引子:3M的意外发明
1968年,3M公司化学家Spencer Silver在研发超强力胶水时,犯了一个"错误":
他合成出一种粘合剂,但这种胶水粘性很弱,贴上去很容易撕下来,而且不留痕迹。
对于"超强力胶水"的目标,这是彻底失败。
Spencer把这个"失败品"报告给公司,大多数人认为没用,要扔掉。
但Spencer觉得:“粘性弱、可反复粘贴”,是不是也有价值?
他花了5年时间,在公司内部推广这个"弱胶水",但没人感兴趣。
1974年,3M另一个科学家Art Fry参加教堂唱诗班,他在赞美诗集里用书签,但书签总是掉下来,很烦恼。
突然,Art想到Spencer的"弱胶水":
如果在书签背面涂上这种胶水,不就可以反复粘贴,又不损坏书页吗?
Art做了原型,效果惊人!
1980年,3M正式推出Post-it便利贴。
结果:
- 40年后的今天,便利贴成为全球办公必备品
- 年销售额数十亿美元
- 3M最成功的产品之一
这个故事体现了进化的两大核心机制:
- 变异(Variation):Spencer的"错误"合成出弱胶水 → 意外的变异
- 选择(Selection):Art Fry发现应用场景 → 环境选择出有价值的变异
没有变异,就没有便利贴。 没有选择,弱胶水只是实验室废品。
今天,我们深入探讨进化的双引擎:变异与选择。
一、变异:创新的源泉
1.1 什么是变异?
生物学定义: 个体之间的遗传差异,由基因突变、重组等产生。
商业/组织定义:
- 新想法、新产品、新流程、新模式的产生
- 对现有做法的偏离和创新
- 试错和实验
关键特征:
1. 随机性
变异不是预先设计的,而是"试试看"
生物:基因突变是随机的(大部分有害,少数有益,极少数中性)
商业:新想法的产生是探索性的(不知道哪个会成功)
示例:
3M的弱胶水是"错误"(随机)
青霉素的发现是Fleming忘记盖培养皿,霉菌污染(意外)
Post-it的颜色最初是黄色,只是因为实验室只有黄色碎纸(偶然)
2. 多样性
变异要足够多样,才能覆盖可能性空间
不够多样:
- 只尝试一种新方案 → 成功概率低
足够多样:
- 同时尝试10种方案 → 至少一种可能成功
字节跳动:同时做抖音、西瓜视频、Faceu、轻颜、多闪、飞聊...
→ 多样性极高 → 提升成功概率
3. 大多数无用
残酷现实:大部分变异是无用的,甚至有害的
生物:大部分基因突变导致功能丧失或疾病
商业:大部分新产品失败(90%的创业公司倒闭)
但:没有大量变异,就没有偶尔的"中奖"
贝佐斯:"如果你知道它一定会成功,那就不叫实验。"
1.2 如何增加有益变异?
策略1:扩大变异空间
增加变异数量:
目标:产生更多想法/尝试
实践:
- 头脑风暴:每次会议产生50+个想法(不评判,只生成)
- 20%时间:Google允许员工用20%时间做自己的项目
- 黑客马拉松:24-48小时密集产生原型
- 内部创业:允许员工提出新项目,公司孵化
量变引起质变:
100个想法中,可能有5个值得尝试,1个会成功
10个想法中,可能0个成功
要提升成功概率,先增加变异数量!
