作為一名沒有“搜索/推薦策略”經(jīng)驗的產(chǎn)品經(jīng)理來說，想要轉(zhuǎn)型策略產(chǎn)品有可能嗎？轉(zhuǎn)型路上都要學(xué)習(xí)什么知識與技能呢？筆者將結(jié)合自己成功轉(zhuǎn)型策略產(chǎn)品經(jīng)理的經(jīng)驗，為你分析需要掌握的知識點。

一、推薦策略和算法

當(dāng)我們有了標(biāo)簽體系，采集到了用戶的數(shù)據(jù)，我們要從這些數(shù)據(jù)中“讀”出有用信息從而為用戶打上標(biāo)簽，這里會涉及到數(shù)據(jù)挖掘，自然語言處理，語義理解，機器學(xué)習(xí)等技術(shù)。

1. 分詞方法

比如一個用戶看了一篇新聞發(fā)表了一個評論，我們想要了解他說了什么，提取出對我們有用的信息。

這里就涉及到了分詞技術(shù)，比如“如果真是計算機就好了”這句話。

說幾種比較簡單的分詞方法，比如按照字典分詞，字典通常采用前綴樹或者后綴樹的數(shù)據(jù)結(jié)構(gòu)存儲，進(jìn)行正向最大匹配。

以上面的為例“如”后跟“果”，“如果”是一個詞語，再看第三個字“如果真”不是一個詞，繼續(xù)向下，發(fā)現(xiàn)都不是一個詞組，那么就在“如果”這里進(jìn)行切分?！坝嬎恪笔且粋€詞，繼續(xù)向下“計算機”也是一個詞語，“計算機就”不是一個詞語，再往下發(fā)現(xiàn)到最后依然組不成詞組，那么在“計算機”這里切分。

以上句子存在的交集型歧義也需要解決，“如果”和“果真”都是詞語，語義理解時計算機語言讀懂句子用到的是“如果”而不是“果真”。

這里還有一種分詞方法是基于統(tǒng)計的分詞方法，即我們常說的貝葉斯分詞，即通過大量語料積累進(jìn)行機器學(xué)習(xí)，統(tǒng)計出一個字后面跟另一個字的概率，從而進(jìn)行分詞。

2. 語義理解

語義理解中還要進(jìn)行情感的理解，以及邏輯推理。情感理解，舉個例子，如果是在OTA上定了一個旅店，住了一晚然后給出了評價，比較明顯的情感評價是“環(huán)境太好了”“熱水器真糟糕”。

不易發(fā)現(xiàn)的情感如“提供了早餐”，其實我們可以看出提供早餐是用戶的褒義評價，但可能一般的算法讀不出來。

再比如如果網(wǎng)購的地址填寫的是學(xué)生宿舍，那么算法也需要大量學(xué)習(xí)，進(jìn)行推理，從收貨地址是學(xué)生宿舍推理出用戶是學(xué)生，這就像百度的知識圖譜。

3. 用戶畫像

接下來我想聊一下用戶畫像的幾個分類，比如基本信息，如姓名，性別，年齡，生日，星座，設(shè)備號，職業(yè)，學(xué)歷，手機號，郵箱等。這類特征是可以長時間不進(jìn)行更新的，比較固定。

但對于這個新聞app有個問題，比如對于社交軟件，用戶樂于填寫個人信息，但對于新聞app，可能100人，有30個人填寫了信息，另外70個人不去填寫。

這里我們?yōu)榱私o這70個用戶打標(biāo)簽，就需要用這30個人做為樣本集，進(jìn)行學(xué)習(xí)。

比如通過學(xué)習(xí)，了解男性用戶和女性用戶的特點有什么不同，比如男性用戶早晨更喜歡看時事新聞，晚上喜歡看玄幻小說，女性用戶早上喜歡看娛樂熱點，晚上喜歡看言情小說。通過得出的這些特征，進(jìn)行“標(biāo)簽擴散”，為那70個未填寫性別信息的用戶打上性別標(biāo)簽。

接下來我們說一下興趣愛好和行為特征，這類標(biāo)簽是經(jīng)常變化的，具有時期時效性。

比如我們?yōu)榱酥酪粋€用戶對哪類新聞感興趣，設(shè)計了一個打分加權(quán)模型，每點一個分類的新聞就加一分，線性增長。

比如用戶30天點了156次軍事新聞，就156分，點了45次歷史文章歷史就是45分，我們可以看出用戶最喜歡看的是軍事，其次是歷史。于是我們主要給他推薦軍事，其次是歷史。

