編輯導語：似乎現在策略產品經理是越來越熱門，那究竟什麼是策略產品呢？本文作者依據工作中專案實踐的所思所想，結合案例等從三個方面分享了關於策略產品相關的知識理論，供大家一同參考和學習。

01 世界是被機率支配的

作為策略產品，我們首先要建立的認知是：世界是被機率支配的。

一方面，每個使用者具備群體性，他的行為總會歸屬於某一個群體 或 多個群體；另一方面，使用者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，策略產品首先要建立對於“機率”的認知：

承認個體性，我們不可能做到百分之百的使用者滿意。即便我們滿足了使用者全部所說的，他一樣會心口不一；

發現群體性，去認知這個群體在特定場景下的意圖、去嘗試理解他們的行為，從而製造產品以迎合這一群體的在機率意義上的選擇與行為。

如果放到體育賽事裡，這個機率就是球隊勝負的賠率。如果放到星座占卜裡，這個機率就是我們認知的“令人厭惡的、嚴於律人的處女座”（呃，我就是處女座。。。。）

承認了機率之後，我們才會認知到“演算法不是萬能的，BadCase是永遠存在”，才不會說出“如果演算法推的準，就不會有BadCase，使用者就會非常滿意”這類表述。告別試圖全知全能的妄念，轉而去思考更好的與演算法協作。

02 從規則到深度學習

規則是最簡單的策略實現，在實際的業務場景裡，產品經理最容易給出的判斷就是規則：”如果使用者滿足了條件A，就會觸發動作B“。

如果使用者收藏了產品，就給使用者進行推薦；如果使用者下單未支付，就給使用者發簡訊 or 優惠券……諸如此類，都是最為典型的場景，IF-THEN 語句屢試不爽。

這些規則，就是最簡單的策略實現。

我們透過一條線性的規則，將使用者在特定場景下區分為兩類：

一類人符合我們的條件，被歸類為應該激發後續動作的A；

另一類人不符合我們的條件，被歸類為不需要觸發後續動作的B。

一如下圖中的分類問題，那條藍色的線，就是產品經理制定的最簡單的規則：

然而，凡事總有例外，對於線性的規則尤甚。

在上面的圖中，我們的線性規則，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，就是使用者收藏 && 購買了產品之後，還在連續不斷的推薦同款產品。

為了修正這種問題，直觀的想法就是進一步疊加和細化規則，即“打補丁”

比如，如果使用者收藏

且未購買

產品後，在推薦中給使用者推薦同款產品；進一步，如果 使用者

在一定時間段內

收藏 且

未購買

某產品，在推薦中給使用者推薦同款產品。

當我們需要基於多個因素進行判斷之後，整個決策過程就變成了：

（1）使用者有沒有收藏產品，如果有，繼續

1）使用者有沒有購買產品

①如果沒有購買

使用者收藏產品的時間有沒有超過一個閾值，如果沒有，繼續

結果動作1：給使用者推薦同款產品

②如果有購買

使用者購買產品的時間有沒有超過一個閾值，如果沒有，繼續

結果動作2：給使用者推薦關聯產品

在這個過程中，我們選取了：收藏、購買、收藏or購買行為的時間 作為判斷依據，以決定最後給使用者推薦同款產品 or 關聯產品（如 奶粉 VS 紙尿褲）。

這僅僅是一個規則，當我們面對更多使用者、更復雜場景的時候，就會不斷新增更多的規則。規則集合，就這樣一步一步變得複雜而冗餘。

當年，百度鳳巢的專家系統，錄入有上萬條左右專家規則，有一個將近50人的團隊維護這些規則。人力終有竟時，當面對這樣一個龐然大物時，專家也無法再往裡新增規則了，人的分析能力達到了極限，這也是需要引入機器學習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點

在實際的應用中，可能還會引入更多的因素，如性別、年齡、城市、過往消費力等等。那這些決策節點的權重有高有低、在判斷過程中有先有後，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：

當然，這個決策樹也只保證在過往的訓練資料 和 測試資料上表現較好，也依然會存在誤判的情況。

更為複雜的模型，如神經網路。

如果說上述決策樹的示意圖我們還能夠比較容易的看懂，那麼，當你開始研究當下大行其道的神經網路的時候，就會發現：在神經網路中，節點和節點之間的關係更為錯綜複雜，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。

請不要為難演算法工程師，他沒有辦法給你解釋，為什麼輸入狗的圖片會輸出鴕鳥的判斷。

他只能非常負責任的告訴你：“

在我們的訓練資料集合上，這個模型的確更貼近訓練目標的。

”

從單一規則 到 複合規則；從符合規則到決策樹管理更多的規則；再到乾脆放棄規則判斷，引入深度學習——讓演算法自己去學習吧，我不管了。

如上過程，也能夠讓身為產品經理的我們，更好的瞭解機率二字，請不要再為難研發，說什麼“明明一看，就知道該做出選擇A啊，為什麼演算法會選擇B呢？“

明明看的懂，但是演算法不是明明~

03 如何與演算法協作？

在建立起

機率的認知

，明確

演算法不是萬能的

，

一定會出錯

的情況下，我們似乎可以更加心平氣和的思考：自己如何與演算法協作，才有可能帶來業務上的收益。

我個人的觀點是：明確場景、定義目標、輸入資料、評估結果。

1. 明確場景

這是產品經理最該琢磨的事情。使用者 X 時空，一定能夠出現各種各樣的子場景。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、高活躍度維繫的不同場景下，使用者的期待是什麼？我們能否滿足，如果不能滿足，有無折衷的解決方案？

同樣的推薦內容，在推薦、搜尋、篩選等不同應用場景下，應該呈現出的差異是什麼？

2. 定義目標與輸入資料

回顧這句話”

在我們的訓練資料集合上，這個模型的確更貼近訓練目標的。

“

當我們將演算法應用於具體場景時，實際上就是在

設定更有針對性的目標，完善相應的輸入資料

，從而使得演算法能夠更好的擬合我們的目標值。

以訂閱製為例，可以將使用者劃分為兩類：對於未付費的會員使用者，我們的關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；而對於已付費的會員使用者，我們的關注點則變成了如何讓他更多的消費，從而讓他覺得值、持續續費。

那麼，在演算法目標上，未付費的使用者更適合設定轉化目標，而已付費使用者則更偏向時長目標。

對應的，我們也需要提供充分的資料，如不同使用者付費前、付費後的內容消費行為資料、不同內容對於付費轉化的貢獻等等資料，供演算法進行學習和判斷。

3. 評估結果

演算法的學習是基於訓練資料的，是否真的好，還需要上線見真章。

所以，產品經理對於結果可以更加開放，不要試圖證明自己是對的，而是用平常心接受AB實驗的結果。

在一次又一次的產品迭代中，積累產品Sense，從而能夠做出更準確的預估：某一個產品決策是有更大的機率會做出收益的。

這個角度想，我們在用產品方案一次次的訓練演算法的時候，未嘗不是一次次對於自己的訓練呢？

策略產品的進步，無他，唯手熟爾。

本文由 @YanZehua 原創釋出於人人都是產品經理，未經作者許可，禁止轉載。

題圖來自pexels，基於CC0協議