案例:亚马逊的"两个披萨团队"
贝佐斯规则:
- 团队小到两个披萨就能喂饱(约8-10人)
- 每个小团队可以独立尝试新想法
- 不需要层层审批
结果:
- 亚马逊内部有数百个这样的小团队
- 每个都在尝试不同方向
- Prime、AWS、Kindle等都来自小团队的尝试
变异数量 = 团队数量 × 每个团队尝试频率
策略2:提升变异质量
不是盲目随机,而是"有方向的探索":
相邻可能性(Adjacent Possible):
定义:基于现有能力,向相邻领域拓展
vs 盲目跳跃:完全不相关的领域
示例:
亚马逊:
- 电商 → 云计算(相邻:都需要强大IT基础设施)✓
- 电商 → 做汽车(不相邻,跨度太大)✗
腾讯:
- 即时通讯 → 社交网络(相邻:都是社交)✓
- 即时通讯 → 做芯片(不相邻,无能力基础)✗(早期)
相邻可能性:
- 成功概率更高(有能力基础)
- 变异仍然足够(新领域)
- 平衡探索与利用
跨界借鉴:
从其他领域借鉴,移植到本领域
示例:
- 丰田生产系统:借鉴美国超市的库存管理(Just-in-Time)
- Uber:借鉴酒店预订模式,应用到出租车
- Airbnb:借鉴eBay的评价系统,应用到住宿
跨界变异:
- 不是从零发明(成本低)
- 组合创新(A领域成熟方案+B领域需求)
- 提升变异质量
策略3:降低变异成本
让尝试变得便宜:
MVP(最小可行产品):
不要:
- 花6个月开发完美产品
- 投入100万
- 然后发现用户不买账
而要:
- 2周做MVP(最核心功能)
- 投入10万
- 快速验证,不行就砍掉
Dropbox的MVP:
- 不是先做产品,而是做3分钟视频演示
- 成本:几千美元
- 验证需求:5万人注册等待列表
- 确认需求后,再投入开发
低成本变异 → 可以尝试更多方向
A/B测试:
不要:
- 讨论3个月,选一个方案
- 全量上线
- 祈祷它成功
而要:
- 同时测试多个方案
- 小流量(5-10%)
- 数据说话,选最好的
字节跳动:
- 每天数十个A/B测试
- 成本极低(只是代码改动)
- 快速找到最优方案
算法变异案例:
- 推荐算法的排序权重:同时测试10种配置
- 1天后看数据:哪个留存率最高?
- 保留最优,淘汰其他
低成本 → 高频变异 → 加速进化
二、选择:价值的筛选
2.1 什么是选择?
生物学定义: 环境对不同变异的差异化生存/繁殖结果。 适应环境的 → 存活、繁殖 不适应的 → 淘汰
商业定义: 市场/用户/数据对不同方案的反馈:
- 用户喜欢的产品 → 增长
- 用户不喜欢的 → 流失
- 有价值的想法 → 被采纳
- 无价值的 → 被放弃
选择的核心:压力(Selection Pressure)
强选择压力:
环境严酷,差异化结果明显
生物:
- 抗生素环境:不耐药的细菌全死,耐药的全活
- 选择极强,进化极快
商业:
- 疫情期间:线上能力强的企业活,弱的死
- 选择极强,行业洗牌
结果:进化快,但淘汰率高
弱选择压力:
环境宽松,差异化结果小
生物:
- 食物充足,天敌少:各种变异都能活
商业:
- 市场蓝海,竞争少:各种模式都能生存
- 例:早期电商(2005-2010),淘宝、京东、当当、凡客...都活得不错
结果:进化慢,但多样性高
2.2 选择机制:谁来选择?
用户选择(市场选择):
最终裁判:用户用脚投票
指标:
- 留存率:用户持续使用吗?
- 付费率:用户愿意掏钱吗?
- 推荐率:用户愿意推荐吗?
示例:
抖音 vs 快手(早期):
- 两个产品同时试水短视频
- 用户数据:抖音用户时长更长,增长更快
- 市场选择:抖音胜出(快手也活下来,但抖音更大)
关键:让市场选择,而不是老板拍脑袋
数据选择(A/B测试):
机制:同时测试多个方案,数据决定留谁
案例:Netflix的算法优化
- 每天数百个A/B测试
- 测试:推荐算法、UI布局、内容缩略图...
