随着ChatGPT的发展，各行各业都受到了其的影响，有人因为它被取代，有人通过利用它来提高效率。本文作者通过用ChatGPT写代码的方式，阐述其是如何提高效率的，一起来看看吧。
当产品经理开始用ChatGPT写代码了，会发生什么?
在过去的几个月里，随着ChatGPT、Midjourney、Stable Diffusion等国外产品的快速迭代，以及国内百度、阿里、飞书、网易等大厂发布的大模型，一些设计、研发、自媒体从业者开始感到自危，仿佛他们的工作在AI的洪流中瞬间会被取代。那人人都能做的产品经理(bushi)，在这次的AI革命中能做什么?
我在第一时间接受和学习了ChatGPT，并在实际工作中进行了一次代码优化的测试。作为产品经理，我选择尝试使用GPT优化代码的原因有两个：首先，我对新技术非常感兴趣，对于GPT模型也非常好奇。
其次，企业越来越需要复合型人才，而GPT能够帮助我快速学习和成长。因此，我决定让GPT介入我的实际工作，以提高我的工作效率和技能水平。
我选取的CASE是一段SQL查询代码，对应的业务需求是一个使用频次较高的日报。旧代码行数有近1900行，每天更新一次，每次的运行时长在一个多小时，而且只能查询最近一个月的日报数据，业务没法做历史数据的同环比分析。而我作为一个产品经理，缺乏读写和优化这种超长SQL的能力，因此我决定使用GPT，解决性能差和历史数据存档的问题。
结果非常的完美，最终的SQL执行时间从4200秒缩短到8秒，效率提升了520倍，复杂度降低了6倍，同时还能保存所有的历史数据，报表可以秒开。
我将这个案例社区后，还得到了一位清华大学计算机系数据库组成员的邀请，将本次的优化过程分享给了他们，作为他们研究实际场景的应用case。
令人惊奇的是，GPT的优化不仅仅局限于原代码结构，而且还能根据真实的业务需求提出与原代码不同的解决思路。下面详细介绍一下我的整个优化过程：
背景前提：
我不是专业的BI工程师，所以对数据治理、SQL优化思路等不太了解，只能跟着GPT的提示以及查询资料来一步步进行。我相信如果是专业的BI工程师，这些问题可能都只是小儿科，GPT提出的优化思路在专业人士看来可能也比较初级。但本次分享的主题是打工人如何利用强大的GPT，来帮助自己解决不擅长领域的问题以及快速学习成长。
由于充值的问题没有解决，所以本次只用到了免费的ChatGPT-3.5版本，但也足够了。而且写文章写到一半的时候账号登录不上了，提示访问被拒，所以暂时无法截图还原完整的对话过程…
以下是完整的使用过程：
在开始前，我对GPT的认知是：它是一个知识储备无比丰富的助理，但需要一个清晰、准确的prompt，它才会给出一个符合需求的输出。所以我先整理了我要和GPT交互的基本思路以及步骤：
旧代码输入>需求及现状问题输入>调试优化>结果输出验证
接下来开始实操：
Step1：旧代码输入
首先，将需要优化的旧代码输入到ChatGPT模型中，旧代码有1900行，GPT直接提示too long，所以我做了分次输入。
直接粘贴提示报错。
分段输入，再进行联合。
这一步的作用是让GPT理解旧代码实现的效果以及熟悉查询表和字段，方便后续GPT生成优化代码时可以直接复制粘贴到数据库中运行。
原SQL的主要逻辑就是统计近30天内每一天的业务数据日报，把近30个结果指标，按照天和地区进行分组汇总，需要查询多张表几百万条数据。这里GPT的理解基本正确，甚至在我没有提需求的情况下，就提出了一些优化建议。
Step2：需求及现状问题输入
在完成第一步的原SQL输入后，GPT已经对需求有了初步的理解，这里我再将真实的业务需求场景以及现在的问题输入给GPT：
这一步的作用是帮助GPT更好的理解旧代码背后的真实业务需求，同时结合旧代码运行的问题，让GPT能进一步给出针对性的优化建议，输出更符合需求的代码。
这里其实有好几轮的输入输出(可以理解为讨论)，不断的强化GPT对真实需求的认知。
注：SQL查询代码本身不包含涉密信息，可以放心在ChatGPT中使用。
Step3：根据优化结果不断调试
在输入完旧代码、需求和问题之后，GPT模型给出了一些新的代码。我需要不断地根据GPT的结果进行调试和优化，直到生成满足需求的新代码，这一步比较繁琐，但惊喜也是在这一步发现的。
按照原SQL的思路，是每天更新近30天的数据，并存储到一个结果表，由于指标很多且数据量大，所以耗时很长，但其实大部分的语句都是反复的读同一个表，资源浪费比较严重。
所以在跟
ChatGPT的出现，不仅仅给科技界带来了震动，各行各业都在期盼着ChatGPT这个新科技能解决一些行业弊病，带来新的机会。例如SaaS行业，ChatGPT的出现会改变什么?本文作者对此保持积极态度，一起来看看他的想法吧。
