4.1策略的应用MAP
回顾一下策略是种怎样的手段？
目标决定过程，能更好的理解策略这种的手段的本质，才能灵活的判断什么时候使用策略可以更好的帮你你达成目标。
策略可以及时的收集外部因素的变化，并且根据变化快速和低成本的调整解决方案以更好的达成目标。
策略的特质：
1.精细化的方案 2.可以自我进化（比如基于反馈的）
首先，它给出的方案是精细化的方案，因为它可以考虑因素的变化提出不同的方案；
第二，随着更多的输入，产品可以自我进化，给出更多的输出。
最适合策略的应用方向有哪些？
适合的方向：
1.个性化服务 2.效率
一是各类个性化服务。
策略天生就是解决一群人的问题，它可以更轻松的发现每个用户不同的兴趣点，给每个人提供unique的服务。
比如各类的内容、商品推荐，像头条、淘宝；再比如各类需要更懂你的工具服务，像输入法、搜索等等。
二是效率相关的。
策略随着输入可以自己去调整输出，可以更敏感的发现系统中随机的浪费点并持续进化，以在复杂的变化环境中达到更高的效率。
比如各类环节非常冗长的流程：广义的交通、物流、出行等等，甚至是制造业、供应链等；还有各类追求效率的工作，比如：增长、促销等等。
策略的应用MAP
一、概述
1.核心业务
产品为用户提供了什么服务，在功能上被称为“主流程”。比如：头条的新闻浏览，淘宝的商品购买、饿了么的点餐配送、携程的浏览下单等等
2.增长
核心业务的左侧是增长。指的是无论通过外部的投放还是内部运营的手段，让用户、流水、甚至收入等等各种指标变大的一系列工作。
3.风控
右侧是风控。是所有金融类产品，大多数交易类产品，大多数内容类产品，甚至是部分的工具类产品都会有的一部分工作。人多的地方就有利益，有利益的地方就会有人试图违反规则牟利，因此就有了各种的风险控制、反作弊、反垃圾的工作。
4.数据
数据是这个时代的物质食粮，是策略的衣食父母。数据本身也是需要策略的投入，需要对其进行清洗、归类等各类处理工作。比如地图的POI数据的完善、用户消费能力标签的挖掘等等。
二、核心业务
我们可以将所有产品的核心业务笼统的归为两类，一类是功能导向型，一类是业务导向型。
1.功能导向型
产品的目标就是解决某类用户的某种问题，目标到一，用户群也单一。
比如：高德导航、有道翻译、墨迹天气、百度搜索等等。大多数纯工具类的产品都属于这个分类。
2.业务导向型
产品是连接了多个不同的用户群，平台的用户角色有供给方，有消费方，等等。此时平台要考虑多个角色的共同感受。
比如，美团外卖，有用户有商家有配送员；今日头条，有问题的生产者有消费者；淘宝，去哪儿，知乎等等。大多数交易类产品，甚至是内容类产品社区类产品都属于这个分类。
1.功能导向型
百度搜索的用户产品方向：
关注用户是否得到满足
高德导航：
关注用户开往目的地的体验
只关注一方的体验或者利益
2.业务导向型
美团外卖的配送：
兼顾用户和配送员利益
今日头条广告的分发：
兼顾用户和广告主利益
三、增长
广义的增长包括两部分工作：拉新和留存。它们都是可以让全平台的核心数据得到增长的工作。
1.拉新
拉新是开源，是拿着“弹药”去任何产品外的地方去寻找目标用户，考虑的是“弹药”的高效利用。
2.留存
留存是节流，是通过对用户全流程的各个环节的促进将要流失的用户拉回低价值的象限，将处于低价值象限的用户拉向高价值的象限。这个“拉动”的过程中依然需要各种各样的“弹药”，如何精准的命中依然是考虑的核心。
四、风控
风控可以笼统的分为两类。
1.反作弊
一类是传统意义上的反作弊，反各种交易作弊，反各种垃圾信息等等，这个是从避免伤害的角度，对用户的行为做一定的控制。
2.风险评估
另一类是对金融行业特有的风控，是风险评估，是从平台收益的概率的角度对用户进行综合打分，背后其实是对用户更全面的理解。
五、数据
数据可以细分为基础数据和画像标签两大类工作。
1.基础数据
基础数据做的更多的是对客观事实的收集和整理，比如搜索中的网页，内容推荐中的新闻，甚至是视频、音乐、商品等等。尤其是需要从多个渠道收集数据的产品，比如网页搜索需要抓取数据，地图地点信息的收集。
在这一类工作中，如何能做到更全的覆盖，更及时的更新，如何对多个数据源之间进行合并去重，进行各个字段间的结构化等等，都是基础数据要做的事情。
2.画像标签