- 选择标准:用户观看时长、留存率
具体案例:缩略图
- 同一部剧,测试5种不同缩略图
- 分流:每种缩略图分配20%用户
- 结果:某种缩略图点击率高30%
- 决策:全量使用那种缩略图
数据选择的优势:
- 客观(不是主观偏好)
- 快速(1-2周就有结果)
- 可量化(明确知道好多少)
内部选择(管理决策):
机制:公司管理层评估和决策
场景:
- 战略方向选择
- 资源分配
- 项目优先级
示例:腾讯的赛马机制
- 微信vs QQ微信:内部两个团队做移动IM
- 竞争指标:用户数、活跃度
- 管理层决策:微信胜出,获得更多资源
风险:
- 管理层判断可能错误(vs 用户数据更客观)
- 政治因素可能影响(不是纯粹的优胜劣汰)
最佳实践:
- 管理层选择战略方向(大框架)
- 数据/市场选择具体方案(战术)
环境选择(外部压力):
机制:外部环境变化,淘汰不适应的
示例:移动互联网浪潮
- 2010年代,智能手机普及
- 环境压力:PC互联网 → 移动互联网
- 选择结果:
✓ 适应的:腾讯(微信)、阿里(支付宝)、字节(抖音)→ 繁荣
✗ 不适应的:人人网、开心网、新浪微博(衰落)→ 边缘化
环境选择最无情:
- 不管你过去多成功
- 环境变了,不适应就淘汰
- 没有商量余地
2.3 案例:美团的"千团大战"
2010-2012年,中国团购行业的惨烈竞争,是选择机制的经典案例。
变异阶段(2010-2011初):
Groupon模式传入中国:
- 2010年初:国内团购网站<10家
- 2010年中:数百家
- 2011年初:超过5000家!
变异爆发:
- 拉手网、美团、糯米、窝窝团、满座网、F团、24券...
- 每天都有新团购网站上线
- 模式大同小异(都是团购)
- 差异:品类侧重、城市侧重、运营方式
这是疯狂的变异期!
选择压力(2011-2012):
环境变化:
- VC资金收紧(2011年底)
- 用户对团购疲劳(体验差、商家坑)
- 竞争白热化(价格战、补贴战)
选择压力:
1. 资金压力:烧钱换增长,钱烧完了怎么办?
2. 用户压力:用户留存率低,获客成本高
3. 商家压力:商家体验差,不愿意合作
淘汰开始!
选择过程:
2011年底:
5000家团购 → 约3000家
被淘汰的:
- 无融资能力的(资金链断裂)
- 纯烧钱无差异化的(用户留不住)
- 运营能力差的(商家服务差,口碑崩)
2012年:
3000家 → 约300家
头部玩家初现:
- 美团、大众点评、糯米、拉手...
选择标准:
- 融资能力(谁还有钱?)
- 运营效率(单城市模型能盈利吗?)
- 差异化(有独特价值吗?)
美团的优势:
- 王兴坚持单点突破(不盲目扩张)
- 聚焦餐饮(做深做透)
- 数据驱动(精细化运营)
- 融资节奏好(没过度烧钱,也没缺钱)
2013-2014年:
300家 → 约20家
只剩头部玩家:
- 美团、大众点评、糯米(百度收购)、窝窝团(苟延残喘)
拉手网:曾估值10亿美元,2013年被收购,价格<1亿
24券:创始人逃到国外
F团、满座网:倒闭
选择标准升级:
- 不只是活着,而是能盈利
- 不只是GMV,而是可持续模式
2015年-至今:
美团 + 大众点评合并(2015)
→ 美团点评成为绝对龙头
糯米、窝窝团等边缘化
从5000家到1家主导(美团),选择完成!
选择的关键因素:
第一轮选择:资金
有钱 → 活
没钱 → 死
很残酷,但这是生存门槛
第二轮选择:效率
单位经济模型(Unit Economics):
- 获客成本(CAC)< 用户生命周期价值(LTV)
美团:
- 通过精细化运营,降低CAC
- 通过品类扩展,提升LTV
- 单城市模型可盈利
拉手:
- 盲目扩张,CAC居高不下
- 用户留存差,LTV低
- 烧钱换不来增长
效率高 → 活
效率低 → 死
第三轮选择:差异化
同质化 → 价格战 → 利润薄 → 难以为继
美团的差异化:
- 从团购 → 本地生活平台
- 扩展:外卖、酒店、电影、打车...
