產(chǎn)品策略模型的構(gòu)建，本身是一個復(fù)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(shù)，不如二分法試出來的參數(shù)好。很多看似沒有嚴(yán)格數(shù)學(xué)證明和依據(jù)的簡單策略，卻能起到好的作用。

0. 前言

對于大多數(shù)人而言，產(chǎn)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(chǎn)生，大多是因為不了解。

之前的文章比較偏細(xì)節(jié)，這篇文章會從大的方面入手，說明我的產(chǎn)品策略模型的方法論，表達我對產(chǎn)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(tǒng)，小到一個公式，都沒有對錯之分，只有能否滿足產(chǎn)品預(yù)期。好的模型能夠在有限的計算量內(nèi)，達到產(chǎn)品情景的要求。而差的產(chǎn)品模型也許在紙面上很精確，但是無法滿足產(chǎn)品情景的要求。模型就像是個工具，不能說錘子是錯的，掃把是對的，只能說錘子在砸釘子的情形下是滿足預(yù)期的，是好的工具。錘子在掃地的情形下是不滿足預(yù)期的，是不好的工具。

“推薦系統(tǒng)一定要用協(xié)同過濾或者機器學(xué)習(xí)”，“搜索系統(tǒng)一定帶語義分析模糊匹配”，“排序系統(tǒng) 一定要用edgerank”，這些都是先入為主地為算法劃定的高下，缺沒有考慮是否真正符合要求。

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(jīng)過分析計算，然后輸出最后的分析結(jié)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(jié)果效果越好。這樣能承載的信息量，成了一個模型的關(guān)鍵因素。當(dāng)然，處理的信息越多不見得效果越好，但是隨著模型的發(fā)展，能處理更多信息的模型最終一定結(jié)果很好。

3. 指標(biāo)！指標(biāo)！指標(biāo)！

算法迭代需要目標(biāo)值。比如對于AlphaGo 而言，目標(biāo)是獲勝。對于搜索而言，目標(biāo)是是準(zhǔn)確率、召回率，或者人工評估的nDCG值。（詳細(xì)說明可以看之前的專欄文章：五分鐘了解搜索的原理），對于一個算法而言，一定是有一個目標(biāo)值的，而這個目標(biāo)值需要在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(shù)據(jù)需要劃出測試集，用來驗證算法的效果。比如知乎推薦分析每個人數(shù)據(jù)預(yù)測出了用戶為了會喜歡的內(nèi)容，可以在第二天使用用戶真實的行為數(shù)據(jù)和之前的預(yù)測進行對比，來確認(rèn)效果。

有了指標(biāo)的算法系統(tǒng)，除了本身迭代的好處，更多的是可以讓不明白算法原理的人，能夠在黑箱上看到一個表盤，知道每次迭代，算法有多大的提升。這對于項目管理和推進有很大的好處。

4. 置信區(qū)間和精度

算法結(jié)果夠用就行，片面強調(diào)計算的準(zhǔn)確性是沒有必要的。比如要計算一個數(shù)據(jù)精度本身在+-1范圍波動的值，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。

算法也一樣，要預(yù)測未來的銷售或者需求變化這些本身波動比較大的數(shù)據(jù)，花大量的經(jīng)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(qū)間?？偨Y(jié)而言，精度一定要和置信區(qū)間匹配，否則就是浪費。

5. 多因素的涌現(xiàn)，失控的參數(shù)控制

好的算法，不會受到輸入?yún)?shù)的擾動，而極大影響結(jié)果準(zhǔn)確性；也不會因為數(shù)據(jù)中的極值，讓結(jié)果面目全非?，F(xiàn)實情況下，一些異常數(shù)據(jù)無法避免，參數(shù)擾動也無法避免。要考慮多個因素的系統(tǒng)，不能因為一個小問題引起所有結(jié)果的失效。其實和《失控》里講的思想有點像，應(yīng)該是多個因素組合后涌現(xiàn)出結(jié)果，這個結(jié)果不能依賴很多參數(shù)有一個非常精確的值才能起作用

一個想要完全精確控制算法參數(shù)起作用的模型，很有可能就是調(diào)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(yè)務(wù)的理解

模型是萬能的么？當(dāng)然不是。一個模型不可能把全部的信息作為入?yún)?。人能夠有效的干預(yù)結(jié)果，并且根據(jù)業(yè)務(wù)經(jīng)驗調(diào)整算法模型非常關(guān)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(jīng)完全被個性化推薦替代。而且效率更高。但是雙十一怎么運營，什么營銷測流，怎么更好的利用個性化推薦引擎，還是需要產(chǎn)品運營去思考。

同時，在個性化推薦的結(jié)果中，也夾雜了大量人工的智慧。大量人工的標(biāo)注和邊界策略保證了個性化推薦引擎的有效性。人對業(yè)務(wù)的理解讓模型能夠發(fā)揮更大的作用，也正是人對業(yè)務(wù)的理解形成的外圍策略，構(gòu)成了模型的邊界。

7.總結(jié)

產(chǎn)品策略模型的構(gòu)建，本身是一個復(fù)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(shù)，不如二分法試出來的參數(shù)好。很多看似沒有嚴(yán)格數(shù)學(xué)證明和依據(jù)的簡單策略，卻能起到好的作用。

產(chǎn)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(nèi)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(chǎn)品遇到了什么樣的情境，需要使用產(chǎn)品策略模型來解決什么問題。

如果還有什么需要再最后強調(diào)的，那么就是產(chǎn)品策略模型一定不是完美的，永遠(yuǎn)有問題，永遠(yuǎn)有進步的空間，永遠(yuǎn)需要去思考和完善。

“若有完美，必有謊言?！边@也是產(chǎn)品經(jīng)理工作最有趣的部分。

本文由 @潘一鳴 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。