指的是对基础数据的深加工。比如用户标签，去挖掘用户的性别、兴趣、购买力、履约能力、活跃程度等各个维度的特征，这些是基于用户的基础数据和行为的预测和推断。比如对内容的标签，需要对新闻进行分类，对图片进行关键词的提取等等。
如果说基础数据是无微不至的细化和整理，那么画像标签就是对多个宏观维度的抽象和推测。
六、总结
4.2【功能导向型】核心业务的策略框架
一、功能导向型定义
【功能导向型】：只需要考虑单一用户（群）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。
二、策略框架 方法论
先进行需求理解，之后提供解决方案，如果理解需求or提供解决方案需要整合其他资源，则需要资源支撑。
1.需求理解
这里的需求理解其实就是“策略四要素”之一：输入。即影响解决方案的各类因素。
什么会影响解决方案？自然是需求，需求决定解决方案。
具体到影响需求的各类因素，就是去区分不同需求的规则。
2.提供解决方案
这里的解决方案就是：面对用户的问题，产品要实现的效果是怎样的。即需求文档。需求文档中的需求概述和详述就是产品要实现的效果。
3.资源支撑
三、总结
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。
四、一个简单策略的案例
1.产品目标
根据外界各种因素的变化给出最佳的亮度输出
2.需求理解
（如何区分用户的场景和需求，即输入因素是什么）
由外部光源亮度、光源类型、系统时间、应用类型、用户历史行为等特征来区分
衡量指标
各特征的召回率和准确率
这时，很多因素是客观的，比如说外部光源亮度、系统时间等等，召回率和准确率几乎是100%；只有个别因素需要策略的判断，eg：能够正确判断光源类型。
3.解决方案
触发条件、亮度变化基本原则、稳定性等考虑，通过示例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（从不满意的角度逆向评估）、其他基于反馈的监控
4.资源支撑
亮度传感器能实现数据收集、背光源提供亮度控制接口
衡量指标
数据收集覆盖率、收集准确率，亮度控制接口精度
5.小结
【实例】出行APP目的地输入模块策略思考方法
功能导向型核心业务的策略框架
一、产品目标
帮助用户以最低成本完成目的地的输入
二、需求理解
这里其实是对需求的预测
衡量指标
各推荐策略的召回率和准确率
三、解决方案
这里的解决方案其实就是广义的推荐
分为三个模块：目的地推荐模块，搜索推荐模块，搜索建议模块
衡量指标
用户的输入成本越低越好：更低成本的推荐的使用率越高越好
进一步拆解为各推荐的召回率和准确率
四、资源支撑
用户历史数据用于需求预测；地点数据作为推荐候选集合
衡量指标
各类数据的召回率和准确率（通常指清洗程度）
五、总结
【实例】地图导航APP公交路线推荐模块策略思考方法
功能导向型核心业务的策略框架
地图导航APP公交路线推荐模块策略思考方法
一、产品目标
产品目标：以最低代价从出发地到达目的地
1）From A to B 是明确表达的
2）但是，不同用户在不同的场景下，对【代价】的定义是不同的
eg：最短时间、最低价格、最短步行距离、最小延误风险等
二、需求理解
判断当前主要代价：
1）出发时间（是否有强准时诉求）
2）目的地类型等
3）用户历史行为（是否有步行和价格倾向，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【主动填写时间】的功能来提升准确和召回。从排序点击情况逆向观察代价判断的准确率。
三、解决方案
解决方案：
1）给出可到达的路线候选集合
2）根据需求判断的代价权重，给出候选线路的排序
3）同时给出排序依据（时长、步行、价格等依据）
衡量指标：
1）路线的准确率和召回率。
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
2）用户满意度。
点击越少越好（摘要和引导足够满足用户）；
选用结果排序越高越好
3）其他基于反馈的监控
四、资源支撑
1）用户相关数据、目的地类型数据：用于需求预测
2）公交/地铁线路（站点、运营时间、班次间隔、票价等）：用于路线规划
3）路网数据：用于路线规划
4）路况历史数据（不同交通工具）：用于到达时间预测
