策略類產品

4 人贊了文章

本文框架：

一、策略類產品概念

1.1 基本概念

由數據驅動，產品化的規則與機制，實現對於用戶的精細化運營，優化產品的用戶體驗，促進相關指標轉化，提升產品業務效率。面對海量信息的處理與匹配，策略類產品依靠於可以持續迭代和改進的眾多策略來提升用戶體驗。策略能夠以更低廉的成本，以更高效，更精準的方案實現各種複雜的數據抓取和分發需求。

1.2 常見功能

供需匹配、內容推薦、用戶分層精細化運營、動態定價、大規模補貼、導流、風控、反作弊等問題。

1.3 普遍特點

提升了整體業務的運轉效率，提升用戶體驗。

1.4 構造「策略」方法框架

理論上，任何一個產品達到一定用戶體量的時候，都一定會產生一些問題需要通過策略手段來解決。分析，定義，設計以及優化「策略」的方法框架參考如下流程圖：

1.5 使用場景

（1）一個產品，隨著用戶體量增加，需要考慮做精細化運營；

（2）一個產品，可能涉及到搜索、推薦、供需匹配等功能模塊需要完成；

（3）一個產品，擁有大規模交易、成交數據，需要提升成交率，優化利潤空間；

（4）一個產品，需要考慮通過數據來驅動用戶增長；

（5）一個成長期的產品，需要考慮通過補貼來規模化拉動用戶增長，並希望自己的補貼方式、形式等能夠變得儘可能高效；

（6）一個產品，涉及到需要解決好風控、反作弊等問題；

二、策略類產品比喻分析

我們做個比喻來更好的理解什麼是策略類產品。

2.1「推薦型策略產品」

一個新聞內容型APP，在用戶體量達到一定階段，無法通過同一個內容流來滿足所有用戶的時候，可以通過給每個人和所有新聞內容分類、打標籤，定義一套匹配規則策略。最後能夠實現給每一個用戶推送更加個性化更符合他興趣的內容，最終實現了用戶活躍度和停留時間兩個指標的上升。

2.2「增長型策略產品」

一個快速增長的產品，增長部門同時面臨著N多渠道過來的用戶，每一類用戶都不一樣。於是對用戶進行分析和分類，然後針對不同類型的用戶設置不同的留存激勵方案。一個用戶只需要填寫一些資料，我們就能夠識別他/她的類型，並匹配給他/她對應的留存激勵方案，最終這幫助我們實現了更高的ROI。

2.3 「定價型策略產品」

一個電商產品，基於其商品的歷史價格變化數據和競品的當前狀況來實現動態定價，判斷在什麼狀態下我們產品的價格應該有何種變化，從而最終實現更高的gmv/revenue/profit。

一套好的策略，將使得產品運轉維護成本更低、效率更高、業務更穩定。

三、策略類產品效果評估

一個複雜的核心策略可由多個相互獨立的子策略構成。子策略雖相互獨立，但互相關聯，一同服務於核心策略，使得整體策略逐步優化。策略質量評估中我們會用到召回率和準確率，以及diff面。當修改某一個子策略時，我們對子策略的質量進行評估會涉及到召回率和準確率。同時為了保證子策略對核心策略無負向影響，我們需要對diff面進行評估（包含diff影響面大小和GSB評估比例，評估結果中Bad不能存在極端badcase，否則Good佔比非常高該策略也是需要改進的）。

召回率 = 目標數據中策略實際召回的數據量 / 目標數據的總量

準確率 = 召回數據中有效數據的量 / 召回數據的總量

3.1 確定評估標準

評估標準規定的是我們用哪些維度的數據來體現策略的效果。評估標準的基本要求：明確，合理。明確，指方向是唯一的，或者有時候是主要方向是唯一的，這個方向，一般也是和策略改進的方向一致的。比如策略產品常見的策略優化目標點擊率、使用率、轉化率等等。合理，指評估的數據維度是和策略產品目標高度相關的，如果你的策略優化的是列表的展示順序，那你就不能把列表召回的內容質量作為評估標準。評估標準的制定我們可遵循MECE原則，即相互獨立，完全窮盡。

