数据是这个时代最强大的工具。数据对于做产品的价值，一般是作为做正确决策和达成共识的最低成本工具。生活中的策略或设计，往往都是事前定的（基于推理做决策），但有了AB测试，就可以事后选择已验证的更优策略。对于适合它的题型来说，进行AB测试就是在偷看答案后解题，它简直就是产品经理的“作弊”利器。不过，还是有题型，尤其是开放性大题和附加题往往不适合它。

在线产品进行大量控制实验代价低且可控性高，很适合进行AB测试。但对于含较重要线下环节的产品，AB测试的可用性低，也就更依赖于产品经理的深度思考、预判准确性和权衡取舍能力，更需要成熟产品经理负责。进一步想，还有比O2O线下产品更难进行AB测试的，比如手机这类几乎一年迭代一次的硬件产品就很难进行AB测试，因为综合代价实在太大。

但哪怕是适合进行AB测试的产品工作，我们也应保持警醒。表面上看，数据决策连小学生都能做，但数据本身并不能说明问题或得出结论，需要根据个人经验和知识做主观分析和判断。人生来便具有主观性，加上建模的局限性和信息的不确定性，人们很难根据数据总是做出最正确、最理性的判断和决策。

体现数据决策局限性的案例很多：比如在蓝海业务跑马圈地的早期，过度强调数据决策反而拖慢组织效率；比如当基础数据不足，数据获取和使用的成本过高时，强调数据决策则不切实际。比如有人看到开市客（Costco）财报上的净利润与收到的会员费差不多，就认为开市客的成功是因为会员制，这就差之毫厘谬以千里了。

宏观经济学中有个重要概念叫卢卡斯批判。卢卡斯批判也适用于批判过分依赖数据驱动的行为。虽然，因为互联网产品能快速迭代（能快速进行AB测试、灰度测试、回滚），而经济政策不能，这个问题带给互联网产品的负面作用远不如它带给经济政策的，但我们还是可以从中理解不足之处。而优化改善的方向，正是基于用户样本量的用户模型。

卢卡斯（凭理性预期理论获1995年诺贝尔经济学奖）认为，利用加总的历史数据来给出政策建议和经济预测，其结论值得怀疑。(www.daowen.com)

宏观系统本身是由大量具有能动性的微观主体组成，这里的微观主体既可以指居民消费者——可以根据物价变化和收入变化等改变自己的消费、储蓄行为，也可以指企业——可以根据物价、成本、市场需求变化来调整自己的生产。如果在建立预测模型时，罔顾这些微观主体应对政策和实际市场的反应，而只是机械地进行统计意义上的数量预测，其结果是非常不可靠的。所以，宏观经济理论必须建立在微观个体最优决策的基础之上，而不是基于任意的统计观察，否则会导致卢卡斯批判。

最理想的宏观模型是怎样的？应该是经济学家调查每家每户以及每个企业的各种决策行为，长期跟踪，建立起每家每户和各个企业的决策函数，然后由此进行加总，获得总供给和总需求，最后政府以此来改变利率、税率、货币发行量等，看看这些微观主体的反应如何，择优而为之。（这一过程特别像产品经理基于用户样本量建用户模型。）显然，以上策略可操作性并不高。

所以经济学家的一般策略是，从一些公认的对于微观主体的假设出发，建立模型并推导出他们的决策进行加总，然后反过来将实际数据代入其中来“凑”。如果在现有参数下能很好地解释一些重要的可观测数量，比如失业率、消费占GDP比重、投资占GDP比重、实际利率等等，那么我们就认为这个模型至少能很好地刻画现有的经济。这套模型就好比是一个实验室，我们就可以来看看，假设税率提高或者财政补贴上升会如何。（先拍脑袋决策后验证，依然是我们离不开的产品方法，问题是拍的程度和由谁来拍。）

数据驱动的产品方法论也简单，还有快速迭代兜底，所以大概会继续作为基础工具和主流方法。用户模型和交易模型更可能作为一种辅助思考决策的高级工具，与数据驱动一起发挥作用。