衡量指标：各种数据的准确率和召回率
五、总结
【实例】网页搜索策略思考方法
功能导向型核心业务的策略框架
网页搜索策略思考方法
一、产品目标
产品目标：高效地获取信息
1）需求复杂又多变
2）从浩瀚的候选集合里找到正确的信息
不同用户输入同一query表达的需求可能不一致；
同一用户在不同场景输入同一query表达的需求也可能不一致。
二、需求理解
这里的需求理解其实就是广义的query解析
分为三类：
1）需求明确
A）结构简单清晰的query：经过切词处理即可进行后续检索
例如：黄山火车站订票电话——> 黄山 火车 站 订 票 电话
间隔 紧密度不一样
B）口语化的query：需要进行纠错、同义转换等语义处理
例如：杭州至盐城高速怎么走
——>杭州|至|盐城|高速|怎么|走
——>【map】 【from：杭州】 【to：盐城】 【type：驾车】
C）表达方式很复杂的query：需要进行更加unique的语义处理
例如：
披星（）月
吾尝终日而思矣，后面
2）需求明确，对答案有特殊要求
除了统一的query变换外，需要将特定要求转换成搜索引擎可理解的特征
例如：
猪肉最新价格——>资源时效性
3）需求不明确，需要进行需求扩展和预测
例如：
欢乐颂——>欢乐颂视频、剧情介绍、演员表、评论 分别检索对应结果展现给用户。。。
猩球崛起3——>上映前需要预告片上映时间、上映中需要介绍评价在线购票、下映后需要介绍评论视频
三类扩展维度：
上下文数据：搜了欢乐颂后，用户是否主动更改query搜索欢乐颂视频
类目数据：对于【欢乐颂】这种电视剧专名，天然就有视频、剧情等需求。PM可以提前梳理针对各类目的需求扩展list。
个性化数据：对于特定类目可以进行地域扩展，家乐福——>北京家乐福；电影专名，有的用户更倾向于看剧情，有的倾向看评论。
一个query经过以上分类处理后，会统一成这样的输出，来进行接下来的检索：
【需求类目/需求词】
【需求强度】
【待检索term/pattern】
【其他限定特征（地域等）】
衡量指标：
1）每个query分析规则的召回率和准确率
2）各需求的召回率和准确率
三、解决方案
分为两部分：排序和展现
1.排序
不同需求间：根据需求强度（命中需求的概率）
同一需求间：根据结果质量（相关性、权威性、时效性、可用性）
根据用户的点击行为（反馈）进行调整
实际上，会把需求强度、结果质量、用户点击行为统一成【唯一指标】决定首页结果的排序
LTR系统：learning to rank 机器学习排序
2.展现
通用策略：将结果页中与query相关的信息提取为标题/摘要，进行飘红等处理帮助用户筛选信息
（对所有搜索引擎，都是将检索对象中用户最关心的内容提取至检索结 果列表页，并根据情况以各种强化的样式展现）
细化策略：针对不同需求，又有如下细化策略：
A）对于单一明确信息需求，可以将答案信息之间在摘要中展现
例如：天气、客服电话
B）对于用户接下来路径相对收敛的需求，可以将下一步需求前置，缩短步骤
例如：网易邮箱（登录，直接输入账号密码）、欢乐颂视频（集数前置，记录观看位置等）、歌曲（在搜索结果页直接播放）
C）对于不同资源类型结果，可以针对性优化摘要
例如：视频类、图片类（展现缩略图）、新闻类、地图类（展现位置 信息等）
3.衡量指标（衡量）
1）每个需求打分、质量打分、展现策略的召回率和准确率
2）用户角度的搜索的满足度
A）基于用户行为的搜索满足度：
摘要满足型需求——>无/很少点击行为
单结果满足型需求——>点击集中于收条结果
主动变换query比例低
翻页比例低等等
B）基于人为评估的搜索满足度:
query前3/5/10结果相关性->基于人为需求判断，当前结果是否能满足；与竞品相比，是否有更好结果未收录、排序是否更优等
session满足度->从用户一个行为片段分析其是否得到满足
四、资源支撑
1.自然语言相关
各类基础词库：用于query切词处理、同义转换、纠错（用户输错了词，自动纠错，检索）等
语义理解和处理规则：用于query解析
2.网页相关html
网页收录（spider）：
1）保证各类网页收录覆盖度
2）保证各类网页收录时效性：根据网页类型定义更新频率，重要或时效性要求高的资源可选择站长主动提交的方式
页面分析：