3.2 效果預估

效果預估最主要的作用是評估一個需求的價值。它需要說明某個需求在完成之後預計能解決多少問題，帶來多少收益。做好需求預估可以採用合理類比的方法。類比是通過和新策略相似的策略在使用情境也相似的情況下的表現，來類比新策略的表現。相似策略在相似情境下的表現數據，一般可以從兩種途徑獲得。一個是自家產品的其他類似策略的效果，另一個是你還可以收集競爭對手相似策略的效果數據。但由於一些未知的原因，策略上線之後的效果也很可能和你的預估存在差異。

3.3 離線評估

一個全面的離線評估能夠避免我們將不好的策略推向前台，避免不必要的用戶體驗或商業損失。離線評估的兩種方式，人工檢查和機器檢查。人工檢查相對費時費力，但卻是最直觀易達的方式。機器檢查在某些情況下，機器評估能夠覆蓋更多的場景，更能從全局場景下來說明效果好壞。

3.4 線上評估

AB測試是用來對比測試產品線上效果的常用方式。AB測試是將產品的不同策略或設計推給不同的用戶，在一個滿足單一變數試驗的情境中來確定新策略或設計的效果。策略實驗往往伴隨著攜帶效應(carry-over effects), 也就是上一個時間片的策略會對下一個時間片帶來影響。要取得準確的A/B 實驗結果，就要盡量保證每次實驗只針對一個變數進行測試（只有在明確兩個策略是相互獨立，目標指標也相互獨立的情況下才可以同時測試，但這種情況較少）。另外，考慮到開發的時間成本和人力資源耗費，在設計實驗的時候對於策略後期可能會調整的參數盡量開發為即時可重置生效的形式，便於減少後期修改參數變數的成本投入。

四、策略類產品舉例

4.1 滴滴出行

在滴滴打車出現之前，一直都有96103的電話叫車服務網，這個調度即使把司機強加了KPI考核，調度的效率依然非常低。原因在於乘客司機基於地理位置的多端匹配，通過人工的處理是非常低效的。

而滴滴打車的匹配過程，完全基於幾百上千條策略來完成調度工作。其核心策略包括定價產品（例如動態調價）、滴滴全產品線導流產品、滴滴檢索推薦和推薦上車點等等。

例如用戶檢索目的地poi,用戶輸入關鍵詞後，關鍵詞分析策略；相關結果召回，對應的檢索策略；找回結果進行排序展現，此時就需要展現策略。

4.2 今日頭條

在今日頭條出現前，一直都是機器收錄加編輯組合的方式來產生新聞專題，比如新浪可能有大量的編輯人員分別負責不同的頻道，然而因為人工審查的因素，導致了大量的重複轉載。

而通過機器演算法的今日頭條，原則上可以不依賴於任何一個編輯，自動快速產生頻道，把一篇文章歸屬到相關的頻道，不同的用戶也可以看到完全不一樣的首頁和內容。即為：信息流的個性化內容推薦策略。

信息量和用戶量巨大而繁雜，且產品需要滿足不同用戶當前的喜好需求。為實現個性化內容推薦，系統需要分析用戶行為數據，建立並且不斷細化用戶畫像，猜測用戶喜好，過程中還會考慮相關因素的干擾做適當的調整（如時間，地點，天氣等），甚至用協同效應參考相似用戶的內容點擊情況做推薦。因此設計底層的策略推薦系統，才能夠支持個性化推薦，提升用戶體驗。

五、總結

簡單來說，策略類產品即是：

數據分析 → 制定相應策略推動產品 → 優化產品的數據指標/促進相關指標轉化/提升效率

但一個完整的策略類產品還需要進行不斷地迭代更新，根據反饋數據不斷優化產品：

數據分析 → 制定相應策略推動產品 → 優化產品的數據指標/促進相關指標轉化/提升效率 → 定期出策略報告，反饋策略執行情況，為下一階段策略提供數據支撐 → 收集和反饋數據，不斷優化和改進策略效率

策略類產品經理，多針對某一功能，滿足不同用戶在不同場景下的精細化需求。需要PM宏觀的分析每一類人在某些場景下可能存在的不同訴求，並且分析不同人群的規模和需求強度，並對該產品需滿足到什麼廣度和強度做出決策。