产品经理应该如何处理老板不靠谱的需求？我想这是很多PM会碰到的问题，在知乎上，看到豆瓣的阿北的回答，觉得有一定的道理和现实借鉴意义，转过来，以此共勉。下面是阿北的回答：
作为一个仍然是PM，并经常提不靠谱需求的“老板”，会希望手下的PM这样做：
1. 先充分沟通需求本身，讨论澄清明确疑点，确认两个人的理解、出发点和对依据的假设是一致的。经常很多问题出在这里；
2. 仍然觉得不靠谱的话，去收集依据，据理力争，说服老板，或者要求被说服；这个过程至少可能把需求往靠谱的方向带；
3. 都不能说服对方的话，明确表达自己的观点和“保留看法”的态度，然后去认真执行这个需求。考虑实现“最小可用产品”尽早用事实解决争议；
4. 如果年复一年每次都需要用事实解决争议，之后总证实自己是错的，尽早换职业吧。每次都证实自己是对的，尽早换老板吧。
以上假设“老板”持开放心态，而且能用产品语言沟通。不然的话，真不知道该怎么办...
在 Tom (王文华) 的梦想学校，我第一次认识到这个模型，它是由 MIT 学者 Daniel H. Kim 在 1999 年发表，用未来描述一个人看世界的五种层次，也就是我们常说的「深度」。
最浅的叫做事件，也就是在我们眼前发生的种种，例如：白天变短了、夜晚变长了。事件看多了，你会开始察觉到规律，例如：每年的这个时候，夜晚都会开始比白天长。在没有工具的帮忙下，人类天生能够观察到的，大概只到这里，所以为什么在上图的冰山里面，接下来的三个层次是埋藏在海里面的。
在众多感受到规律的人里面，有少数好奇心强的人会想要知道是什么让规律发生，他们开始制作种种的工具，帮助他们更进一步了解这个世界，所以望远镜被发明后，有些人开始知道原来我们住在地球上，地球倾斜的绕着太阳公转，所以会出现四季，这就是所谓结构。
再往下是心智模型，也就是始作俑者的为什么要设计这样的结构。当然以上述的例子来说，我们得把创造宇宙的那个「人」搬出来，但那样的讨论难免触及难以证实的推论 (上帝为了让祂的子民过着有意义的人生，所以设计了这样的结构)，所以我们得换个例子。假设你观察到的事件是满 5000 送 500 的周年庆，规律是每年都会发生两次，结构是因为百货公司每到了这时候都需要刺激买气、去化库存，所以有了这样的规律。
所以这个结构的背后，又是怎样的心智模型呢？首先，一定是百货公司老板想要赚钱(买气)，不想赔钱(库存、机会成本)。另外，会选择使用满千送百这样的优惠方式，而不是直接打折，应该是它对于品牌价值的伤害力较低，况且消费者得到百元礼券之后，往往还需要再选购更多商品，会进一步让百货公司赚到更多的钱。那既然这样的活动有效，为什么一年只办两次，而不是天天办？当然是因为如果太常办，消费者觉得不稀奇，那就失去了刺激买气的作用。当然这样的思考还可以继续下去，不过到此为止，我想你大概抓住了心智模型的意思。
电子商务是现代商业的主流趋势，如何充分利用网络技术和数据库技术发挥企业优势，成为企业制胜的法宝。本文介绍了常用的数据挖掘方法，以及在电子商务领域的应用，分析了利用数据挖掘技术建设动态、高效电子商务的可行性。
一、引言
电子商务是指以Internet网络为载体、利用数字化电子方式开展的商务活动。随着网络技术和数据库技术的飞速发展，电子商务正显示越来越强大的生命力。电子商务的发展促使公司内部收集了大量的数据，并且迫切需要将这些数据转换成有用的信息和知识，为公司创造更多潜在的利润。利用数据挖掘技术可以有效地帮助企业分析从网上获取的大量数据，发现隐藏在其后的规律性，提取出有效信息，进而指导企业调整营销策略，给客户提供动态的个性化的高效率服务。
二、数据挖掘技术
1.数据挖掘
数据挖掘(DataMining)，又称数据库中的知识发现(KnowledgeDiscoveryinDatabase,KDD)，是从大量的、不完全的、有噪声的、模糊的和随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。数据挖掘是一门广义的交叉学科，它汇聚了不同领域尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的知识。数据挖掘技术从一开始就是面向应用领域，它不仅是面向特定数据库的简单检索查询调用，而且，要对数据进行微观、中观乃至宏观的统计、分析、综合和推理，以指定实际问题的求解，企图发现事件间的相互关联，甚至利用已有的数据对未来的活动进行预测。数据挖掘技术在金融、保险、电信、大型超市等积累有大量数据的电子商务行业有着广泛的应用，如信用分析、风险分析、欺诈检验、用户聚类分析、消费者习惯分析等。
2.数据挖掘过程
挖掘数据过程可以分为3个步骤：数据预处理、模式发现、模式分析。
(1)数据预处理。实际系统中的数据一般都具有不完全性、冗余性和模糊性。因此，数据挖掘一般不对原始数据进行挖掘，要通过预处理提供准确、简洁的数据。预处理主要完成以下工作：包括合并数据，将多个文件或多个数据库中的数据进行合并处理；选择数据，提取出适合分析的数据集合；数据清洗、过滤，剔除一些无关记录，将文件、图形、图像及多媒体等文件转换成可便于数据挖掘的格式等。
(2)模式发现。模式发现阶段就是利用挖掘算法挖掘出有效的、新颖的、潜在的、有用的以及最终可以理解的信息和知识。可用于Web的挖掘技术有路径选择、关联分析、分类规则、聚类分析、序列分析、依赖性建模等等。
(3)模式分析。模式分析是从模式发现阶段获得的模式、规则中过滤掉不感兴趣的规则和模式。通过技术手段，对得到的模式进行数据分析，得出有意义的结论。常用的技术手段有：关联规则、分类、聚类、序列模式等。