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”
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
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。
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：
- 用户有没有收藏产品，如果有，继续
- 用户有没有购买产品
- 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
- 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
- 如果没有购买
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~
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
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？
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。
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？
策略产品经理的进步，无他，唯手熟尔
网友评论