什么是策略产品(策略产品的方法及模型解析)

编辑导语:似乎现在策略产品经理是越来越热门,那究竟什么是策略产品呢?本文作者依据工作中项目实践的所思所想,结合案例等从三个方面分享了关于策略产品相关的知识理论,供大家一同参考和学习。

什么是策略产品(策略产品的方法及模型解析)

01 世界是被概率支配的

作为策略产品,我们首先要建立的认知是:世界是被概率支配的。

一方面,每个用户具备群体性,他的行为总会归属于某一个群体 或 多个群体;另一方面,用户同样具备个体性和随机性,总会有偏离群体的行为与选择。

所以,策略产品首先要建立对于“概率”的认知:

  • 承认个体性,我们不可能做到百分之百的用户满意。即便我们满足了用户全部所说的,他一样会心口不一;

  • 发现群体性,去认知这个群体在特定场景下的意图、去尝试理解他们的行为,从而制造产品以迎合这一群体的在概率意义上的选择与行为。

如果放到体育赛事里,这个概率就是球队胜负的赔率。如果放到星座占卜里,这个概率就是我们认知的“令人厌恶的、严于律人的处女座”(呃,我就是处女座。。。。)

承认了概率之后,我们才会认知到“算法不是万能的,BadCase是永远存在”,才不会说出“如果算法推的准,就不会有BadCase,用户就会非常满意”这类表述。告别试图全知全能的妄念,转而去思考更好的与算法协作。

02 从规则到深度学习

规则是最简单的策略实现,在实际的业务场景里,产品经理最容易给出的判断就是规则:”如果用户满足了条件A,就会触发动作B“。

如果用户收藏了产品,就给用户进行推荐;如果用户下单未支付,就给用户发短信 or 优惠券……诸如此类,都是最为典型的场景,IF-THEN 语句屡试不爽。

这些规则,就是最简单的策略实现。

我们通过一条线性的规则,将用户在特定场景下区分为两类:

  • 一类人符合我们的条件,被归类为应该激发后续动作的A;

  • 另一类人不符合我们的条件,被归类为不需要触发后续动作的B。

一如下图中的分类问题,那条蓝色的线,就是产品经理制定的最简单的规则:

什么是策略产品(策略产品的方法及模型解析)

然而,凡事总有例外,对于线性的规则尤甚。

在上面的图中,我们的线性规则,就没有完全的将蓝圈和红叉分开

在日常场景中,淘宝上最为人诟病的,就是用户收藏 && 购买了产品之后,还在连续不断的推荐同款产品。

为了修正这种问题,直观的想法就是进一步叠加和细化规则,即“打补丁”

比如,如果用户收藏且未购买产品后,在推荐中给用户推荐同款产品;进一步,如果 用户在一定时间段内收藏 且未购买某产品,在推荐中给用户推荐同款产品。

当我们需要基于多个因素进行判断之后,整个决策过程就变成了:

(1)用户有没有收藏产品,如果有,继续

1)用户有没有购买产品

①如果没有购买

  • 用户收藏产品的时间有没有超过一个阈值,如果没有,继续

  • 结果动作1:给用户推荐同款产品

②如果有购买

  • 用户购买产品的时间有没有超过一个阈值,如果没有,继续

  • 结果动作2:给用户推荐关联产品

在这个过程中,我们选取了:收藏、购买、收藏or购买行为的时间 作为判断依据,以决定最后给用户推荐同款产品 or 关联产品(如 奶粉 VS 纸尿裤)。

这仅仅是一个规则,当我们面对更多用户、更复杂场景的时候,就会不断添加更多的规则。规则集合,就这样一步一步变得复杂而冗余。

当年,百度凤巢的专家系统,录入有上万条左右专家规则,有一个将近50人的团队维护这些规则。人力终有竟时,当面对这样一个庞然大物时,专家也无法再往里添加规则了,人的分析能力达到了极限,这也是需要引入机器学习这个机器大脑的原因所在。

