產(chǎn)品經(jīng)理如何理解策略產(chǎn)品

1、編輯導(dǎo)語：似乎現(xiàn)在策略產(chǎn)品經(jīng)理是越來越熱門，那究竟什么是策略產(chǎn)品呢？本文作者依據(jù)工作中項目實踐的所思所想，結(jié)合案例等從三個方面分享了 關(guān)于策略產(chǎn)品相關(guān)的知識理論，供大家一同參考和學(xué)習(xí)。作為策略產(chǎn)品，我們首先要建立的認知是：世界是被概率支配的。一方面，每個用戶具備群體性，他的行為總會歸屬于某一個群體 或 多個群體；另一方面，用戶同樣具備個體性和隨機性，總會有偏離群體的行為與選 擇。所以，策略產(chǎn)品首先要建立對于 “概率 ”的認知：如果放到體育賽事里，這個概率就是球隊勝負的賠率。如果放到星座占卜里，這個概率就是我們認知的 “令人厭惡的、嚴于律人的處女座” （呃，我就是處女座。）承認了概率之后，我們才

2、會認知到算法不是萬能的，BadCase永遠存在”，才不會說出如果算法推的準，就不會有BadCase用戶就會非常滿意”這類表述。告別試圖全知全能的妄念，轉(zhuǎn)而去思考更好的與算法協(xié)作。規(guī)則是最簡單的策略實現(xiàn)，在實際的業(yè)務(wù)場景里，產(chǎn)品經(jīng)理最容易給出的判斷就是規(guī)則： ”如果用戶滿足了條件A ，就會觸發(fā)動作 B“。如果用戶收藏了產(chǎn)品，就給用戶進行推薦；如果用戶下單未支付，就給用戶發(fā)短信or優(yōu)惠券諸如此類，都是最為典型的場景，IF-THEN語句屢試不 爽。這些規(guī)則，就是最簡單的策略實現(xiàn)。我們通過一條線性的規(guī)則，將用戶在特定場景下區(qū)分為兩類：一如下圖中的分類問題，那條藍色的線，就是產(chǎn)品經(jīng)理制定的最簡單的規(guī)則：

3、然而，凡事總有例外，對于線性的規(guī)則尤甚。在上面的圖中，我們的線性規(guī)則，就沒有完全的將藍圈和紅叉分開在日常場景中，淘寶上最為人詬病的，就是用戶收藏 & 購買了產(chǎn)品之 后，還在連續(xù)不斷的推薦同款產(chǎn)品。為了修正這種問題，直觀的想法就是進一步疊加和細化規(guī)則，即 “打補丁 ”比如，如果用戶收藏且未購買產(chǎn)品后，在推薦中給用戶推薦同款產(chǎn)品；進一步，如果用戶 在一定時間段內(nèi) 收藏 且 未購買某產(chǎn)品，在推薦中給用戶推薦同款產(chǎn)品。當(dāng)我們需要基于多個因素進行判斷之后，整個決策過程就變成了：（ 1）用戶有沒有收藏產(chǎn)品，如果有，繼續(xù)1）用戶有沒有購買產(chǎn)品如果沒有購買如果有購買在這個過程中，我們選取了：收藏、購買、收藏

4、or 購買行為的時間 作為判斷依據(jù)，以決定最后給用戶推薦同款產(chǎn)品 or 關(guān)聯(lián)產(chǎn)品（如 奶粉 VS 紙尿褲）。這僅僅是一個規(guī)則，當(dāng)我們面對更多用戶、更復(fù)雜場景的時候，就會不斷添加更多的規(guī)則。規(guī)則集合，就這樣一步一步變得復(fù)雜而冗余。當(dāng)年，百度鳳巢的專家系統(tǒng)，錄入有上萬條左右專家規(guī)則，有一個將近50人的團隊維護這些規(guī)則。人力終有竟時，當(dāng)面對這樣一個龐然大物時，專家也無法再往里添加規(guī)則了，人的分析能力達到了極限，這也是需要引入機器學(xué)習(xí)這個機器大腦的原因所在。比較簡單的模型，如決策樹。類似我們上面描述的決策過程，選取了收藏、購買、收藏 or 購買行為的時間作為決策節(jié)點在實際的應(yīng)用中，可能還會引入更多的因