一、SaaS的缺陷
几年前，我给一家企业做咨询。他们虽然投入了几百万建设CRM系统，但是因为系统建设与实际业务不匹配，导致CRM系统的数据存在很多错漏。
为了收集准确数据，每个门店都配置了一名行政人员，其主要工作就是录入数据，整理和输出相关报表。总部也安排了好几个人来做报表管理的相关工作。
在把CRM系统的问题解决以后，运营数据实现了自动生成，不仅仅是各门店的行政人员，甚至总部的行政人员都被裁减了。
更重要的是，数据变得准确、可追溯，并且实现了实时分析——在以前，他们要过半个月，才能把上个月的数据整理出来。
提高企业效率的同时，还能让企业管理更加实时和透明，这正是SaaS产品普遍存在的价值。但是，它仍然存在诸多缺陷，比如：
1)信息录入效率低
SaaS系统只是明确了“录入要求”，一线员工仍然面临大量的信息整理工作，信息录入的效率并不高。
对于某些岗位来说——比如销售人员——信息录入甚至成为了负担。
2)信息查找不友好
SaaS系统规定了非常严格的筛选条件，而且无法实现精准、智能搜索，数据查找不友好。
3)信息整理与输出僵化
SaaS系统对信息的整理和输出，也是严格遵循写好的程序代码。但是企业的业务是动态成长的，这就导致SaaS系统的迭代跟不上企业需求的变化。虽然PaaS平台能够在一定程度上解决这个问题，但是PaaS平台本身又带来了新的使用问题。
就以前面的案例来说。虽然不再使用纸质表格，但是员工仍然需要严格按照软件的要求录入系统，除了做一些内容上的校验，SaaS系统无法有效帮助员工提高效率。
在数据录入系统后，SaaS系统只能按照预先定义好的程序生成报表，如果管理层有新的想法，或者想要做假设性分析，就必须耗费大量成本去查询和整理数据。
这就导致，数据的查找和整理占据了大量时间，而真正用于洞察的时间反而被大大压缩。这在一定程度上也阻碍了企业的洞察和创新。
但是，ChatGPT的出现，很可能改变这一切。
二、ChatGPT颠覆SaaS
ChatGPT能力的本质，是对人类语言的“理解”能力。这种能力的习得，源于利用AI模型对海量人类语言的学习，并从中找到规律。比如ChatGPT3拥有1750亿参数，并且学习超过50TB数据。这是人类当下不可能具备的数据处理能力，以及几辈子都学不完的知识。
同时，ChatGPT作为计算机程序，在收集数据、分析数据、输出结果等方面，效率比人类高出N个数量级。这就意味着，SaaS的缺陷有望被弥补。
比如，当销售人员给客户打完电话，以前是需要自己整理并录入一段拜访总结，并安排接下来的拜访计划。
但是在卫瓴CRM中，可以让AI整理电话语音记录，并且自动生成总结内容，和草拟接下来的拜访计划。销售人员只需要在AI整理内容的基础上进行修改，或者再次补充新的要求，从而优化T的输出。
毫无疑问，这将大幅提高销售人员的效率，也使得SaaS产品的价值得到进一步提升。
但是ChatGPT的应用远不止于此，它很可能会创造出新的SaaS使用场景。
比如，销售人员只需要告诉ChatGPT希望拜访哪家企业，它就可以自动联网寻找该企业关键人员的相关信息，并且分析可以通过什么样的人际关系链路触达这些关键人员，以及可以通过什么策略来打动这些关键人员。
当然了，以上场景的实现可能需要SaaS系统与ChatGPT的深度融合。
比如，自动生成的总结内容，需要符合企业规定的信息结构，需要满足企业对内容质量的要求。
再比如，ChatGPT生成的销售建议，需要结合企业的产品优势，以及过往的成功和失败案例，这样才能生成有实用价值的建议。这些正是SaaS产品可以帮助ChatGPT完成的任务。
除了ChatGPT本身强大的能力，我们还必须考虑ChatGPT背后有更多强大的AI产品。
以前，受制于无法理解大众语言，这些AI产品的应用场景被大大限制，无法走入业务一线。但是有了ChatGPT作为沟通桥梁，他们将发挥出巨大的价值。而且，他们会相互结合，产生1+1>2的效果。
这就意味着，未来没有对接ChatGPT(或类似大语言模型)的SaaS产品，很可能被彻底颠覆。
三、所有SaaS都值得重做
ChatGPT-4推出以后，某著名投资人断言：企服赛道的寒冬可能漫漫无期。
但是我认为，真正会陷入困境的，只是那些跟不上ChatGPT前进步伐的SaaS公司。而与时俱进的SaaS公司，反而有可能抓住机会，完成对行业的重新洗牌。
ChatGPT时代，可能会带来以下几个机会：
1)改善商业环境
以ChatGPT为代表的AI应用，一大特征就是以云为载体。相比于私有化部署，基于云的SaaS软件，更容易与AI进行融合。