比较简单的模型,如决策树。

类似我们上面描述的决策过程,选取了收藏、购买、收藏or购买行为的时间作为决策节点

在实际的应用中,可能还会引入更多的因素,如性别、年龄、城市、过往消费力等等。那这些决策节点的权重有高有低、在判断过程中有先有后,就形成了一棵朴素的决策树。

以选择西瓜为例,一棵可能的决策树如下所示:

当然,这个决策树也只保证在过往的训练数据 和 测试数据上表现较好,也依然会存在误判的情况。

更为复杂的模型,如神经网络。

如果说上述决策树的示意图我们还能够比较容易的看懂,那么,当你开始研究当下大行其道的神经网络的时候,就会发现:在神经网络中,节点和节点之间的关系更为错综复杂,近乎到了人力无法解释的地步。

就像爱情,只是一种感觉,说不清也道不明。

请不要为难算法工程师,他没有办法给你解释,为什么输入狗的图片会输出鸵鸟的判断。

他只能非常负责任的告诉你:“在我们的训练数据集合上,这个模型的确更贴近训练目标的。

从单一规则 到 复合规则;从符合规则到决策树管理更多的规则;再到干脆放弃规则判断,引入深度学习——让算法自己去学习吧,我不管了。

如上过程,也能够让身为产品经理的我们,更好的了解概率二字,请不要再为难研发,说什么“明明一看,就知道该做出选择A啊,为什么算法会选择B呢?“

明明看的懂,但是算法不是明明~

03 如何与算法协作?

在建立起概率的认知,明确算法不是万能的一定会出错的情况下,我们似乎可以更加心平气和的思考:自己如何与算法协作,才有可能带来业务上的收益。

我个人的观点是:明确场景、定义目标、输入数据、评估结果。

1. 明确场景

这是产品经理最该琢磨的事情。用户 X 时空,一定能够出现各种各样的子场景。这也帮助我们将一个宏大的命题拆分为具体的、独立的子问题,逐个击破。

比如,在冷启动探索、低活跃度召回、高活跃度维系的不同场景下,用户的期待是什么?我们能否满足,如果不能满足,有无折衷的解决方案?

同样的推荐内容,在推荐、搜索、筛选等不同应用场景下,应该呈现出的差异是什么?

2. 定义目标与输入数据

回顾这句话”在我们的训练数据集合上,这个模型的确更贴近训练目标的。

当我们将算法应用于具体场景时,实际上就是在设定更有针对性的目标,完善相应的输入数据,从而使得算法能够更好的拟合我们的目标值。

以订阅制为例,可以将用户划分为两类:对于未付费的会员用户,我们的关注点是如何用更有吸引力的商品、更低门槛的价格吸引他尝试;而对于已付费的会员用户,我们的关注点则变成了如何让他更多的消费,从而让他觉得值、持续续费。

那么,在算法目标上,未付费的用户更适合设定转化目标,而已付费用户则更偏向时长目标。

对应的,我们也需要提供充分的数据,如不同用户付费前、付费后的内容消费行为数据、不同内容对于付费转化的贡献等等数据,供算法进行学习和判断。

3. 评估结果

算法的学习是基于训练数据的,是否真的好,还需要上线见真章。

所以,产品经理对于结果可以更加开放,不要试图证明自己是对的,而是用平常心接受AB实验的结果。

在一次又一次的产品迭代中,积累产品Sense,从而能够做出更准确的预估:某一个产品决策是有更大的概率会做出收益的。

这个角度想,我们在用产品方案一次次的训练算法的时候,未尝不是一次次对于自己的训练呢?

策略产品的进步,无他,唯手熟尔。

派优网部分新闻资讯、展示的图片素材等内容均为用户自发上传(部分报媒/平媒内容转载自网络合作媒体),仅供学习交流。用户通过本站上传、发布任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权,请联系我们一经核实,立即删除。并对发布账号进行封禁。
(0)
派大星的头像派大星

相关推荐

返回顶部