但這里有個問題，如果某一天開始，用戶開始對娛樂新聞感興趣了，即他目前更想看的是娛樂新聞，但因為歷史數(shù)據(jù)積累軍事新聞權(quán)重太高，短期內(nèi)算法無法推送娛樂新聞給他，那么線性打分模型是不合適的。

我想這里可以采用指數(shù)模型，比如對某個類別的興趣權(quán)重滿分是10分，前9次每次1分，第10次開始每次在之前基礎(chǔ)上，加9*10的-（n-9）次方，第10次就是9.9，第11次點擊軍事就是9.99，以此類推，讓權(quán)重不斷逼近10。

當(dāng)然我們還要通過其他特征調(diào)整權(quán)重，比如打開頻率，如三天看1次軍事的，還是一小時看3次軍事的。這樣當(dāng)用戶開始對新的類別感興趣的時候，可以更快的得到推薦。

4. 常用算法

這里我們來說一下推薦算法。首先我們會把用戶和新聞分別標(biāo)簽化，來講一下協(xié)同。

比如甲用戶喜歡軍事和娛樂，乙用戶喜歡科技和文學(xué)。甲乙用戶標(biāo)簽化后相似度很高，達(dá)到了一定閾值，那么我們可以認(rèn)為乙用戶喜歡的分類，甲用戶可能也喜歡，于是我們把科技和文學(xué)推薦給了甲用戶。這是基于用戶的協(xié)同。

如果甲喜歡a文章，a和b文章標(biāo)簽化后相似度很高，那么我們猜測甲也會喜歡b文章。

如果有甲乙丙三個用戶，甲乙喜歡a文章也會喜歡b文章，丙喜歡a文章，那么我們根據(jù)“所有喜歡a文章的用戶都會喜歡b文章”可以猜測丙用戶也會喜歡b文章。

基于相似度的推薦涉及到一個公式，這個公式來源于搜索引擎，因為搜索引擎的查詢系統(tǒng)要根據(jù)用戶輸入的關(guān)鍵詞對抓取到的網(wǎng)頁按照相關(guān)度進(jìn)行排序，從而展現(xiàn)在用戶面前。這個模型就是向量空間模型，余弦相似度公式。

我們給用戶打上不同的標(biāo)簽，分配不同的權(quán)重，比如abc三個標(biāo)簽，權(quán)重分別是λ1λ2λ3。每個標(biāo)簽量化到一個坐標(biāo)軸，這樣我們在一個三維坐標(biāo)系可以唯一確定一個向量。同時我們把眾多的新聞也進(jìn)行向量化，得出和用戶標(biāo)簽向量的相似度，推薦排序按照相似度從高到底排序。就實現(xiàn)了推薦。

但這里也會有一些常見問題，比如如果我們標(biāo)簽打的很多，也就是向量維度很多，其中有一些維度就因為數(shù)據(jù)空白太多而影響準(zhǔn)確性。比如如果“轉(zhuǎn)發(fā)”是一個維度，100個用戶只有5個人轉(zhuǎn)發(fā)，那么在轉(zhuǎn)發(fā)這個維度上只有5個人有數(shù)值，其他95個人此維度就會被置為空，如果這種維度過多，就影響相似度計算。

面對這樣的情況，我認(rèn)為是否可以把這樣的標(biāo)簽不單獨設(shè)置維度，而是以加權(quán)的形式加到前面維度的權(quán)重上，從而解決這個問題。

5. 一些思考

這里還有一個問題在于，比如還是在旅店，甲旅店評價標(biāo)簽是環(huán)境好5分，設(shè)施齊全5分，有早餐3分。乙旅店環(huán)境好5分，設(shè)施齊全5分。我們顯然知道甲旅店更好一些，因為甲旅店還提供早餐，雖然不是5分滿分，但多了一個服務(wù)。但是如果按照打分模型給標(biāo)簽分配不同的權(quán)重，因為早餐這個標(biāo)簽甲旅店不是5分滿分，所以總評分反而沒有乙旅店高。會存在這樣的例子，所以甲乙旅店標(biāo)簽可能需要進(jìn)行統(tǒng)一化。

最后我們來說一下地理信息，比如我的常駐地是北京，app每天給我推薦北京本地的新聞，有天我去威海旅游了，那么app本地新聞的版塊應(yīng)當(dāng)做到靈敏反應(yīng)。

