产品策略模型方法论谈谈我对产品策略模型的6点理解

1、产品策略模型方法论谈谈我对产品策略模型的 6 点理解产品策略仿真的构建，本身是一个复杂且需要有在实践中不断打磨进步的过程。很多时候一番计算得到的参数，静态不如谬论试出来的参数好。大多数看似没有严格数学证明和依据的简单实则策略，却能起到好的作用。对于大多人而言，产品战法模型是个黑箱。有的人觉得它唯我独尊，有的人觉得它华而不实。偏见的产生，大多是因为不能了解。之前的文章比较更偏细节，这篇文章这方面会从大的方面入手，说明我的产品策略方法学模型的方法论，表达我对产品策略模型策略的推论。一个模型，大到一个系统，小到一个公式，都没有对错之分，只有能否满足产品加息预期。好的模型能够在有限的换算量内，达到产品

2、情景的要求。而差的产品模型也许在纸面上很精确，但是无法满足产品满足用户桥段的要求。数据模型就像是个工具，不能说锤子是错的，扫把是对的，只能说锤子在砸钉子的情形下是满足预期，是好的工具。锤子在扫地的情形下是不满足预期的，是不好的工具。“推荐系统一定要用协同过滤或者机器学习”，“系统内搜索子系统一定带语义分析模糊匹配”，“排序系统内一定要用 edgerank ”，这些都是先入为主地为算法划定的高下，缺不会考虑考虑是否真正符合要求。对模型做一下简化，可以更为方便的份量理解信息量的重要性：把一个分析方法看做一个黑箱，只有输入和输出两端。输入的信息经过分析计算，然后输出最后的分析结果。在模型剖析能力相同

3、的相同情况下，回传的信息量越大，分析结果效用越好。这样能承载的信息量，成了一个图表的关键因素。当然，处理的信息越多不见得效果越 好，但是随着模型的发展，能更多信息的模型最终一定结果很好。算法迭代需要目标值。比如对于AlphaGo而言，目标是获胜。对于搜索而言，目标是是准确率、召回率，或者人工评估的nDCG直。（详细说明可以看之前的之前专文文章：五分钟了解搜索的原理）， 对于一个算法而言，一定是有一个目标值的，而这个目标值需要在算 法模型运算的过程中，可以随着模型的变化而变化，确定迭代方向的 是否正确。一个比较通用的方法是，对数据要划出测试集，用来比对算法的效果。比如知乎推荐分析了人数据预测出所

4、有用户为了会喜欢的内容， 可以在第二天使用用户真实的行为数据和之前的估算进行对比，来确 认效果。有了指标的算法网络系统，除了本身迭代的助益，更多的是人则可以让不明白算法原理的人，能够在黑箱上才看到一个表盘，知道每 次迭代，算法有多大的提升。这项目管理对于财务管理和推进有很大 的好处。算法结果够用就行，片面强调计算的准确性是没有必要的。比如要准确率计算一个数据精确度本身在+-1 范围波动的值，而理论计算得到一个 1.8 的值事实上就够用了，如果画费更大的力气计算出 1.834 ， 其实就是无效的。算法也一样，要预测未来的销售或者需求变化这些本身波动比较大的数据，花大量的经历计算一个足够精确的值本

5、身就没有太并无巨 意义，因为太精确就超过了值本身精细的置信区间。总结而言，精度 一定要和置信区间匹配，否则就是浪费。好的算法，不会受到输入参数的云系，而莫大影响结果准确性；也不会因为数据中的极值，让结果面目全非。现实情况下，一些异常 数据无法避免，参数扰动也无法避免。要考虑多个风险因素的系统， 不能因为一个小问题引起所有结果的失效。其实和失控里讲的思想有点像，应该是多个客观因素组合后涌现出结果，精确结果不能依赖很多参数有一个非常这个的值才能起作用一个想要完全精确控制算法参数起作用的模型，十分有可能就是调整了一个badcase,又引起了一串别的badcase。模型是万能的么？当然不是。一个不可能

6、把全部的信息作为入参。人能够帮助有效的干预结果，并且根据业务经验调整算法模型非常关键。模型在淘汰掉很多简单机械工作的同时，对人的工作提出了更好的要求。比如，淘宝在个性化推荐遍布全站之前，淘宝的页面需要分销大量的运营去填写补充布局，这部分工作目前已经完全被个性化推荐替代。而且效率更高。但是双十一怎么运营，什么营销测流，怎么更好的利用个性化所推荐引擎，还是需要产品运营去思考。同时，在个性化推荐的结果中均，也夹杂了大量滴灌的智慧。大量人工的标注和边界策略保证了个性化推荐引擎的有效性。人对业务的理解让模型能够发挥更大的作用，也正是人对业务的理解已经形成的外围策略，构成了模型的边界。产品策略模型的构建，本身是一个复杂且需要进程在实践中不断打磨进步的过程。好多时候一番计算得到的参数，不如二分法试出来的变量好。这些看似没有严格数学证明规范和依据的简单策略，却能起到好的作用。产品策略模型不是一块儿难以理解的黑箱子，但也不是短期内能通过几篇文章就能快速的。既不是万能的，也绝非华而不实。关键的 是先想明白产品遇到弄清楚了什么样的情境，需要使用必需产品