世界是被概率支配的

作為策略產品，我們首先要建立的認知是：世界是被概率支配的。

一方面，每個用戶具備群體性，他的行為總會歸屬于某一個群體 或 多個群體。

另一方面，用戶同樣具備個體性 和 隨機性，總會有偏離群體的行為與選擇。

所以，策略產品首先要建立對于“概率”的認知：

承認個體性，我們不可能做到百分之百的用戶滿意。即便我們滿足了用戶全部所說的，他一樣會心口不一。

發現群體性，去認知這個群體在特定場景下的意圖、去嘗試理解他們的行為，從而制造產品以迎合這一群體的在概率意義上的選擇與行為。

如果放到體育賽事里，這個概率就是球隊勝負的賠率

如果放到星座占卜里，這個概率就是我們認知的“令人厭惡的、嚴于律人的處女座”（呃，我就是處女座。。。。）

承認了概率之后，我們才會認知到“算法不是萬能的，BadCase是永遠存在”

不會說出“如果算法推的準，就不會有BadCase，用戶就會非常滿意”這類表述。

告別試圖全知全能的妄念，轉而去思考更好的與算法協作

從規則到深度學習

規則是最簡單的策略實現

在實際的業務場景里，產品經理最容易給出的判斷就是規則：”如果用戶滿足了條件A，就會觸發動作B“

如果用戶收藏了產品，就給用戶進行推薦；

如果用戶下單未支付，就給用戶發短信 or 優惠券。。。。

諸如此類，都是最為典型的場景，IF-THEN 語句屢試不爽。

這些規則，就是最簡單的策略實現。

我們通過一條線性的規則，將用戶在特定場景下區分為兩類：

• 一類人符合我們的條件，被歸類為應該激發后續動作的A；
• 另一類人不符合我們的條件，被歸類為不需要觸發后續動作的B。

一如下圖中的分類問題，那條藍色的線，就是產品經理制定的最簡單的規則。

然而，凡事總有例外，對于線性的規則尤甚。

在上面的圖中，我們的線性規則，就沒有完全的將藍圈和紅叉分開

在日常場景中，淘寶上最為人詬病的，就是用戶收藏 && 購買了產品之后，還在連續不斷的推薦同款產品。

為了修正這種問題，直觀的想法就是進一步疊加和細化規則，即“打補丁”

比如，如果 用戶收藏 且 未購買 產品后，在推薦中給用戶推薦同款產品；

進一步，如果 用戶 在一定時間段內 收藏 且 未購買某產品，在推薦中給用戶推薦同款產品。

當我們需要基于多個因素進行判斷之后，整個決策過程就變成了：

• 用戶有沒有收藏產品，如果有，繼續
• 用戶有沒有購買產品
  • 如果沒有購買
    • 用戶收藏產品的時間有沒有超過一個閾值，如果沒有，繼續
    • 結果動作1：給用戶推薦同款產品
  • 如果有購買
    • 用戶購買產品的時間有沒有超過一個閾值，如果沒有，繼續
    • 結果動作2：給用戶推薦關聯產品

在這個過程中，我們選取了：收藏、購買、收藏or購買行為的時間 作為判斷依據，以決定最后給用戶推薦同款產品 or 關聯產品（如 奶粉 VS 紙尿褲）

這僅僅是一個規則；

當我們面對更多用戶、更復雜場景的時候，就會不斷添加更多的規則。

規則集合，就這樣一步一步變得復雜而冗余。

當年，百度鳳巢的專家系統，錄入有上萬條左右專家規則，有一個將近50人的團隊維護這些規則。人力終有竟時，當面對這樣一個龐然大物時，專家也無法再往里添加規則了，人的分析能力達到了極限，這也是需要引入機器學習這個機器大腦的原因所在。

比較簡單的模型，如決策樹。

類似我們上面描述的決策過程，選取了收藏、購買、收藏or購買行為的時間作為決策節點

在實際的應用中，可能還會引入更多的因素，如性別、年齡、城市、過往消費力等等。那這些決策節點的權重有高有低、在判斷過程中有先有后，就形成了一棵樸素的決策樹。

以選擇西瓜為例，一棵可能的決策樹如下所示：

當然，這個決策樹也只保證在過往的訓練數據 和 測試數據上表現較好，也依然會存在誤判的情況。

更為復雜的模型，如神經網絡

如果說上述決策樹的示意圖我們還能夠比較容易的看懂，那么，當你開始研究當下大行其道的神經網絡的時候，就會發現：在神經網絡中，節點和節點之間的關系更為錯綜復雜，近乎到了人力無法解釋的地步。

就像愛情，只是一種感覺，說不清也道不明。

請不要為難算法工程師，他沒有辦法給你解釋，為什么輸入狗的圖片會輸出鴕鳥的判斷。

他只能非常負責任的告訴你：“在我們的訓練數據集合上，這個模型的確更貼近訓練目標的。”

從單一規則 到 復合規則

從符合規則 到 決策樹管理更多的規則

再到干脆放棄規則判斷，引入深度學習——讓算法自己去學習吧，我不管了

如上過程，也能夠讓身為產品經理的我們，更好的了解概率二字，請不要再為難研發，說什么“明明一看，就知道該做出選擇A啊，為什么算法會選擇B呢？“

明明看的懂，但是算法不是明明~

如何與算法協作？

在建立起概率的認知，明確算法不是萬能的，一定會出錯的情況下，我們似乎可以更加心平氣和的思考：自己如何與算法協作，才有可能帶來業務上的收益。

我個人的觀點是：明確場景、定義目標、輸入數據、評估結果

明確場景

這是產品經理最該琢磨的事情。用戶 X 時空，一定能夠出現各種各樣的子場景。

這也幫助我們將一個宏大的命題拆分為具體的、獨立的子問題，逐個擊破。

比如，在冷啟動探索、低活躍度召回、高活躍度維系的不同場景下，用戶的期待是什么？我們能否滿足，如果不能滿足，有無折衷的解決方案？

同樣的推薦內容，在推薦、搜索、篩選等不同應用場景下，應該呈現出的差異是什么？

定義目標 與 輸入數據

回顧這句話”在我們的訓練數據集合上，這個模型的確更貼近訓練目標的。“

當我們將算法應用于具體場景時，實際上就是在設定更有針對性的目標，完善相應的輸入數據，從而使得算法能夠更好的擬合我們的目標值。

以訂閱制為例，可以將用戶劃分為兩類：

對于未付費的會員用戶，我們的關注點是如何用更有吸引力的商品、更低門檻的價格吸引他嘗試；

而對于已付費的會員用戶，我們的關注點則變成了如何讓他更多的消費，從而讓他覺得值、持續續費。

那么，在算法目標上，未付費的用戶更適合設定轉化目標，而已付費用戶則更偏向時長目標。

對應的，我們也需要提供充分的數據，如不同用戶付費前、付費后的內容消費行為數據、不同內容對于付費轉化的貢獻等等數據，供算法進行學習和判斷。

評估結果

算法的學習是基于訓練數據的，是否真的好，還需要上線見真章。

所以，產品經理對于結果可以更加開放，不要試圖證明自己是對的，而是用平常心接受AB實驗的結果。

在一次又一次的產品迭代中，積累產品Sense，從而能夠做出更準確的預估：某一個產品決策是有更大的概率會做出收益的。

這個角度想，我們在用產品方案一次次的訓練算法的時候，未嘗不是一次次對于自己的訓練呢？

策略產品經理的進步，無他，唯手熟爾