再來談一下高級標(biāo)簽的模型搭建，比如用戶流失模型，是一天登一次，三天登一次，一周不登一次，一個月不登一次等等，劃分abcd等流失級別。以及活躍度等標(biāo)簽。這種模型更常見的是天氣預(yù)報app，里面的穿衣指數(shù)，洗車指數(shù)就通過構(gòu)建模型建立。

二、AB測試實驗設(shè)計和策略效果

1. AB測試

當(dāng)我們設(shè)計了一個策略方案，我們需要分組來測試效果。

比如我們針對通勤場景，從用戶角度出發(fā)，感覺在有線環(huán)境下，與無線環(huán)境相比，用戶更少點擊視頻或者純圖的資訊。

因此我們提出假設(shè)，設(shè)計策略，即在有線環(huán)境下，減少信息流上視頻和純圖資訊的比例。

將同質(zhì)用戶分組，控制唯一變量，對照組為目前情況，實驗組幾組分別在有線情況下，減少視頻和純圖資訊30%，40%，50%，60%，70%。

同時我們要多加一組和對照組相同的組，進(jìn)行aa測試，以保證沒有其他因素帶來自然波動。后期看數(shù)據(jù)時方便查看。

2. 效果思考

我們設(shè)計好了標(biāo)簽體系，為用戶進(jìn)行了畫像，還做了新聞推薦，那么我們的標(biāo)簽打的如何呢？需要進(jìn)行評估，評估的話就涉及到了量化的指標(biāo)。

比如我們在一批同質(zhì)同標(biāo)簽用戶中，給其中一部分推送他們喜愛的新聞。我們來看他們的點擊次數(shù)和瀏覽時長是否相對另一組用戶要大。如果大，可能我們的標(biāo)簽體系就建設(shè)的不錯。

3. 分析思考

如果一個用戶我們判定他喜愛娛樂-國內(nèi)-xx明星，我們推送了這個明星的另一篇報道給他。他點進(jìn)去沒怎么看就出來了，這一定是我們標(biāo)簽打錯了嗎？

我認(rèn)為不一定，可能他前面看的文章和推薦文章內(nèi)容相似，也可能前面看的文章內(nèi)容篇幅高度文筆都高于后一篇。那么如果我們推薦一篇和他看過的文章內(nèi)容不同，質(zhì)量相當(dāng)?shù)乃信d趣的明星的文章，他依然點進(jìn)去就出來，會是什么原因呢？我認(rèn)為可能會是觀點相反，比如第一篇文章是褒獎此明星的，推薦的是抨擊該明星的，所以用戶跳出。

這里我認(rèn)為文章應(yīng)該有分級機制，比如分一類二類三類，我從面試官處了解到公司確實有。我繼續(xù)問比如同一篇文章是否只有一個通用級別，還是說它是軍事一類，同時屬于歷史三類文章。面試官說是通用的，還沒有細(xì)分。

同時這里也會有個問題，就是沒有作者喜歡自己的文章被分級，而是喜歡讓更多的用戶看到。

還有目前在內(nèi)容標(biāo)簽體系中也會存在內(nèi)容交叉的問題，比如軍事下面的歷史和歷史下面的軍事，這也是需要解決的問題。

同時關(guān)于內(nèi)容標(biāo)簽體系的建立，我認(rèn)為像我開始說到的，關(guān)鍵詞提取和標(biāo)簽體系分開。結(jié)構(gòu)化標(biāo)簽和非結(jié)構(gòu)化標(biāo)簽合作。

提取文中能代表本文內(nèi)容的關(guān)鍵詞，這里我來說一下搜索引擎中的一個tf-idf加權(quán)技術(shù)，這個技術(shù)說的是，如果一個詞語再本文中出現(xiàn)的越多，在其他文章中出現(xiàn)的越少，則這個詞語具有很好的代表性。tf是這個詞語在本文中出現(xiàn)的頻率，比如分詞后本文有100個詞，產(chǎn)品經(jīng)理出現(xiàn)了5次，則5/100得到的0.05就是詞頻。

我認(rèn)為內(nèi)容標(biāo)簽關(guān)鍵詞體系的設(shè)計，除了產(chǎn)品，算法，同時也需要運營支持，采用機器+人工的方式。

三、數(shù)據(jù)指標(biāo)、標(biāo)簽可視化

上面有談到數(shù)據(jù)指標(biāo)體系建設(shè)，按照業(yè)務(wù)線分開，按照高低優(yōu)區(qū)間分開。接下來應(yīng)當(dāng)按照查看要求，用合適的圖形繪制，比如如果是看數(shù)據(jù)的趨勢可以用點線圖，如果要看數(shù)據(jù)占比可以用扇形圖，如果要看數(shù)據(jù)離散程度同時為數(shù)據(jù)擬合做基礎(chǔ)，可以用散點圖。我們把每個需要的指標(biāo)圖形繪制出來。

