3、樹立高期望並且衡量之。
作為領導者，你需要設定高但現實的期望。足夠高使得你的團隊不會感到無聊。現實使得他們不至於油盡燈枯。你要給他們創造一段經驗使得旅程結束回顧時，他們會說：媽的，我都沒想到我居然做了這個。這個屌爆了。在facebook，象其他矽谷高技術公司一樣，期望同回報相結合，因此樹立明確的期望本身就至關重要。並且你需要找到一個不容爭辯的途徑來衡量期望。我花了大量時間來和團隊一起描繪我們在下季度里最重要的3-5個目標。目標被分別委派給單個或一組分工不同的攻城獅，或者被他們搶走。在這一情況下，我們不僅有一個由3到5個衡量指標組成的名單，使得我們可以籍此快速地說出來我們在幹嘛，同時也知道每個具體目標後面是誰。團隊的成功同個體表現息息相關。例如，我當年團隊最大的貢獻是在一年時間裡，通過每季度不同的指標，最終降低了信用卡支付爭議率75%。
有一點要強調的是﹣你還是要現實。在你只有10%的市場份額的時候卻幻想10幾倍的收入增長無疑不現實。史蒂夫喬老爺非常善於推動他的團隊超越潛能但同時也榨乾他們99。9%的領導不是喬老爺，當然他們也不需要是。但你仍然可以通過驅動一個可持續性的團隊來取得成功同認識到他們的極限並無矛盾。
4、傾聽數據但不要單純依賴之。
決定產品方向時，要的是想像力，激情和膽量，而不是數據。數據能讓你的團隊沿著正確的方向前進而不出軌，也有助於產品從“一開始是什麼樣”到“最後應該是什麼樣”的逐漸最佳化成型。但數據不能幫你決定方向。舉個例子，當我們在人工智慧上壓上我們團隊所有的資源的時候，我們忐忑不安。但是我們堅信一點，現有的基於人工規則引擎的防欺詐系統會很快成為死胡同，因為它太死板而且不易規模化以處理大數據。所以，就像在電影指環王中frodo明知通向mordor的道路很黑很冷很危險，但那是一條他必須要選擇去走的路；我們選擇了在機器學習上壓上所有的寶。失敗，整個團隊會很難看；但我們決定走艱難但我們認為是正確的路。這種思路同樣套用在如何設計用於用戶報告和案例審查的工具來應對潛在的欺騙行為。我們最後決定的方向是”進行自動處理”和”建立反饋機制”。直接拋給人工來處理總是很容易被選的一條路，因為只要建立一個人多人傻的客戶支持團隊即可。lame！我們希望通過自動處理來解決大部分的欺詐案例，而把精力則放在那些確實需要單獨處理的特殊案例上，同時把從業務支持團隊的處理意見自動採集並集成到下一輪的機器學習中去。由此，我們的機器判斷會越加精確和聰明且與時俱進。
但你不能忽視數據。沒有數據的支撐而一味靠直覺走黑路，很容易走岔道，甚至大錯特錯。有一段時間我們認為爬行工具可能可以找到很多欺詐的同夥。通過實驗結果卻發現，這種預期是否成立很大程度上取決於當前流行的欺詐行為的特點。比如，當失竊或販賣信用卡的案例非常普遍的時候，關聯分析是一種有效的方法。但如主要情況是帳戶被黑或小寶們冒用媽媽的信用卡去網遊消費時，關聯分析就作用不大。直覺在現實前面碰了一臉的灰。不過幸運的是我們很快意識到這點且把這個項目叫停了，所以沒有浪費太多的資源。
另外，順帶提一下a/b測試。a/b測試並不會告訴你去做什麼產品，但它可以幫你確定實現產品時的哪個細微版本更能揪住用戶大爺們的心。
5、遠離時間吞噬者。
剛進facebook做工程師的時候，我非常享受那種日夜泡在碼海中的感覺。後來慢慢的承擔的項目責任越來越大越來越多，寫代碼的時間越來越少。有時候更多的是把時間花在決定產品的方向和設計上。很多事情是和產品經理設計人員一起搞的。但在facebook攻城獅們有很大的發言權甚至有些時候是拍板的權力。facebook希望攻城獅們有王者風範。facebook希望攻城獅能決定自己要做什麼應該做什麼，而不是總是”被決定”做什麼。因此，我花了大量的時間在思考這些問題–哪些功能需要添加，哪些功能需要刪掉，需要開始或停掉哪些測試，我們正在流血流汗的是不是現在最最最重要的問題，我們是該花時間最佳化用戶互動流程呢，還是減少出錯率，還是讓系統更快，等等。這些問題很傷腦筋，答案經常不確定，比一個勁碼到手抽筋要難。但這些問題很重要，甚至可能決定了你熬的日日夜夜究竟有沒有必要。建議所有的攻城獅思考思考代碼之外的這些問題，團隊領導者就更有必要了。當然，攻城獅的大多數時間還是應該花在代碼上。