1、前言
最初的網際網路産品主要分為前台産品和背景産品。後來随着網際網路産品承載的業務越來越複雜，中台産品應運而生。
對于一些大型網際網路公司而言，公司各種應用系統非常多，資源比較分散，子產品之間的鍊路冗長。為了整合公司資源，實作業務之間的資源共享，提升部門間的協作效率，将具共性的産品子產品進行提煉，進而整合出的标準化平台産品，這個産品就是中台産品。
如果以軟體工程的視角看待中台産品，從設計模式次元上進行分析，中台産品可以簡單了解為“擴充卡”模式。
中台産品是企業進行數智化建設的關鍵環節。中台産品為核心價值是實作企業内部海量資料和資訊的高效流轉，高度可複用，為企業降本增效。
ChatGPT（Chat Generative Pre-trained Transformer），最初指的是OpenAI研發的生成型預訓練變換模型聊天機器人程式，後來很多科技公司都推出了基于AIGC（Artificial Intelligence Generated Content，生成式人工智能）的聊天機器人，ChatGPT成為了通用的生成式智能聊天機器人的代名詞。
2、中台産品領域
中台産品領域模型，概括起來可以稱為“三務”，即業務、财務和服務。
從業務領域的場景出發，中台産品可以分為：廣告中台、營銷中台、獲客中台、會員中台；商品中台、交易中台、倉儲中台、履約中台等。
從财務領域的場景出發，中台産品可以分為：記賬中台、對賬中台、清算中台、結算中台；預算中台、資金中台、計稅中台、報表中台等。
從服務領域的場景出發，中台産品可以分為：支付中台、搜尋中台、效能中台、組織中台、AI（Artificial Intelligence，人工智能）中台、算法中台、研發中台、資料中台等。
中台産品領域
3、中台産品結構
基于中台産品業務領域，自頂向下進行産品細化。每個業務領域可以細化為中台産品結構模型。以商品中台為例，産品結構模型可以從表現層、接入層、應用層、服務層和基礎層進行模組化。
表現層主要用于對商品資訊的終端呈現，通過電腦端的Web浏覽器、手機或是常見的各種大屏裝置、遊戲裝置等檢視商品資訊，是和使用者進行直接互動的媒介。
接入層則包含了為終端提供服務基礎功能，例如鑒權、API（Application Programming Interface，應用程式接口）或是實作表現層功能所需的SDK（Software Development Kit，軟體開發工具包），以及相應的安全功能。
應用層涉及的内容非常多，承載業務場景主要功能。以商品中台為例，商品售前包含商品的廣告、物料、管道，商品的引流獲客，商品個性化定制以及商品的優惠折扣等；商品銷售中包含商品購買商品計費、商品的上架與下架、商品的屬性（商品是什麼類别，外觀是什麼樣，價格為多少）；商品售後包含了履約、退換貨、評價和客戶服務等。
服務層包含了滿足業務開展的基礎服務。商品中台産品中，涉及搜尋和推薦的政策、商品資料、風險控制、外部依賴。每個子產品中，又會細分很多基礎服務功能。
基礎層則是滿足商品中台運作的一些基礎功能，例如商家入駐管理、商品管理以及費用管理等。是整個商品中台産品運作的指揮部。
商品中台産品結構
4、中台産品子產品
中台産品結構由各個中台産品功能子產品組成。一般而言，産品架構師或是産品負責人定義完成業務領域範圍之後，建構産品結構。
對于特别大型的中台産品實施場景，可以根據産品結構中的層次次元，進行工作分工，也可以按照産品子產品的次元，以産品小組的模式進行産品實作。然後由不同的産品實施小組對産品子產品涉及的功能細節進行産品分析與實作。
同樣以産品中台為例，在商品中台結構模型中，服務層涉及搜推政策功能子產品，假設實際工作中，搜推政策子產品由獨立的産品小組進行負責，我們如何将搜推政策子產品進一步進行抽象和實作呢？
商品搜推涉及的核心功能是商品的搜尋與推薦功能。可以基于實際産品應用的視角，将商品搜推劃分為使用者層、服務層和基礎層。
使用者層主要包含搜尋和推薦主要功能，例如使用者的搜尋曆史、向使用者呈現的熱門搜尋、意圖識别、猜你想要、猜你喜歡等；評價則是獲得使用者對搜推功能的回報，目的是為了通過使用者的回報，進一步提升搜推的準确度。