- 建立护城河
没有差异化的:被淘汰或边缘化
千团大战的进化启示:
- 变异很容易,选择很残酷:5000→1,淘汰率99.98%
- 选择是多轮的:不是一次淘汰,而是层层筛选
- 选择标准在升级:从"有钱"→“有效率”→“有差异化”
- 适者生存:不是最强的生存(拉手曾最强),是最适应的生存(美团)
三、变异-选择循环
3.1 单次循环 vs 多次迭代
单次循环(慢进化):
1. 产生变异(开发新产品)
2. 市场选择(上市,看结果)
3. 成功就成功,失败就失败
4. 下一个产品(1年后)
周期长:1年1次
进化慢:每年只学习1次
传统制造业、制药业:不得不这样(开发周期长)
多次迭代(快进化):
1. 产生变异(开发MVP)
2. 快速测试(1周)
3. 收集反馈
4. 调整方案
5. 再次测试(又1周)
6. 循环往复
周期短:1周1次,甚至每天
进化快:1年可以迭代50次!
互联网公司的优势:迭代成本低,可以高频循环
案例对比:
诺基亚(传统模式):
新手机开发周期:12-18个月
1. 立项(市场调研,确定需求)→ 3个月
2. 设计(外观、硬件)→ 6个月
3. 开发(软件、测试)→ 6个月
4. 生产准备 → 3个月
5. 上市 → 销售反馈 → 6个月后才知道市场反应
总周期:约2年才完成一次变异-选择循环
问题:
- iPhone 2007年推出,触屏+iOS
- 诺基亚2008年才立项触屏手机
- 2010年才上市(Symbian^3)
- 但这时iPhone已迭代3代,遥遥领先
诺基亚输在:循环太慢,跟不上环境变化速度
特斯拉(现代模式):
软件更新周期:2-4周
1. 开发新功能(自动驾驶算法优化)→ 2周
2. 推送给车主(OTA空中升级)→ 1天
3. 收集数据(数百万英里路测数据)→ 实时
4. 分析反馈 → 1周
5. 下一次迭代 → 又2周
总周期:1个月完成一次循环
优势:
- 1年可以迭代12次
- vs 传统车企:1年1次(新车型)
- 特斯拉的Autopilot进化速度远超对手
快速循环 = 快速进化 = 竞争优势
3.2 如何加速变异-选择循环?
策略1:缩短反馈周期
互联网优势:实时数据
传统:
- 产品上市 → 等用户购买 → 等市场报告 → 6个月后知道结果
互联网:
- 功能上线 → 实时看数据 → 1小时后知道结果
示例:抖音的推荐算法
- 新算法上线
- 实时监控:用户停留时长、点击率、完播率
- 30分钟后:如果数据差,立即回滚
- 如果数据好,扩大流量
- 1天内完成一次选择
实时反馈 → 可以一天多次迭代
策略2:降低变异成本
模块化、可复用:
不是每次从头开发,而是:
- 复用现有组件(70%代码复用)
- 只开发新功能(30%新代码)
- 快速组装,快速测试
示例:字节跳动的中台
- 推荐算法中台:所有产品共用
- 用户画像中台:统一用户数据
- 视频处理中台:统一视频能力
新产品开发:
- 不是从0开始
- 调用中台能力,快速搭建
- 2周就能做出MVP
低成本 → 可以尝试更多 → 提升找到好方案的概率
策略3:并行测试
不是串行,而是并行:
传统(串行):
- 方案A测试2周 → 不行 → 再测方案B → 2周 → ...
- 10个方案,需要20周
现代(并行):
- 方案A、B、C...J同时测试,各分配10%流量
- 2周后,所有方案都有结果
- 选择最好的
10个方案,只需要2周!
