產(chǎn)品經(jīng)理這個(gè)崗位在這幾年可謂大熱?？蓪?duì)于“策略產(chǎn)品經(jīng)理”，很多人都表示不懂了。畢業(yè)后進(jìn)了一家大數(shù)據(jù)模型公司，我也是花了好一段時(shí)間，才慢慢理解模型、策略、大數(shù)據(jù)這類字眼，明白究竟是些什么內(nèi)容，是玩什么、怎么玩的。在這里，我結(jié)合目前積累的不太多的工作經(jīng)驗(yàn)，和大家做一個(gè)簡(jiǎn)易的分享。

本文中，我拿一個(gè)比較好玩的例子來(lái)講解——以男性找女友為例，解析策略產(chǎn)品經(jīng)理如何發(fā)揮他的特性與能力，實(shí)現(xiàn)這一目標(biāo)。

策略產(chǎn)品經(jīng)理和普通產(chǎn)品經(jīng)理的日常工作，有什么區(qū)別呢？

如果說(shuō)產(chǎn)品經(jīng)理的核心工作是對(duì)用戶痛點(diǎn)形成解決方案；那么策略產(chǎn)品經(jīng)理的核心工作，就是結(jié)合數(shù)據(jù)分析對(duì)用戶痛點(diǎn)形成定制化的解決方案。

為了滿足男性找女友的需求，各個(gè)產(chǎn)品經(jīng)理絞盡腦汁：

• 普通PM做出一個(gè)產(chǎn)品：為男性用戶推薦大量異性，讓他在里面挑選。
• 策略PM策劃一個(gè)模型：輸入某男性，對(duì)應(yīng)輸出符合該男子心目中女神條件的女性。

那么，針對(duì)策略PM，他的工作流程是什么樣子的呢？

搭建模型的流程：

Step1：發(fā)現(xiàn)和提出問(wèn)題

了解用戶需求，從用戶調(diào)研中得到定性的判斷，再通過(guò)數(shù)據(jù)分析得到定量的論據(jù)。

定性判斷

這位策略PM，約了大批哥們兒羞羞夜聊，經(jīng)歷了幾天幾夜的熄燈長(zhǎng)談，收集了大量信息，做出總結(jié)：男人在選擇女人的時(shí)候，會(huì)看容貌、看身材、看性格、看家境、看學(xué)歷、看薪資、看……

定量論據(jù)

通過(guò)不完全統(tǒng)計(jì)，90%的男性會(huì)將女人的臉作為70%的決策因素（這數(shù)據(jù)只是為了舉例子瞎掰的哈），等等之類的。

Step2：拆解問(wèn)題，制定解決方案

PM從業(yè)務(wù)中提出有助于模型識(shí)別的關(guān)鍵特征，也就是模型的變量。若涉及多個(gè)模型，需將這些特征結(jié)構(gòu)化，根據(jù)不同業(yè)務(wù)目的將特征歸類并形成不同的子模型。

策略PM說(shuō)，好噠，接下來(lái)我們就開(kāi)始提取變量吧。

形象：身高、體重、三維、罩杯、膚色、發(fā)色、臉型、瞳距、睫毛長(zhǎng)度、嘴巴大小……

性格：

• 手機(jī)社交app下載量
• 參加社團(tuán)/俱樂(lè)部數(shù)量
• 微信好友數(shù)量
• 近一個(gè)月外出聚餐次數(shù)
• 近一個(gè)月蹦迪次數(shù)
• 近一個(gè)月流淚次數(shù)
• 近一個(gè)月發(fā)火次數(shù)
• 最近大笑分貝峰值
• ……

資產(chǎn)：

• 工資水平
• 近半年消費(fèi)奢侈品次數(shù)
• 近一年貸款總額度
• 近一年貸款次數(shù)
• 使用護(hù)膚品價(jià)位檔次
• 使用手提包價(jià)位檔次
• 近一個(gè)月消費(fèi)餐廳人均價(jià)格
• ……

Step3：跟進(jìn)策略模型的開(kāi)發(fā)落地

策略PM把以上這些需求信息梳理出來(lái)，接下來(lái)交給策略RD去進(jìn)行模型構(gòu)建。策略RD接過(guò)需求，對(duì)數(shù)據(jù)進(jìn)行確認(rèn)和理解，并做接下來(lái)的數(shù)據(jù)處理。

