KPI&項目&技術&產品

KPI&項目&技術&產品

這半年，經歷了一次以KPI為核心的戰鬥，過程中，在項目、技術、產品三方面有深刻體會。工作三年來，也不再過於迷信和迷失於技術本身，而會在項目和產品方面綜合思考，這半年的戰爭，感覺是項目、技術、產品三者相互配合成功的實踐。

我們小組負責的是推薦和榜單項目，當時定的KPI，是點擊量做到日均幾十萬（避免涉密，這裡不說具體數字）。雖然我知道這個數目很大，因為是從0做起，但我並不是很害怕或者糾結，因為我知道這個KPI不僅與自己有關，還有老大背著，老大都不怕，我怕什麼呢？

好了，簡要介紹一下推薦和榜單兩個項目是幹嘛的。我們做的是POI詳情頁的優化，推薦和榜單是為了幫助用戶做決策的，為了用戶更好的選擇。舉個例子，假如一個用戶進入了一家日本料理的POI詳情頁面，除了本身POI的信息，我們還會推薦一些餐廳，這些餐廳跟當前餐廳相似，可能比當前餐廳優質。此外，還會掛一個這家日本料理所在區域的日本料理的榜單，榜單中的POI是一些優質餐廳。相對於相關推薦，榜單是一種泛推薦，是基於類別和區域兩個置信前提來進行推薦，而相關推薦會考慮更多比如距離，價格等等相關性。

這兩者都是放在詳情頁，為的是讓用戶更好的選擇，提高活躍度。量化的目標就是點擊量。

最開始做的是POI的相關推薦，其實當時有點迷失。因為用戶的行為數據過於稀疏，傳統的協同過濾或者關聯規則不怎麼有效。後來產品進來了，提出了做一個相似價格的餐廳推薦需求。我們照的需求，做了一個相似價格的餐廳推薦。結果產品不滿意，說一個中餐廳你給我推薦一個蛋糕店，不合理啊。然後我們反駁，不是相似價格嗎，它們兩者價格比較接近啊。後來老大提醒我們了，讓產品去想策略，肯定不靠譜啊。我們就開始學聰明了，不能簡單直接翻譯產品的需求，要結合用戶本質的需求來思考，而且產品也不是神，她們也會犯錯，甚至她們沒我們聰明。於是，我們重新構思我們的餐廳推薦，結合我之前做推薦系統的技術積累，我們考慮了比如標籤等更多特徵。關於用戶行為，我們換了種用法，我們以用戶去了又去定義為正樣本，去了沒去定義為負樣本，用邏輯回歸去擬合這種行為。當然，這種方法自己的原創，而是參考了天貓的相似商品推薦來改造。後來，多次迭代，多次撕逼。產品還是不滿意，因為推薦結果不符合她的預期。我們已經僵持了兩周了，老大看到不對勁，就對產品說：直接上，有問題所有後果我來承擔。其實，產品的擔心並非無理取鬧，因為她怕上線後沒人點，或者被人吐槽。（後來的結果證明她的擔心是多餘的，或者她的個人感性思維評估標準是錯誤的。推薦的點擊率還是點擊量最後都是很可觀的。）老大的這一舉動，也讓我很佩服的他，不僅讓我們有種「被保護」的感覺，而且也體現出了他之前讓我掌握的項目能力。項目如果因為一些細節被卡主，無法正常進行，KPI是無法實現的。老大私下也跟我們說，其實產品沒什麼「大局觀」，我們必須圍繞著KPI來打。

深知KPI的重要性，我也學會了掌握老大對項目節奏的把握技能。開始，我一直在構思相似餐廳該怎麼優化。比如加入用戶定位數據，將定位的經緯度和POI關聯起來，用戶對POI的行為數據就豐富了。再比如通過word2vec，lda等演算法來挖掘菜品的關聯性，從而計算餐廳的相似性。還有，用戶評論信息的標籤化處理，評論行為進行協同過濾。想到的這些細節，是為了提高相似餐廳推薦的點擊率。而老大並非這麼想的，他想到的是擴類別，挖需求挖場景，除了餐廳有相關推薦需求外，其他POI呢？（後來我也才發現老大的遠見，其實推薦的點擊率當時不低了，我們的KPI也是點擊量而不是點擊率）推薦要做擴類別，挖需求挖場景，對我們來說，就是規模化生產的問題了。迫於類別太多，需要快速開發的壓力，我當時構想了標籤關聯矩陣的思路。標籤關聯，其實是傳統協同過濾的信息層級泛化應用，用戶對POI的行為矩陣稀疏，但是映射為用戶對標籤的行為矩陣就不稀疏了。通過用戶對標籤的行為矩陣，計算出標籤之間的關聯性。然後推薦時，通過標籤的關聯強度來進行POI召回。標籤關聯矩陣的提出，不僅算是協同過濾應用的創新，更是工程上規模化生產數據的一大利器。推薦項目也逐步上線，點擊率和點擊量都很可觀，點擊率15%-25%，業界很多推薦系統都沒這水平，點擊量當然超乎預期。當時上面的老大把希望賭在了榜單項目上，完全沒想到推薦效果這麼好。而推薦項目僅僅是我帶著兩個剛畢業一年的同事做，我負責策略演算法和工程上的指導，他們是開發主力。

後來，推薦的推進只是重複性生產工程上的問題，主要技術難關不存在了，老大也逐步讓我去幫忙榜單項目。其實開始我是不願意的，但老大也揣測到我的心思對我進行了安慰，我也逐步去習慣。當然，在榜單項目中我也不是白混的，技術上，我會關注業界怎麼做排行榜，排行榜有什麼演算法，也接觸到了PCA，層次分析法，威爾遜置信區間等等，並應用到了項目中，後續會在寫一篇關於排行榜的技術文章。項目上，也學會了一些推進方法，比如盡量找一些跟你利益相關的人一起推進。業務上，有了一些個人思考，比如榜單的個性化或者區域化透出，榜單用戶的特徵聚類分析，榜單潛在用戶挖掘，榜單用戶潛在需求挖掘。當然，業務上這些想法因為小組拆解我沒機會親自經歷了，但是這些思考讓我感覺自己很有進步，並且我把這些思考通過分享形式傳達給了同事，希望他們最後會實現。

國慶期間，我們的點擊量超乎預期，KPI也順利完成。國慶後回來，先前以為可以洗洗睡了，沒想到項目小組被拆解了，我和幾位同事要跟老大做新項目。也許後續，會接觸一些數據變現的商業化項目，比如廣告系統。我知道，這也許很艱難，但無論結果如何，過程中肯定讓我個人大有長進。n9月份集團的幾天數據大學的培訓，我也學了不少知識，最後，對電商推薦，個性化運營，商業模式思考，用戶增長，深度學習等課程斷章取義，總結成PPT，就業務問題和數據建模，特徵工程三方面跟小組吹了一下牛逼。希望將來在業務實踐中也能應用到。

本文作者:linger

轉載須註明出處

歡迎關注公眾號：數據挖掘菜鳥【公眾號ID：data_bird】

關注大數據，數據挖掘，機器學習，深度學習

推薦閱讀：