同时，AI的普及也意味着数据安全等问题将进一步得到重视，并最终形成大家普遍遵循的数据安全规则。
而私有化部署、数据安全恰恰是SaaS产品推广所面临的两个关键难题。
2)开拓更多使用场景
为什么移动互联网的普及会催生SaaS产品的浪潮?很大程度上是因为在移动互联网环境下，SaaS找到了新的使用场景。比较典型的场景包括外勤人员管理、移动办公等。
而通过与ChatGPT的深度融合，SaaS产品有机会开拓出更多新的使用场景。
虽然ChatGPT自己也可以完成新场景的开拓，但是在很多场景下，它需要SaaS产品的配合，才能更好的满足企业需求。
比如，要让ChatGPT得出可用的答案，可能需要一定的预处理：把用户的需求转化为合适的提示语，并且把相关业务数据“喂”给ChatGPT。不管是这些预处理工作本身，还是把相关业务数据喂给ChatGPT，都需要SaaS软件的参与。
再比如，ChatGPT并非真正意义上“理解”了人类的语言，只是根据算法“推导”上下文。这就导致，如果使用不恰当，可能会产出误导性的内容。
如果是个人日常使用，比如写作、发邮件，这些误导性内容危害不大。但是如果是在企业办公场景下使用，比如生成业务分析报表，制定销售策略——如果没有SaaS产品的约束和引导——可能就会导致重大事故。
实际上，ChatGPT虽然强大，但是在很多业务场景下，仍然需要通过“ChatGPT+SaaS”来完成交付。这将成为SaaS公司的新机会。
3)提升客户粘性
很多SaaS产品的客户粘性不足，本质上是因为客户使用得不够深入。比如很多功能虽然理论上有用，但是使用的成本很高，客户无法真正从中获得价值。比如，CRM的拜访管理功能，很多销售人员就抵触使用。
另外，客户在使用SaaS产品的过程中，可能产生了大量过程数据。这些过程数据理论上可以提高客户粘性，但是由于数据价值未得到充分挖掘，实际上并未起到客户留存的作用。
比如，SCRM系统产生的大量潜客行为数据，并没有起到促进成交的作用。
再比如，知识付费产品中大量的问答信息，由于无法智能化查找，成为了“沉默的宝藏”。
但是在ChatGPT的加持下，以上问题都有望得到解决。而客户粘性的增强，将有利于提高SaaS公司的盈利水平。
4)形成行业化AI模型
SaaS产品常常强调行业化解决方案，但是有了ChatGPT的帮助，在处理好数据脱敏、数据安全等问题后，有希望训练出行业化的AI模型。
这样，即便是一个新客户，也能受益于行业化AI模型，这必然会降低SaaS获客的难度。
而行业化AI模型也将和行业化解决方案一起，成为SaaS公司的差异化竞争力。
四、结语
ChatGPT最可怕的，不是它的模型能力，而是它的进化速度。
比如，强大的GPT-3.5已经有1750亿个参数，而新发布的GPT-4——据报道——已经拥有高达1万亿个参数。这就意味着其能力又有了量级的飞跃。
在能力快速增强的同时，其成本反而在快速下降。比如，3月2日发布的官方ChatGPT API，每输出100万个单词，价格才2.7美金(约18元人民币)，比已有的GPT-3.5便宜10倍。
正是凭借其可怕的进化能力，ChatGPT不断在刷新我们的认知，也让我们不敢简单揣测它的应用边界。
但是，不管如何，尽快把ChatGPT运用起来，学习如何利用ChatGPT更好的工作，甚至把ChatGPT融入我们的SaaS产品，是每个SaaS创业者，乃至每个产品经理都迫在眉睫的任务。
专栏作家
王戴明，微信公众号：To B老人家，人人都是产品经理专栏作家，多年互联网产品与信息化管理经验。
本文原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自 Unsplash，基于 CC0 协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
GPT反复沟通多次后，GPT提出了3点比较重要的优化建议：
每次更新1天而不是30天的数据;
不直接统计全量指标数据，而是创建一个中间结果表，将所有非二次计算的数据存储到该表，需要二次计算的指标直接通过该表再查询(例如：中间结果表统计了昨日总数和今日总数，变化值、环比等则通过中间表再进行二次查询统计);
利用CASE WHEN合并查询约束条件基本相同的指标，这个方式大大减少了重复读表的次数，也极大的精简了SQL代码内容。
前两点是GPT直接提出的，第三点是我从GPT给出的优化代码中发现的，基于这三个核心优化思路，结合我的半吊子SQL水平，花费了半天多的时间将完整的代码优化完成，并分模块在系统中测试了一下，结果完全一致。
当然整个过程还是比较繁琐的，包括查资料、报错、纠正GPT、不断补充需求细节等等，需要有一定的耐心。