之，不确定性是许多学科的固有组成部分，尤其是在营销、产品管理和数据科学领域，这些领域的决策是在动态和高度竞争的环境中做出的。随着不确定性的增加，实现既定目标的责任也随之增加。例如，在营销领域，创建有效的广告信息、管理成功的产品和服务以及准确预测消费者行为都是复杂的挑战，需要采取战略方法并仔细管理不确定性。虽然不确定性确实会带来风险，但它也为那些能够有效管理不确定性并利用它发挥优势的人带来了机会。最终，那些能够成功驾驭不确定环境并取得积极成果的人将成为各自领域的佼佼者。
由于一项活动涉及更大的不确定性和风险，因此有必要考虑负责该活动所带来的所有责任，并评估能够使该活动取得良好结果所需的经验程度。你怎么认为？