A/B/n测试:
- 不只A/B,而是A/B/C/D/E...同时测
- 大幅缩短选择时间
策略4:自动化选择
不需要人工决策,让系统自动选择:
算法自动优化:
传统:
- 工程师修改算法 → 测试 → 分析数据 → 决定是否采纳
- 依赖人工,慢
自动化:
- 系统自动生成100个算法变体
- 自动A/B测试
- 自动选择最优的
- 人工只需要设定目标(如:最大化留存率)
示例:Google的AutoML
- 自动搜索最优神经网络结构
- 尝试数千种组合
- 找到比人工设计更好的模型
机器选择 >> 人工选择(速度)
3.3 平衡探索与利用
探索(Exploration) vs 利用(Exploitation)
利用(Exploitation):
定义:使用已知有效的方案,优化它
优势:
- 短期收益高(确定性强)
- 效率高(不浪费资源试错)
劣势:
- 可能错过更好方案
- 环境变化时,无法适应
示例:
- 餐厅总去那家你知道好吃的(利用)
- 公司总做已经成功的产品(利用)
探索(Exploration):
定义:尝试未知的方案,寻找可能更好的
优势:
- 可能找到更优方案
- 适应环境变化
劣势:
- 短期收益不确定(可能失败)
- 浪费资源(大部分尝试无效)
示例:
- 尝试新餐厅(探索)
- 公司研发新产品(探索)
多臂老虎机问题(Multi-Armed Bandit):
场景:
赌场有10台老虎机,每台回报率不同,但你不知道
- 你有100次拉杆机会
- 如何分配,最大化收益?
策略:
- 纯利用:只拉目前看起来最好的那台
→ 问题:可能其他台更好,你不知道
- 纯探索:平均分配,每台拉10次
→ 问题:浪费,明明有台很差,还要拉
- 平衡:前20次探索(每台拉2次),后80次利用(拉最好的)
→ 较优,但仍不完美(可能前20次没体现真实概率)
ε-greedy策略:
动态平衡探索与利用:
- (1-ε)的时间:利用(选择当前最优方案)
- ε的时间:探索(随机尝试其他方案)
示例:ε=0.1
- 90%时间:做当前已知最好的
- 10%时间:尝试新的
优势:
- 主要利用(效率高)
- 持续探索(不错过更好方案)
- 动态调整(如果发现更好的,就切换)
商业应用:资源分配
70-20-10法则(Google):
资源分配:
- 70%:核心业务(搜索、广告)→ 利用
- 20%:相关创新(Gmail、Maps)→ 探索(相邻可能性)
- 10%:前沿探索(自动驾驶、量子计算)→ 探索(长期)
平衡:
- 70%保证今天的饭(生存)
- 20%准备明天的饭(增长)
- 10%探索后天的饭(未来)
不是50-50(那样核心业务资源不足,可能活不下去)
也不是100-0(那样没有未来,环境变化时被淘汰)
亚马逊的"Day 1思维":
贝佐斯:"Day 1公司持续探索,Day 2公司走向死亡"
Day 1:
- 永远保持创业心态
- 持续探索新方向(AWS、Alexa、Prime Video...)
- 即使核心业务(电商)很成功,也不停止探索
vs Day 2:
- 满足于现有成功
- 只优化现有业务
- 停止探索
- 最终被更有活力的Day 1公司超越
亚马逊:
- 电商业务(利用,优化)
- 同时大量探索(AWS、Kindle、无人店...)
- 平衡探索与利用
四、实践框架
4.1 组织层面:建立变异-选择机制
第1步:制度化变异生成
固定时间/资源用于探索:
不要:
- 等有空了再创新
- 等老板说了再试
而要:
- 每季度:2天黑客马拉松
- 每个团队:10%时间做探索项目
- 每年:X%预算用于新业务孵化
示例:3M的15%规则
- 员工可以用15%工作时间做自己感兴趣的项目
- 这个规则诞生了:便利贴、透明胶带等产品
- 变异制度化
鼓励试错文化:
制度:
- 失败不惩罚(在合理范围内)
- 设立"最佳失败奖"(学到最多东西的失败)
- 分享失败经验(内部分享会)
示例:Tata集团的"Dare to Try"奖
- 表彰那些勇于尝试但失败的项目
- 传递信息:我们鼓励试错
- 文化:失败是学习,不是耻辱
第2步:严格的选择机制
明确选择标准:
不要:
- 凭感觉决定
- 政治决定
- 谁声音大听谁的
而要:
- 数据说话:留存率、NPS、ROI
- 用户说话:市场反馈
- 客观评估:多维度打分
示例:亚马逊的项目评审
- 每个新项目:写6页memo(详细分析)
- 会议前:所有人静读20分钟
- 讨论:基于数据和逻辑,不是PPT和演讲技巧
- 决策:理性评估,选择期望值最高的
快速止损:
机制:
- 设定里程碑:3个月验证假设A,6个月达到指标B
- 到期检查:达到了吗?
