lao cai 们功能导向型策略框架
只需要考虑单一用户的需求，可以给出相对明确的需求满足理想态，策略围绕该理想态努力
需求理解
给出区分不同用户群/场景的规则
定义衡量规则的标准，将其数字化（通常是准确率和召回率）
提供解决方案
给出针对每个用户/场景，应该提出怎么样的解决方案
定义好的体验的标准，将其数字化（取决于具体产品类型，通常是产品核心指标）
举几个栗子
【较简单】屏幕亮度智能调节
kindle屏幕亮度调节产品目标：根据外界因素变化给出最佳亮度输出
需求理解：由外部光源亮度、类型、系统时间、应用类型、用户历史行为等特征来区分
衡量指标：各个特征的召回率和准确率
解决方案：触发条件、亮度变化基本原则、稳定性等考虑，通过实例case表达理想态，产出亮度计算的函数
衡量指标：用户手动调节亮度的比例
资源支撑：亮度传感器能实现数据的收集、背光源提供亮度控制的接口 ; 资源支撑衡量指标：数据收集覆盖率、收集准确率、亮度控制接口准确率
小结：
【一般】滴滴目的地输入策略
滴滴目的地输入产品目标：帮助用户以最低成本完成目的地的输入
需求理解：（对需求的预测）
用户潜在需求：出发地、时间点、用户历史行为、用户正在输入的term
衡量指标：各推荐策略的召回率和准确率
解决方案：（广义的推荐）
目的地推荐模块 — 搜索推荐模块 — 搜索建议模块
衡量指标：用户输入的成本越低越好，更低成本的推荐的使用率越高越好，进一步拆解为个各推荐的召回率和准确率
资源支撑：用户历史数据用户需求预测，地点数据作为推荐候选集合；衡量指标：各数据的召回率和准确率
小结
【较复杂】百度地图公交路线推荐
百度地图路线推荐产品目标：用户以最低的代价从出发地到达目的地
最短的时间、最低的价格、最短的距离、最小的延误风险
需求理解：判断当前主要代价，出发时间（是否有强准时诉求）、目的地类型、用户历史行为（是否有不行和价格倾向，普遍代价是什么）
衡量指标：各特征的召回率和准确率
eg. 增加 [主动填写出发时间]的功能提升准确和召回率。
解决方案：
给出可到达的路线集合 — 根据需求判断权重，给出候选线路的排序 （给出排序的依据 时间、步长、价格）
衡量指标：
a.路线准确率和召回率。准确率：确实可到达（基于抽样评估可行性）。覆盖率：尤其是优质路线均覆盖
b.用户满意度。点击越少越好（摘要和引导足够满足），选用结果排序越高越好
c.基于反馈的监控
资源支撑：
用于需求判断的 用户相关数据、目的地类型数据
用于路线规划的公交/地铁路线（站点、运营时间、班次间隔、票价）
用户路线规划的路网数据
用于到达时间预测的路况历史数据（不同交通工具）
小结
小结
功能导向型策略框架：
细分好用户/场景Requirement，设计好把什么资源给到什么用户的Rule，准备好用来细分和满足需求的资源Resource；定义好各环节的理想态，并将优化目标数字化；
以指标驱动3个R的进化
Rome was not built in a day，各个复杂的策略系统都是一步一步的迭代搭建起来的
网友评论