1）樣本選取

選一定時(shí)間周期內(nèi)的樣本數(shù)據(jù)，做隨機(jī)樣本集，劃分訓(xùn)練集、測(cè)試集、驗(yàn)證集。

為了讓這個(gè)例子再簡(jiǎn)單點(diǎn)，我們假設(shè)全世界的女人只有A和B兩種，且樣本中的男人都只喜歡一種女人。

策略PM選取了一批真實(shí)數(shù)據(jù)樣本，一共1W條，信息如下：

2）變量選取

結(jié)合業(yè)務(wù)形式來(lái)做選擇，選出合適數(shù)量的描述性變量，并對(duì)變量做進(jìn)一步衍生工作。

也就是前面策略PM已經(jīng)選取的變量啦，結(jié)合本次業(yè)務(wù)需求，選出合適的變，比如身高、體重……

那么對(duì)應(yīng)樣本數(shù)據(jù)為：

3）數(shù)據(jù)處理

需對(duì)異常數(shù)據(jù)進(jìn)行處理，包括缺失值、極端值等。

缺失值比如：1W條樣本數(shù)據(jù)中，出現(xiàn)了部分“王五-（空）-43kg-……-A”的情況。

常見(jiàn)處理方法：直接刪除；根據(jù)樣本相似性填補(bǔ)；根據(jù)變量間相關(guān)性填補(bǔ)。

極端值比如：出現(xiàn)了“王六-168cm-9999kg-……-A”的明顯偏離的數(shù)據(jù)。

常見(jiàn)處理方法：離群值監(jiān)測(cè)等。

4）變量處理

對(duì)定性變量進(jìn)行量化的處理。

比如性格情況，無(wú)法用數(shù)據(jù)表明，可以用0代表內(nèi)向，1代表活潑等等。

常用處理方法：變量分箱、WOE分析，等等。

5）變量選擇

用清洗后的數(shù)據(jù)，檢查變量之間的相關(guān)性，以模型的IV作為變量篩選的依據(jù)。

IV：information value，衡量某一變量的信息量，用來(lái)表示一個(gè)變量的預(yù)測(cè)能力。

IV——預(yù)測(cè)能力

• <0.03——無(wú)
• 0.03~0.09——低
• 0.1~0.29——中
• 0.3~0.49——高
• >=0.5——極高

Step4：制定評(píng)估方案，完成效果評(píng)估

最后，如果這是一個(gè)成型的模型，輸入一位男人的名字，就能輸出猜測(cè)其偏好的女性類型；如果這是一個(gè)成功的模型，輸出的結(jié)果應(yīng)該較為精準(zhǔn)。

千千萬(wàn)萬(wàn)，至于如何做到為入?yún)⒌哪行愿珳?zhǔn)地推薦到心水的女神，正是對(duì)策略PM的產(chǎn)品設(shè)計(jì)能力、模型研發(fā)和技術(shù)水平的考驗(yàn)。

包括某些音樂(lè)APP給你推薦的歌曲、資訊APP推薦的文章等等，為什么有些APP簡(jiǎn)直神了，十次推薦中九次擊中我芳心，正是策略模型的效果。

總結(jié)

什么是策略和模型？

策略是根據(jù)形勢(shì)發(fā)展、基于數(shù)據(jù)分析而制定的解決方案。模型是對(duì)收集的數(shù)據(jù)集合經(jīng)過(guò)統(tǒng)計(jì)分析后，總結(jié)出的數(shù)據(jù)規(guī)律關(guān)系。

我們?yōu)槭裁葱枰呗裕?/h3>

在產(chǎn)品的用戶客群和應(yīng)用場(chǎng)景較集中的時(shí)候，用功能性的思維能解決多數(shù)的問(wèn)題。

但是，當(dāng)用戶數(shù)量增長(zhǎng)到一定的規(guī)模，不同群體和不同場(chǎng)景之間交織，產(chǎn)生難以計(jì)數(shù)的訴求，單純通過(guò)產(chǎn)品功能的思維是難以滿足用戶需求、或者說(shuō)帶來(lái)特別滿意的用戶體驗(yàn)的。

這時(shí)候，策略PM就該登場(chǎng)了，為不同特征客群的痛點(diǎn)，“量身定做”針對(duì)化的解決方案，打造更為舒適的用戶體驗(yàn)。而當(dāng)收集用戶行為數(shù)據(jù)越多，模型判斷準(zhǔn)確性越高，用戶對(duì)模型反應(yīng)效果好的概率越高。

歡迎交流。若有說(shuō)得不對(duì)的，你你比較好看：）給大佬倒橙汁。

 

作者：彭靖文

來(lái)源：https://mp.weixin.qq.com/s/rNpvEo8kuVyWjtlEEqZAKA

本文由 @彭靖文 授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議