服務層涉及商品搜推功能實作的核心服務，例如QP（ Query Parser，查詢解析器）實作解析解釋使用者搜尋輸入的術語和參數；結果排序則是對使用者搜推的結果通過粗排、去重和精排的過程，提煉最優結果；通過關聯分析，進一步提升搜推品質。
基礎層主要包括實作商品搜推的引擎與知識庫，引擎承載着實作搜推的核心邏輯，這裡商品和使用者的中繼資料，商品特征、使用者特征以及一系列的特征組合，也有非常多的算法模型，并通過配置實作産品期望的功能；知識庫是整個涉及商品相關資訊的集合，不同場景的搜推應用，知識庫裡的内容也有所不同，建構完備的知識庫，可以使搜推結果變得更為準确。
商品搜尋與推薦子產品
5、中台産品與ChatGPT
ChatGPT目前比較常用的功能是同人類進行對話，能夠通過了解和學習人類的語言同人類互動，針對使用者提出的問題給出相應的答案。
通過海量資料的訓練和學習，使得ChatGPT擁有上知天文、下知地理的能力。目前市面上類似于ChatGPT這樣的産品有許多，例如國内大家比較熟知的星火、文心一言、通義千問等。
目前的ChatGPT應用，知識的廣度沒有問題，對話的結果一般基于網際網路公開的資料生成。但是對于企業内部應用而言，由于ChatGPT無法獲得企業内部資料，知識儲備不足，無法針對于企業内部的應用，給出準确的結果。
ChatGPT基于LLM（Large Language Model，大規模語言模型），其訓練成本根據目前公開的資料，GPT3的每次的訓練需要34天左右，花費180萬美金，PaLM的訓練需要50天，花費1500萬美金，單次訓練的成本較高。
對于企業而言，沒必要讓自己的ChatGPT通曉所有知識，而是基于公司的主營業務，聚焦于某個具體的場景進行應用，提升企業内部ChatGPT産品的ROI（Return On Investment，投資回報率）。
企業的中台産品同ChatGPT的結合，是一個非常不錯的應用場景。企業中台幾乎同企業所有的業務系統進行互動，有非常豐富的資訊流和資料沉澱，可以用來作為ChatGPT的訓練樣本。
ChatGPT可以定位為企業的中台産品的業務助理，将一些需要人為重複性的勞動從工作中解放出來，例如編寫周報，生成資料可視化報表，配置基礎的業務參數等。
同樣以商品中台産品為樣例，可以很明顯看出，中台産品現有模式和ChatGPT同中台産品結合後的模式，工作流程有明顯的優化，工作效率有顯著提升。
ChatGPT助力産品中台效率提升
對于操作中台産品的業務人員而言，以前要根據不同的業務場景，切換不同的中台産品應用，目前僅需要一個對話框即可完成工作。工作内容變得簡潔高效。如以下産品原型所示。
ChatGPT智能中台産品樣例
6、小結
綜上所述，我們對中台産品的主要應用場景結合實際案例進行了講解，并且探索了中台産品同ChatGPT結合的方式。
我們相信，任何可以提升生産力，提高生産效率的産品，都能為企業的發展帶來價值，為社會的進步提供動力。
中台産品雖然可以通過整合企業内部資源進而達到提升效率的目标，但是在實際工作中我們也發現，業務人員在操作中台産品上，與理想的預期目标仍然有一定差距。
“你永遠不可能真正了解誰，除非你穿上他的鞋子走來走去。”這是《殺死一隻知更鳥》書中的一句話。
很顯然，當産品經理深入了解業務後，以業務的角色親自去使用中台産品後發現，并沒産品經理想象得那樣完美。
ChatGPT同中台産品的結合，是中台産品發揮作用實作價值的一個新的途徑，也是企業數智化建設的一個新方向。
以産品推動企業和行業的發展，也是每一個産品人的使命。唯有信仰和熱愛方能抵禦歲月蹉跎！在AGI（Artificial General Intelligence，通用人工智能）的浪潮中，大家一起加油！
專欄作家
王佳亮，微信公衆号：佳佳原創。《産品經理知識棧》作者。中國計算機學會進階會員（CCF Senior Member）。人人都是産品經理專欄作家，年度優秀作者。專注于網際網路産品、金融産品、人工智能産品的設計理念分享。