对页面类型进行识别（视频 问答 图文等 ），页面中内容解析（切词）、为term附权等等
衡量指标
1）对于NLP相关：各类词库、处理策略的准确率、召回率等；
2）对于网页收录：收录覆盖率、更新时效性等；
3）对于页面分析：各类准确率、召回率等。
五、总结
【实例】内容推荐策略思考方法
功能导向型核心业务的策略框架
内容推荐策略思考方法
一、产品目标
产品目标：Kill Time！
二、需求理解
基于各种特征去预测用户的潜在需求：
基础特征（eg.设备型号，位置等）
历史行为（eg.曾经对什么表达过兴趣，杨幂相关新闻点击率90%）
实时特征（eg.当前13点）
共同组成用户的潜在需求。
衡量指标：各特征的召回率和准确率
三、解决方案
排序和展现你
1）排序：根据需求预测和结果的各类特征综合排序，统一到ctr（点击率）预估的机器学习模型上
2）展现：为点击服务，同时避免标题党
衡量指标
1）ctr预估的准确率，进一步拆分为各策略的召回和准确率
2）ctr和停留时间
四、资源支撑
1.网页资源
同样考虑优质内容的覆盖率和时效性，甚至以产品手段生产unique内容
2.自然语言相关
为网页分类、特征分析提供支持
衡量指标
1）内容的覆盖率和时效性
2）各特征的召回率和准确率
五、总结
小结
4.3【业务导向型】核心业务的策略框架
一、业务导向型定义
需要考虑多个存在显著需求差异、甚至利益冲突的用户群，策略要在多个利益群之间寻找合适解决路径，使得群体利益最大化。
随着阶段性目标变化，策略路径也会随之变化。
（所谓双边/多边市场）
案例：美团外卖
平台上有三个角色：用户、商家、骑手
用户和商家：
用户希望更便宜价格更好菜品
商家希望同样菜品更多收入
用户希望快速找到自己想要的商家——>内容推荐策略
商家希望更多的流量，更多的曝光，更多的新用户——>广告策略
这两个策略之间需要达到平衡的关系，因为它们共同决定了用户看到的商家的列表排序
用户和骑手：
用户希望骑手只给自己送餐，越快越好
骑手希望拼更多顺路单，挣更多钱
此时配送策略需要同时考虑双方的利益。比如，对用户来说，务必要满足的是要在配送预估时间内到达，否则要赔偿用户；同时在配送预估时间之内这个底线上，要尽量给骑手更多的单子。
骑手和商家：
骑手希望不用等待，餐提前做好，到店即取
商家希望出餐马上有骑手送走，保证质量。或者优先出堂食
所以他们三个角色之间是有利益冲突，需要有平衡规则，消除之间的矛盾。
二、策略框架
1.分析每个角色
针对每个角色，都是一个功能导向型策略框架。
定义每一个用户群的满足理想态，将优化目标数字化。
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。
2.建立多边关系：平衡
1）将阶段性目标拆解为与各用户群利益相关的公式，寻求多方利益的最大化。
2）在此过程中，任何一方的退让以边界值为底线
边界值：每一个用户群可承受的最大化的伤害
3.小案例
背景：地主家里十亩地，两个儿子。大儿子种小麦，小儿子种玉米。
各方利益：每个儿子都希望自己名下的地更多
平台利益：父亲希望所有地的产量最高
平台利益到各方利益的拆解：
产量=小麦亩产量*小麦亩数+玉米亩产量*玉米亩数
（假设小麦亩产量>玉米亩产量）
边界值：每个儿子小于一亩地就要分家
现阶段策略规则：大儿子九亩，小儿子一亩
三、总结
【实例】商品定价策略的思考方法
业务导向型核心业务的策略框架
商品定价策略的思考方法
一、各利益体需求
几个利益体：买家，卖家
买家希望以最低的价格买到自己需要的商品
卖家希望将商品售卖出最高价格
二、定义每个利益体的利益边界值
边界值
买家购买价格低于心理价位
卖家售卖价格大于成本
三、找到平衡的公式
第一步：分析双方利益关系
第二步：拆解交易过程
第三步：定义不同目标下的定价策略
第一步：分析双方利益关系
双方都是希望促成交易的，矛盾点在促成价格的高低
第二步：拆解交易过程
背景定义：我们假设卖家只有一件商品来简化问题
1）卖家作为定价方，商品成本
是客观数据
2）买家
心理价位
是推测数据，
存在准确率
，
交易过程：每一个买家进店时，都存在一次定价环节
1）卖家给出一个介于
和
之间的
，交易成功的概率为
2）
与
和
相关，是双方的共同利益。
&
第三步：定义不同目标下的定价策略
1.如果以买家体验为先，卖家将所有