- 没达到:止损(不要"再给3个月")
- 达到了:继续投入
示例:Google的项目淘汰
- Google+失败,果断关闭
- Google Glass(消费级)失败,转to B
- 不恋战,快速止损,资源转移到有希望的项目
舍不得砍项目 = 资源浪费 = 真正有潜力的项目没资源
第3步:加速循环
缩短迭代周期:
目标:
- 传统:1年1次大版本
- 敏捷:2周1次迭代
- 持续部署:每天多次发布
方法:
- 自动化测试(不需要手工测几周)
- CI/CD(持续集成/持续部署)
- 小步快跑(每次改动小,风险小)
结果:
- 1年52次迭代(vs 1次)
- 每次都是一次变异-选择循环
- 进化速度快52倍!
4.2 个人层面:管理自己的变异-选择
变异:持续学习,扩展边界
每月一个小变异:
不要:
- 一成不变,只做熟悉的事
而要:
- 每月尝试一个新的小项目/技能
- 不需要大(不是学一门新语言)
- 可以小(如:学一个新工具、读一本跨界书、尝试新的工作方法)
目标:
- 1年12个小变异
- 其中可能1-2个特别有价值
- 扩展能力边界
每年一个大变异:
尝试一个跨度较大的新方向:
- 学一个新领域(如:程序员学产品)
- 做一个side project(业余项目)
- 参加一个不熟悉的活动(如:演讲、写作)
目标:
- 探索新的可能性
- 可能打开新的职业方向
选择:根据反馈,调整方向
收集反馈:
每个季度问自己:
1. 我最近尝试的新东西,哪些有价值?
- 用户/老板/同事的反馈
- 自己的感受(兴趣、成就感)
- 客观结果(晋升、加薪、新机会)
2. 哪些没价值?
- 花了时间,但没收获
- 不感兴趣,只是强迫自己
- 没有实际应用场景
3. 基于反馈,调整:
- 有价值的:加倍投入,深化
- 没价值的:停止,不要沉没成本
这是个人的选择机制!
案例:我的技能变异-选择
(假设案例)
2019年尝试:
- 学Python数据分析(变异1)
- 学公众号写作(变异2)
- 学产品思维(变异3)
- 学吉他(变异4)
2019年底反馈:
- Python数据分析:工作中用上了,老板认可 → 有价值 ✓
- 公众号写作:写了10篇,阅读量很低,没反响 → 价值低 ✗
- 产品思维:和PM沟通更顺畅,得到跨岗位机会 → 有价值 ✓
- 吉他:学了3个月,很难,没坚持 → 兴趣不足 ✗
2020年调整:
- 深化:Python数据分析(报名进阶课程)
- 深化:产品思维(申请轮岗到产品团队)
- 停止:公众号写作(止损,时间投入到其他)
- 停止:吉他(承认不适合)
2020年新尝试:
- 学机器学习(基于Python基础,相邻可能性)
- 学演讲(产品岗需要)
- ...
持续循环:变异 → 选择 → 深化有价值的 → 新一轮变异
五、常见误区
误区1:只要变异,不要选择
表现:
"我们要创新!每个人都提想法!"
→ 产生100个想法
→ 然后呢?没有筛选机制
→ 100个想法都躺在文档里,没有执行
或者:
→ 100个想法都去做
→ 资源分散,每个都做不好
→ 全部失败
问题: 变异不筛选 = 浪费
正确:
- 产生100个想法(变异)
- 快速筛选:初步评估,留20个(第一轮选择)
- 做MVP测试:实际验证,留5个(第二轮选择)
- 深度投入:选1-2个,做深做透(第三轮选择)
变异是原料,选择是过滤器,两者缺一不可!
