【產品策略公式·三】產品策略模型的方法論

對於大多數人而言，產品策略模型是個黑箱。有的人覺得它無所不能，有的人覺得它華而不實。偏見的產生，大多是因為不了解。

之前的文章比較偏細節，這篇文章會從大的方面入手，說明我的產品策略模型的方法論，表達我對產品策略模型的理解。

1. 模型沒有高下，只有是否合適

一個模型，大到一個系統，小到一個公式，都沒有對錯之分，只有能否滿足產品預期。好的模型能夠在有限的計算量內，達到產品情景的要求。而差的產品模型也許在紙面上很精確，但是無法滿足產品情景的要求。模型就像是個工具，不能說鎚子是錯的，掃把是對的，只能說鎚子在砸釘子的情形下是滿足預期的，是好的工具。鎚子在掃地的情形下是不滿足預期的，是不好的工具。

2. 信息量！信息量！信息量！

對模型做一下簡化，可以更方便的理解信息量的重要性：把一個模型看做一個黑箱，只有輸入和輸出兩端。輸入的信息經過分析計算，然後輸出最後的分析結果。在模型分析能力相同的情況下，輸入的信息量越大，分析結果效果越好。這樣能承載的信息量，成了一個模型的關鍵因素。當然，處理的信息越多不見得效果越好，但是隨著模型的發展，能處理更多信息的模型最終一定結果很好。

3. 指標！指標！指標！

演算法迭代需要目標值。比如對於AlphaGo 而言，目標是獲勝。對於搜索而言，目標是是準確率、召回率，或者人工評估的nDCG值。（詳細說明可以看之前的專欄做個夠用的搜索，其實也很簡單（一）搜索的原理），對於一個演算法而言，一定是有一個目標值的，而這個目標值需要在演算法模型迭代的過程中，可以隨著模型的變化而變化，確定迭代方向的是否正確。

一個比較通用的方法是，對數據需要划出測試集，用來驗證演算法的效果。比如知乎推薦分析每個人數據預測出了用戶為了會喜歡的內容，可以在第二天使用用戶真實的行為數據和之前的預測進行對比，來確認效果。

有了指標的演算法系統，除了本身迭代的好處，更多的是可以讓不明白演算法原理的人，能夠在黑箱上看到一個錶盤，知道每次迭代，演算法有多大的提升。這對於項目管理和推進有很大的好處。

4. 置信區間和精度

演算法結果夠用就行，片面強調計算的準確性是沒有必要的。比如要計算一個數據精度本身在+-1範圍波動的值，而理論計算得到一個1.8的值本身就夠用了，如果畫費更大的力氣計算出1.834，其實就是無效的。

演算法也一樣，要預測未來的銷售或者需求變化這些本身波動比較大的數據，花大量的經歷計算一個足夠精確的值本身就沒有太大意義，因為太精確就超過了值本身的置信區間。總結而言，精度一定要和置信區間匹配，否則就是浪費。

5. 多因素的湧現，失控的參數控制

好的演算法，不會受到輸入參數的擾動，而極大影響結果準確性；也不會因為數據中的極值，讓結果面目全非。現實情況下，一些異常數據無法避免，參數擾動也無法避免。要考慮多個因素的系統，不能因為一個小問題引起所有結果的失效。其實和《失控》里講的思想有點像，應該是多個因素組合後湧現出結果，這個結果不能依賴很多參數有一個非常精確的值才能起作用

一個想要完全精確控制演算法參數起作用的模型，很有可能就是調整了一個bad case，又引起了一堆別的bad case。

6. 模型的邊界，是人對業務的理解

模型是萬能的么？當然不是。一個模型不可能把全部的信息作為入參。人能夠有效的干預結果，並且根據業務經驗調整演算法模型非常關鍵。模型在淘汰掉很多簡單機械工作的同時，對人的工作提出了更好的要求。

比如，淘寶在個性化推薦遍布全站之前，淘寶的頁面需要大量的運營去填寫補充布局，這部分工作目前已經完全被個性化推薦替代。而且效率更高。但是雙十一怎麼運營，什麼營銷測流，怎麼更好的利用個性化推薦引擎，還是需要產品運營去思考。

同時，在個性化推薦的結果中，也夾雜了大量人工的智慧。大量人工的標註和邊界策略保證了個性化推薦引擎的有效性。人對業務的理解讓模型能夠發揮更大的作用，也正是人對業務的理解形成的外圍策略，構成了模型的邊界。

7.總結

產品策略模型的構建，本身是一個複雜且需要在實踐中不斷打磨進步的過程。很多時候一番計算得到的參數，不如二分法試出來的參數好。很多看似沒有嚴格數學證明和依據的簡單策略，卻能起到好的作用。

產品策略模型不是一塊兒難以理解的黑箱子，但也不是短期內能通過幾篇文章就能快速了解的。既不是萬能的，也絕非華而不實。重要的是先想明白產品遇到了什麼樣的情境，需要使用產品策略模型來解決什麼問題。

如果還有什麼需要再最後強調的，那麼就是產品策略模型一定不是完美的，永遠有問題，永遠有進步的空間，永遠需要去思考和完善。

「若有完美，必有謊言。」這也是產品經理工作最有趣的部分。

------------------------------------

下期預告：【番外三】產品經理，本就該是工匠