置为
，此时：
用户体验最佳（用户规模会持续增长），售卖转化率最高（但是不一定是100%），然而利润最低。
2.如果以
为先，
3.如果以利润率为先，顾客
的利润率
四、总结
【实例】滴滴出行APP司乘撮合系统的策略演化
滴滴出行APP司乘撮合系统的策略演化
第一部分：策略思考方法
第二部分：司乘撮合系统的进化
第一部分：策略思考方法
业务导向型核心业务的策略框架
一、各利益体需求
几个利益体：乘客、司机
乘客希望最近的司机接单（等待时间最短）
司机希望最挣钱的订单（接驾最短、距离更长、更不堵车的订单）
二、定义每个利益体的利益边界值
边界值：
1.乘客能接受的最长等待时间最长是
分钟
可能是PM定义的，来自于对用户体验的判断；
也代表了平台对用户体验保证的承诺和凭证。
2.司机能接受的最远的接驾具体是
来源于PM对用户体验的判断，也来源于历史数据
三、找到平衡的公式
第一步：分析双方利益关系
第二步：定义撮合规则
第一步：分析双方利益关系
双方都是希望促成交易的，
矛盾点在每个人都渴望最优质的匹配对象，而优质资源是稀缺的。
第二步：定义撮合规则
1.阶段性目标：成交率最大化（更偏向乘客利益），每一时刻的订单被最大程度地消化
标准价格下的价值博弈，乘客等待是隐性成本，司机接驾距离长是显性成本。
2.撮合方案：
乘客做出让步：接单的不一定是最近的司机
司机做出让步：接到的不一定是周围价值最大的订单
不同程度的让步会带来不同的成交概率
我们可以根据历史数据预估出单个司乘对的成交率
我们希望每一时刻的订单被最大程度的消化，那么需要找到成交率最大的司乘组合方式：
1）穷举多个【司乘对】间所有的排列组合方式
2）求得某种组合方式，使得对于所有乘客司机，总成交率达到最大（或者说接近最大）
第二部分：司乘撮合系统的进化
在不同的阶段性目标下，产品是如何进化的。
产品目标：实现平台上订单的高效分发。乘客打到车，司机挣到钱
衡量指标：广义的成交率为核心指标
小问题：如果让你设计一个给宠物上门洗澡的订单分发系统，你会怎么做？
版本1.0以乘客为中心
一、阶段现状
阶段现状：需求较低频和稀疏，w单/天
乘客：叫到车就好
司机：对平台尚无依赖，有单便好
二、解决方案
1）以乘客为中心，由近及远播单
2）存在最大播单距离，以保证司机体验
需求分发优先
三、随着订单增长，开始暴露问题
司机听到的订单是以订单生成为触发的，订单密度足够高时，多个订单无差别推给司机，司乘体验都出现了严重问题。
P2推给D1时，D1正在听P1，最终是距离更远的D2抢到了P2；甚至P1P2同时推给D1，重叠在一起，一些订单被丢掉。
版本2.0以司机为中心
一、阶段现状
阶段现状：需求较密集，10w单/天
乘客：打到车
司机：希望更近更好的订单（市场上存在多个叫车平台）
现状和需求都发生了变化，系统需要进化！
二、解决方案
1）以司机为中心，当司机需要订单时，由近及远选取周围未成交订单播单
2）存在最大播单距离，以保证司乘体验
供给占用优先
三、随着订单增长，开始暴露新问题
司机周围订单变得越来越多，仅按距离排序难以将好订单筛选出来，需要进一步优化排序策略。
版本2.n以司机为中心的订单推荐系统
一、阶段现状
阶段现状：需求继续密集，>10w单/天
二、解决方案
1）排序系统进化：开始引入订单长度、目的地特征、已被抢概率、取消概率、司机特征等因素，升级为基于ctr预估的推荐系统
2）以司机为中心，当司机需要订单时，选取周围订单，按ctr预估模型进行排序
3）存在最大播单距离，以保证司乘体验
供给占用优先
三、随着订单增长，开始暴露新问题
司乘存在明显的分布不均衡，出现了【离所有司机都很远无法被播出的P1】和【离很多司机都最近、被重复播放多次的P1】
版本3.0 以平台为中心的订单撮合系统
一、阶段现状
阶段现状：需求继续密集，>100w单/天
二、解决方案
同时考虑整个区域内的所有乘客和司机，以哪种组合方式可以达到所有人的体验最优（成交率最高）
小结：出行APP的司乘撮合系统的进化
指派系统：更强的确定性
动态调价：更强的市场调控能力
策略框架：
是多个功能导向型框架的集合；寻求各个群体间共同的利益点，作为不同小框架的结合点；最终的目的是生态繁荣。
平衡是一个生态系统存在的基础；
各自成长是生态系统繁荣的必要条件。
网友评论