世界是被概率支配的

作為策略產(chǎn)品，我們首先要建立的認(rèn)知是：世界是被概率支配的。

一方面，每個(gè)用戶具備群體性，他的行為總會(huì)歸屬于某一個(gè)群體 或 多個(gè)群體。

另一方面，用戶同樣具備個(gè)體性 和 隨機(jī)性，總會(huì)有偏離群體的行為與選擇。

所以，策略產(chǎn)品首先要建立對(duì)于“概率”的認(rèn)知：

承認(rèn)個(gè)體性，我們不可能做到百分之百的用戶滿意。即便我們滿足了用戶全部所說的，他一樣會(huì)心口不一。

發(fā)現(xiàn)群體性，去認(rèn)知這個(gè)群體在特定場景下的意圖、去嘗試?yán)斫馑麄兊男袨?，從而制造產(chǎn)品以迎合這一群體的在概率意義上的選擇與行為。

如果放到體育賽事里，這個(gè)概率就是球隊(duì)勝負(fù)的賠率

如果放到星座占卜里，這個(gè)概率就是我們認(rèn)知的“令人厭惡的、嚴(yán)于律人的處女座”（呃，我就是處女座。。。。）

承認(rèn)了概率之后，我們才會(huì)認(rèn)知到“算法不是萬能的，BadCase是永遠(yuǎn)存在”

不會(huì)說出“如果算法推的準(zhǔn)，就不會(huì)有BadCase，用戶就會(huì)非常滿意”這類表述。

告別試圖全知全能的妄念，轉(zhuǎn)而去思考更好的與算法協(xié)作

從規(guī)則到深度學(xué)習(xí)

規(guī)則是最簡單的策略實(shí)現(xiàn)

在實(shí)際的業(yè)務(wù)場景里，產(chǎn)品經(jīng)理最容易給出的判斷就是規(guī)則：”如果用戶滿足了條件A，就會(huì)觸發(fā)動(dòng)作B“

如果用戶收藏了產(chǎn)品，就給用戶進(jìn)行推薦；

如果用戶下單未支付，就給用戶發(fā)短信 or 優(yōu)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(guī)則，就是最簡單的策略實(shí)現(xiàn)。

我們通過一條線性的規(guī)則，將用戶在特定場景下區(qū)分為兩類：

• 一類人符合我們的條件，被歸類為應(yīng)該激發(fā)后續(xù)動(dòng)作的A；
• 另一類人不符合我們的條件，被歸類為不需要觸發(fā)后續(xù)動(dòng)作的B。

一如下圖中的分類問題，那條藍(lán)色的線，就是產(chǎn)品經(jīng)理制定的最簡單的規(guī)則。

然而，凡事總有例外，對(duì)于線性的規(guī)則尤甚。

在上面的圖中，我們的線性規(guī)則，就沒有完全的將藍(lán)圈和紅叉分開

在日常場景中，淘寶上最為人詬病的，就是用戶收藏 && 購買了產(chǎn)品之后，還在連續(xù)不斷的推薦同款產(chǎn)品。

為了修正這種問題，直觀的想法就是進(jìn)一步疊加和細(xì)化規(guī)則，即“打補(bǔ)丁”

比如，如果 用戶收藏 且 未購買 產(chǎn)品后，在推薦中給用戶推薦同款產(chǎn)品；

進(jìn)一步，如果 用戶 在一定時(shí)間段內(nèi) 收藏 且 未購買某產(chǎn)品，在推薦中給用戶推薦同款產(chǎn)品。

當(dāng)我們需要基于多個(gè)因素進(jìn)行判斷之后，整個(gè)決策過程就變成了：

• 用戶有沒有收藏產(chǎn)品，如果有，繼續(xù)
• 用戶有沒有購買產(chǎn)品
  • 如果沒有購買
    • 用戶收藏產(chǎn)品的時(shí)間有沒有超過一個(gè)閾值，如果沒有，繼續(xù)
    • 結(jié)果動(dòng)作1：給用戶推薦同款產(chǎn)品
  • 如果有購買
    • 用戶購買產(chǎn)品的時(shí)間有沒有超過一個(gè)閾值，如果沒有，繼續(xù)
    • 結(jié)果動(dòng)作2：給用戶推薦關(guān)聯(lián)產(chǎn)品

在這個(gè)過程中，我們選取了：收藏、購買、收藏or購買行為的時(shí)間 作為判斷依據(jù)，以決定最后給用戶推薦同款產(chǎn)品 or 關(guān)聯(lián)產(chǎn)品（如 奶粉 VS 紙尿褲）

這僅僅是一個(gè)規(guī)則；

當(dāng)我們面對(duì)更多用戶、更復(fù)雜場景的時(shí)候，就會(huì)不斷添加更多的規(guī)則。

規(guī)則集合，就這樣一步一步變得復(fù)雜而冗余。

當(dāng)年，百度鳳巢的專家系統(tǒng)，錄入有上萬條左右專家規(guī)則，有一個(gè)將近50人的團(tuán)隊(duì)維護(hù)這些規(guī)則。人力終有竟時(shí)，當(dāng)面對(duì)這樣一個(gè)龐然大物時(shí)，專家也無法再往里添加規(guī)則了，人的分析能力達(dá)到了極限，這也是需要引入機(jī)器學(xué)習(xí)這個(gè)機(jī)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(shí)間作為決策節(jié)點(diǎn)