5、素，如性別、年齡、城市、過往消費力等等。那這些決策節(jié)點的權(quán)重有高有低、在判斷過程中有先有后，就形成了一棵樸素的決策樹。以選擇西瓜為例，一棵可能的決策樹如下所示：當(dāng)然，這個決策樹也只保證在過往的訓(xùn)練數(shù)據(jù)和 測試數(shù)據(jù)上表現(xiàn)較好，也依然會存在誤判的情況。更為復(fù)雜的模型，如神經(jīng)網(wǎng)絡(luò)。如果說上述決策樹的示意圖我們還能夠比較容易的看懂，那么，當(dāng)你開始研究當(dāng)下大行其道的神經(jīng)網(wǎng)絡(luò)的時候，就會發(fā)現(xiàn)：在神經(jīng)網(wǎng)絡(luò)中，節(jié)點和節(jié)點之間的關(guān)系更為錯綜復(fù)雜，近乎到了人力無法解釋的地步。就像愛情，只是一種感覺，說不清也道不明。請不要為難算法工程師，他沒有辦法給你解釋，為什么輸入狗的圖片會輸出鴕鳥的判斷。他只能非常負責(zé)任的告訴

6、你： “在我們的訓(xùn)練數(shù)據(jù)集合上，這個模型的確更貼近訓(xùn)練目標的。 ”從單一規(guī)則 到 復(fù)合規(guī)則；從符合規(guī)則到?jīng)Q策樹管理更多的規(guī)則；再到干脆放棄規(guī)則判斷，引入深度學(xué)習(xí) 讓算法自己去學(xué)習(xí)吧，我不管了。如上過程，也能夠讓身為產(chǎn)品經(jīng)理的我們，更好的了解概率二字，請不要再為難研發(fā)，說什么 “明明一看，就知道該做出選擇 A 啊，為什么算法會選擇 B呢？ “明明看的懂，但是算法不是明明 在建立起概率的認知，明確算法不是萬能的，一定會出錯的情況下，我們似乎可以更加心平氣和的思考：自己如何與算法協(xié)作，才有可能帶來業(yè)務(wù)上的收益。我個人的觀點是：明確場景、定義目標、輸入數(shù)據(jù)、評估結(jié)果。這是產(chǎn)品經(jīng)理最該琢磨的事情。用戶

7、X 時空，一定能夠出現(xiàn)各種各樣的子場景。這也幫助我們將一個宏大的命題拆分為具體的、獨立的子問題，逐個擊破。比如，在冷啟動探索、低活躍度召回、高活躍度維系的不同場景下，用戶的期待是什么？我們能否滿足，如果不能滿足，有無折衷的解決方案？同樣的推薦內(nèi)容，在推薦、搜索、篩選等不同應(yīng)用場景下，應(yīng)該呈現(xiàn)出的差異是什么？回顧這句話 ”在我們的訓(xùn)練數(shù)據(jù)集合上，這個模型的確更貼近訓(xùn)練目標的?！爱?dāng)我們將算法應(yīng)用于具體場景時，實際上就是在設(shè)定更有針對性的目標，完善相應(yīng)的輸入數(shù)據(jù)，從而使得算法能夠更好的擬合我們的目標值。以訂閱制為例，可以將用戶劃分為兩類：對于未付費的會員用戶，我們的關(guān)注點是如何用更有吸引力的商品、更低門檻的價格吸引他嘗試；而對于已付費的會員用戶，我們的關(guān)注點則變成了如何讓他更多的消費，從而讓他覺得值、持續(xù)續(xù)費。那么，在算法目標上，未付費的用戶更適合設(shè)定轉(zhuǎn)化目標，而已付費用戶則更偏向時長目標。對應(yīng)的，我們也需要提供充分的數(shù)據(jù)，如不同用戶付費前、付費后的內(nèi)容消費行為數(shù)據(jù)、不同內(nèi)容對于付費轉(zhuǎn)化的貢獻等等數(shù)據(jù)，供算法進行學(xué)習(xí)和判 斷。算法的學(xué)習(xí)是基于訓(xùn)練數(shù)據(jù)的