误区2:只要选择,不要变异
表现:
"我们要聚焦!不要乱尝试,把核心业务做好!"
→ 所有资源100%投入现有业务
→ 优化再优化
→ 短期效率很高
但:
→ 环境变化(如:移动互联网兴起)
→ 现有业务过时
→ 没有新业务储备
→ 公司衰落
诺基亚就是这样:过度聚焦功能手机,没有探索智能手机
问题: 只优化,不探索 = 路径锁定,环境变化时被淘汰
正确: 70-20-10:主要聚焦(70%),同时探索(30%)
误区3:变异太随机,缺乏方向
表现:
"我们要创新,什么都试试!"
→ 今天做电商,明天做社交,后天做硬件
→ 每个都是全新领域,没有积累
→ 成功率极低,资源浪费
问题: 盲目变异 = 中奖概率太低
正确:
- 基于核心能力变异(相邻可能性)
- 跨界借鉴(组合创新,不是从零发明)
- 小步试错(MVP,不是一次性大投入)
亚马逊:从电商 → 云计算(相邻:都需要IT能力)✓ 亚马逊:从电商 → 做芯片(早期,太远)✗
误区4:选择标准不清晰
表现:
"这个项目要不要继续?"
→ 10个人,10种意见
→ 有人说数据不好,有人说潜力大
→ 讨论3小时,没结果
→ 最后:老板拍板(可能是错的)
问题: 选择机制主观 = 可能选错,可能政治化
正确: 提前设定客观标准:
- 3个月后,DAU达到10万 → 继续
- 否则,止损
- 不是到时候再讨论,而是按预设标准执行
对赌协议:
- 项目负责人:我保证3个月达到X指标
- 公司:如果达到,给你Y资源;如果没达到,项目关闭
- 清晰、客观、可验证
误区5:舍不得淘汰
表现:
"这个项目虽然数据不好,但我们已经投入了1000万,不能放弃!"
→ 沉没成本谬误
→ 继续投入500万
→ 还是不行
→ 最后亏了1500万
vs
及时止损:
→ 发现不行,止损,只亏1000万
→ 省下的500万投入到更有希望的项目
问题: 舍不得砍 = 好钱追着坏钱 = 资源浪费
正确:
- 沉没成本不是成本(已经花了的,不管做什么决策都拿不回来)
- 决策只看未来:继续投入的期望值 vs 止损+转向的期望值
- 如果继续投入期望值更低 → 止损!
自然选择很无情:
- 不管你过去多成功,不适应就淘汰
- 不管你投入了多少,没价值就淘汰
我们也要学习这种无情(对项目,不是对人):
- 快速试错
- 快速止损
- 资源集中到真正有价值的方向
六、总结
变异与选择是进化的双引擎:
变异:
- 产生多样性
- 创造可能性
- 但大部分无用
选择:
- 筛选价值
- 淘汰无效
- 保留有效
两者结合:
大量变异 + 严格选择 + 快速循环 = 快速进化
商业:
- 大量尝试新想法(变异)
- 数据/市场严格筛选(选择)
- 快速迭代(循环)
→ 适者生存,不断进化
个人:
- 持续学习,扩展边界(变异)
- 根据反馈,调整方向(选择)
- 深化有价值的,停止无价值的
→ 能力进化,职业发展
关键原则:
- 鼓励变异:失败不惩罚,试错制度化
- 严格选择:数据说话,快速止损
- 快速循环:缩短反馈周期,加速迭代
- 平衡探索与利用:70-20-10,既聚焦又探索
记住:
没有变异,就没有进化。 没有选择,变异只是混乱。
两者缺一不可,相辅相成。
在快速变化的时代:
- 变异速度 = 创新能力
- 选择质量 = 决策能力
- 循环频率 = 进化速度
提升这三者,你就能在竞争中胜出,在变化中生存,在进化中繁荣。
明天,我们将探讨路径依赖与历史偶然性——为什么历史很重要,为什么很多事情"本可以不是这样"。
今日思考:你的团队/公司,变异机制如何?选择机制如何?循环速度如何?有哪些可以改进的地方?