在實(shí)際的應(yīng)用中，可能還會(huì)引入更多的因素，如性別、年齡、城市、過往消費(fèi)力等等。那這些決策節(jié)點(diǎn)的權(quán)重有高有低、在判斷過程中有先有后，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(dāng)然，這個(gè)決策樹也只保證在過往的訓(xùn)練數(shù)據(jù) 和 測試數(shù)據(jù)上表現(xiàn)較好，也依然會(huì)存在誤判的情況。

更為復(fù)雜的模型，如神經(jīng)網(wǎng)絡(luò)

如果說上述決策樹的示意圖我們還能夠比較容易的看懂，那么，當(dāng)你開始研究當(dāng)下大行其道的神經(jīng)網(wǎng)絡(luò)的時(shí)候，就會(huì)發(fā)現(xiàn)：在神經(jīng)網(wǎng)絡(luò)中，節(jié)點(diǎn)和節(jié)點(diǎn)之間的關(guān)系更為錯(cuò)綜復(fù)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(qǐng)不要為難算法工程師，他沒有辦法給你解釋，為什么輸入狗的圖片會(huì)輸出鴕鳥的判斷。

他只能非常負(fù)責(zé)任的告訴你：“在我們的訓(xùn)練數(shù)據(jù)集合上，這個(gè)模型的確更貼近訓(xùn)練目標(biāo)的。”

從單一規(guī)則 到 復(fù)合規(guī)則

從符合規(guī)則 到 決策樹管理更多的規(guī)則

再到干脆放棄規(guī)則判斷，引入深度學(xué)習(xí)——讓算法自己去學(xué)習(xí)吧，我不管了

如上過程，也能夠讓身為產(chǎn)品經(jīng)理的我們，更好的了解概率二字，請(qǐng)不要再為難研發(fā)，說什么“明明一看，就知道該做出選擇A啊，為什么算法會(huì)選擇B呢？“

明明看的懂，但是算法不是明明~

如何與算法協(xié)作？

在建立起概率的認(rèn)知，明確算法不是萬能的，一定會(huì)出錯(cuò)的情況下，我們似乎可以更加心平氣和的思考：自己如何與算法協(xié)作，才有可能帶來業(yè)務(wù)上的收益。

我個(gè)人的觀點(diǎn)是：明確場景、定義目標(biāo)、輸入數(shù)據(jù)、評(píng)估結(jié)果

明確場景

這是產(chǎn)品經(jīng)理最該琢磨的事情。用戶 X 時(shí)空，一定能夠出現(xiàn)各種各樣的子場景。

這也幫助我們將一個(gè)宏大的命題拆分為具體的、獨(dú)立的子問題，逐個(gè)擊破。

比如，在冷啟動(dòng)探索、低活躍度召回、高活躍度維系的不同場景下，用戶的期待是什么？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(nèi)容，在推薦、搜索、篩選等不同應(yīng)用場景下，應(yīng)該呈現(xiàn)出的差異是什么？

定義目標(biāo) 與 輸入數(shù)據(jù)

回顧這句話”在我們的訓(xùn)練數(shù)據(jù)集合上，這個(gè)模型的確更貼近訓(xùn)練目標(biāo)的。“

當(dāng)我們將算法應(yīng)用于具體場景時(shí)，實(shí)際上就是在設(shè)定更有針對(duì)性的目標(biāo)，完善相應(yīng)的輸入數(shù)據(jù)，從而使得算法能夠更好的擬合我們的目標(biāo)值。

以訂閱制為例，可以將用戶劃分為兩類：

對(duì)于未付費(fèi)的會(huì)員用戶，我們的關(guān)注點(diǎn)是如何用更有吸引力的商品、更低門檻的價(jià)格吸引他嘗試；

而對(duì)于已付費(fèi)的會(huì)員用戶，我們的關(guān)注點(diǎn)則變成了如何讓他更多的消費(fèi)，從而讓他覺得值、持續(xù)續(xù)費(fèi)。

那么，在算法目標(biāo)上，未付費(fèi)的用戶更適合設(shè)定轉(zhuǎn)化目標(biāo)，而已付費(fèi)用戶則更偏向時(shí)長目標(biāo)。

對(duì)應(yīng)的，我們也需要提供充分的數(shù)據(jù)，如不同用戶付費(fèi)前、付費(fèi)后的內(nèi)容消費(fèi)行為數(shù)據(jù)、不同內(nèi)容對(duì)于付費(fèi)轉(zhuǎn)化的貢獻(xiàn)等等數(shù)據(jù)，供算法進(jìn)行學(xué)習(xí)和判斷。

評(píng)估結(jié)果

算法的學(xué)習(xí)是基于訓(xùn)練數(shù)據(jù)的，是否真的好，還需要上線見真章。

所以，產(chǎn)品經(jīng)理對(duì)于結(jié)果可以更加開放，不要試圖證明自己是對(duì)的，而是用平常心接受AB實(shí)驗(yàn)的結(jié)果。

在一次又一次的產(chǎn)品迭代中，積累產(chǎn)品Sense，從而能夠做出更準(zhǔn)確的預(yù)估：某一個(gè)產(chǎn)品決策是有更大的概率會(huì)做出收益的。

這個(gè)角度想，我們?cè)谟卯a(chǎn)品方案一次次的訓(xùn)練算法的時(shí)候，未嘗不是一次次對(duì)于自己的訓(xùn)練呢？

策略產(chǎn)品經(jīng)理的進(jìn)步，無他，唯手熟爾