然后我們需要了解業(yè)務(wù)上的目標(biāo)或者我們的目的，再按照用戶的業(yè)務(wù)邏輯或者分析邏輯進(jìn)行組合。

比如負(fù)責(zé) VIP 商戶的部門想看上個月每個城市 VIP 商戶的銷售額和毛利。我們可以用柱狀圖橫向列出各城市的銷售額和毛利，上面用扇形圖集合分布展示，比如用扇形圖的面積代表銷售額，面積越大銷售額越大，用顏色深淺代表毛利的大小，顏色越深毛利越多。

如果a和b兩個城市扇形圖面積差不多大，但是a城顏色更深，那么我們需要進(jìn)一步分析a城毛利高的原因，從而指導(dǎo)b城盈利。于是我們下鉆到下層頁面，下層頁面可以具體顯示ab兩城米面糧油四個品類的毛利，我們舉例簡單點，比如通過對照，發(fā)現(xiàn)米面糧ab兩城毛利差不多，油這個品類a明顯高于b，那么業(yè)務(wù)人員可以定位到是那個品類的問題，再從也許場景去找到根本原因。

關(guān)于指標(biāo)和標(biāo)簽我認(rèn)為應(yīng)該根據(jù)實際情況組合或者分開設(shè)計。比如可以把報表，圖形，運營工具，標(biāo)簽畫像，接口分開。

當(dāng)我們的原型圖設(shè)計好后可以找需求方確認(rèn)，并邀請研發(fā)，業(yè)務(wù)一起開評審會，確認(rèn)沒問題后開發(fā)測試上線。

從本質(zhì)上來說做產(chǎn)品的過程都是發(fā)現(xiàn)問題——分析問題——給出方案——落實方案——評估迭代。

但數(shù)據(jù)產(chǎn)品經(jīng)理和其他產(chǎn)品經(jīng)理還是有些區(qū)別的，比如一般的產(chǎn)品可能更注重交互，頁面美觀度，用戶感知等。但數(shù)據(jù)產(chǎn)品更注重邏輯。再比如普通產(chǎn)品如果有問題或者bug如果不是特別緊急可以放在下一版本解決，但是數(shù)據(jù)產(chǎn)品一旦有問題，需要立刻解決從而保證數(shù)據(jù)準(zhǔn)確性。

但無論如何我們都要考慮，用戶是誰，他們有什么特點，產(chǎn)品價值有多大，目前的滿足程度。同時考慮成本與收益的關(guān)系，比如考慮人力成本，資源成本，沉沒成本，用戶成本等。

當(dāng)產(chǎn)品開發(fā)后，我們可以先為部分用戶開放權(quán)限進(jìn)行內(nèi)測，比如跑一周的數(shù)據(jù)如果沒有問題再進(jìn)行公測。同時這里應(yīng)該也要做好用戶權(quán)限的設(shè)計管控，可以把用戶崗位職級——系統(tǒng)模塊角色——具體模塊三者聯(lián)系起來，讓不同部門不同職級不同職責(zé)的用戶看到不同的內(nèi)容。

如果有數(shù)據(jù)質(zhì)疑需要排查?？梢苑譃槿?對口徑，查代碼，導(dǎo)明細(xì)。

比如一個業(yè)務(wù)人員說在業(yè)務(wù)系統(tǒng)看到a指標(biāo)的數(shù)值和bi系統(tǒng)上的不一樣。那么我們首先要確定數(shù)據(jù)源和指標(biāo)口徑統(tǒng)計方式是否相同。

一般第一步可以解決絕大多數(shù)的問題。

如果第一步不行，我們可以叫兩個系統(tǒng)的研發(fā)對代碼，看是否代碼有問題，是否用的不是一個數(shù)據(jù)表。

如果第二步依然不行，我們可以導(dǎo)出兩個系統(tǒng)指標(biāo)的明細(xì)數(shù)據(jù)進(jìn)行核查。

四、運營分析與迭代

在運營中我們可能需要通過分析來發(fā)現(xiàn)問題。比如可以通過指標(biāo)邏輯，比如看到銷售額暴跌，影響銷售額的子指標(biāo)是下單商戶數(shù)和客單價，然后再分析這倆指標(biāo)，按照指標(biāo)邏輯看看哪里出了問題。也可以按照aarrr模型（獲取，激活，留存，支付，分享）或者漏斗模型（訪問，抵達(dá)，瀏覽，咨詢，收藏，下單，支付）或者用戶操作路徑等模型一個個環(huán)節(jié)分析。

還可以按照業(yè)務(wù)場景分析，比如采購，運送，倉儲，分揀，配送，售后等環(huán)節(jié)一步步分析。

再比如有個問題，說一家商場中每天的總營業(yè)額都差不多，某一天其中一家商店的營業(yè)額驟降，商場總得營業(yè)額還是差不多。

那么我們首先應(yīng)該了解這個商店往日占到商場總營業(yè)額的比例，如果比例較高，則表示可能客戶流失到其他商店，所以導(dǎo)致商場營業(yè)額不變而此商店驟降。

如果此商店比例較小，不對商場有什么影響。那么我們考慮內(nèi)外部因素，外部因素比如受到某個事件影響。

內(nèi)部因素可從客戶體驗流程分析，比如商店是否裝修，服務(wù)是否降低，貨品是否過期或缺失，價格是否升高等等。

問題都需要在運營中發(fā)現(xiàn)，用戶的增長也需要運營去針對性的做精細(xì)化運營。

五、面試經(jīng)過

那日下午，我去參加面試，那是我第一次應(yīng)試策略崗位，面試官是個很年輕的大哥，后來成了我的領(lǐng)導(dǎo)，入職后才知道他也是從那家搜索大廠出來的。

面試開始，他先讓我做自我介紹，再介紹下以往的經(jīng)歷和做過的項目。然后問到我在那家搜索大廠的經(jīng)歷，雖然當(dāng)時我做的不是核心策略，但是懂很多的策略知識，我當(dāng)時也寫在了簡歷上。他覺得我的經(jīng)歷不是很匹配，但看到我簡歷上所寫，就讓我說說自己知道的知識，以及如果讓我做新聞資訊的畫像和推薦我要怎么做。

簡而言之，就是做一場產(chǎn)品思路的陳述。

我覺得這是個機會，就把前文中提前學(xué)到的知識，串起來在面試官面前一步步講解，說出自己的思考和想法。后來面試官問了幾個發(fā)散的問題。持續(xù)了一個小時，再后來涉及到了算法，于是喊了算法工程師來面我，

算法工程師問了我對一些算法的基礎(chǔ)了解，以及說出一些算法面臨的問題該如何調(diào)優(yōu)，讓我發(fā)散性的考慮下，我做了陳述。又過了半小時，就是hr的面試。一周后我收到了offer。

對于這次經(jīng)歷，我總結(jié)一下吧。我是個普通高校的畢業(yè)生，因為大廠對做策略的門檻比較高，要么有經(jīng)驗，要么本科985 211或者碩士畢業(yè)，所以之前我會被一些大廠卡。

當(dāng)決定一定要向自己熱愛的策略努力的時候，我先自己買書學(xué)習(xí)，在網(wǎng)站上看文章學(xué)習(xí)，然后做筆記，每次面試前都會過一遍筆記，直到自己可以把那些內(nèi)容背出來。我也買了一塊白板，當(dāng)自己的一塊知識有了架構(gòu)后，給我做研發(fā)的朋友試講一次，讓他也能聽懂。表示我掌握了。

我深知策略需要很強的實踐，只有實踐才能有經(jīng)驗，那些策略的結(jié)果和數(shù)據(jù)，不是看書或者想象就能得到的。但在沒有入行之前，我們唯有不停的學(xué)習(xí)，拓展知識面，擴充知識儲備。等待每一次面試機會的來臨。

入職后，我的老板也挺喜歡我，帶我一起做了一些策略，我終于轉(zhuǎn)方向成功了。

以上全部就是我這次面試的經(jīng)過和所做的準(zhǔn)備，希望對大家有用。

六、結(jié)語

春已至，生活雖是曲折前進(jìn)的，但每個追求夢想的產(chǎn)品人，都在深情的堅持著。我走過很多路，才有機會和滿是碩士海龜?shù)耐聜冏谝黄疝k公。

我相信執(zhí)著過才知道機會的難能可貴，祝大家都能做到自己喜歡的方向。

#專欄作家#

大鵬，公眾號：一個數(shù)據(jù)人的自留地。人人都是產(chǎn)品經(jīng)理專欄作家《數(shù)據(jù)產(chǎn)品經(jīng)理修煉手冊》作者。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議