文章是作者結(jié)合自己的工作，談?wù)勛约簩?duì)策略產(chǎn)品經(jīng)理的一些理解與感悟，希望能夠幫助大家更近一步的理解產(chǎn)品工作。

轉(zhuǎn)眼，做策略產(chǎn)品經(jīng)理已經(jīng)有190天了。當(dāng)初想做策略產(chǎn)品經(jīng)理，一是想了解策略產(chǎn)品經(jīng)理到底和功能產(chǎn)品經(jīng)理有什么不同，二是覺(jué)得滿(mǎn)足個(gè)性化需求是未來(lái)的趨勢(shì)。

一、為什么需要策略產(chǎn)品經(jīng)理

策略產(chǎn)品經(jīng)理屬于產(chǎn)品經(jīng)理的一個(gè)細(xì)分工種，為什么會(huì)出現(xiàn)這種細(xì)分，我理解是因?yàn)樾畔⒁约坝脩?hù)與信息的交互方式已經(jīng)發(fā)生了天翻地覆的變化。

早期人們只能從報(bào)紙，電視，門(mén)戶(hù)等有限媒介獲取有限的信息，這個(gè)時(shí)候信息的生成門(mén)檻高，生成速度慢，用戶(hù)只能在有限的范圍內(nèi)去選擇，更多的是通過(guò)主動(dòng)表達(dá)的方式去獲取新知識(shí)（搜索）。隨著信息技術(shù)的發(fā)展，信息的生產(chǎn)成本顯著降低，人人都在生成信息，這種爆炸式增加的信息和用戶(hù)有限的注意力、有限的時(shí)間，形成了尖銳的矛盾，用戶(hù)的需求也由明確需求向更高級(jí)的模糊需求轉(zhuǎn)變。同一代人看五六遍西游記的時(shí)代已經(jīng)過(guò)去了。

除了用戶(hù)需求，另一個(gè)讓個(gè)性化推薦快速發(fā)展的原因，在于大數(shù)據(jù)、機(jī)器學(xué)習(xí)、云計(jì)算、分布式計(jì)算等技術(shù)的發(fā)展。用戶(hù)需求，大數(shù)據(jù)，算法以及計(jì)算硬件共同促進(jìn)了用戶(hù)需求向個(gè)性化的方向前進(jìn)。

二、什么是信息流的策略產(chǎn)品經(jīng)理

策略產(chǎn)品經(jīng)理需要解決的核心問(wèn)題，是人與物（信息）的匹配問(wèn)題。讓用戶(hù)在有限的碎片化時(shí)間里，盡可能多地看到他感興趣且盡可能有價(jià)值的內(nèi)容。

個(gè)性化推薦的效果極強(qiáng)地依賴(lài)技術(shù)方案，在工作期間，經(jīng)常會(huì)困擾我的一個(gè)問(wèn)題是策略產(chǎn)品經(jīng)理的價(jià)值在哪？不同于功能產(chǎn)品經(jīng)理，策略產(chǎn)品經(jīng)理寫(xiě)不出幾十頁(yè)的需求文檔，不需要定義清楚每一個(gè)按鈕的邏輯，每一種交互的邊界情況，策略產(chǎn)品經(jīng)理的價(jià)值更多的體現(xiàn)在對(duì)用戶(hù)價(jià)值和用戶(hù)體驗(yàn)的判斷。

例如，拿一種新的資源來(lái)說(shuō)，策略產(chǎn)品經(jīng)理需要思考這類(lèi)資源對(duì)于目標(biāo)用戶(hù)有什么價(jià)值，目標(biāo)用戶(hù)都會(huì)滿(mǎn)足哪些特征，這種資源用什么樣的形式，什么樣的比例，什么樣的方式出現(xiàn)在用戶(hù)的信息流中，哪些因素會(huì)影響用戶(hù)的最終體驗(yàn)，怎樣衡量最終為用戶(hù)帶來(lái)了什么價(jià)值等等。

上述這些雖然很多也受制于技術(shù)實(shí)現(xiàn)方案，但是策略產(chǎn)品經(jīng)理需要思考清楚以及把控底線(xiàn)。舉個(gè)極端的例子，純粹依賴(lài)機(jī)器和算法進(jìn)行個(gè)性化推薦，最終絕大多數(shù)展現(xiàn)的資源都是偏低俗敏感的低價(jià)值資源，機(jī)器更擅長(zhǎng)的是根據(jù)用戶(hù)的行為去迎合用戶(hù)的喜好，而策略產(chǎn)品經(jīng)理需要能夠從人的角度，去權(quán)衡用戶(hù)喜好和用戶(hù)價(jià)值之間的關(guān)系。

三、常見(jiàn)的推薦算法

吳軍在《智能時(shí)代》中說(shuō)到，解決不確定問(wèn)題最好的方法是大數(shù)據(jù)。所謂的不確定性，是指無(wú)法用因果關(guān)系來(lái)描述，根據(jù)統(tǒng)計(jì)學(xué)原理，通過(guò)足夠多的數(shù)據(jù)，可以發(fā)現(xiàn)其中的相關(guān)性，來(lái)把握不確定問(wèn)題的規(guī)律。這里值得一提的是，大數(shù)據(jù)背后代表的是一種思維方式的改變，即解決問(wèn)題的思路由傳統(tǒng)的因果關(guān)系代表的確定性思維轉(zhuǎn)向?yàn)橐源髷?shù)據(jù)為代表的不確定性思維。工業(yè)革命代表的確定性思維開(kāi)始逐漸轉(zhuǎn)變?yōu)橐源髷?shù)據(jù)為核心的不確定性思維。

為了更簡(jiǎn)單地了解推薦算法，我們可以將一篇資源X和一個(gè)用戶(hù)Y之間的匹配程度抽象定義為相關(guān)系數(shù)P，P值越高，代表這個(gè)用戶(hù)對(duì)這篇資源的點(diǎn)擊欲望越強(qiáng)，P=1代表這個(gè)用戶(hù)一定會(huì)點(diǎn)這篇文章，P=0代表這個(gè)用戶(hù)一定不會(huì)點(diǎn)這篇文章。推薦算法的本質(zhì)就是計(jì)算這個(gè)P值，然后將P值最高的那篇內(nèi)容推薦給用戶(hù)。推薦效果好壞的關(guān)鍵取決于P值計(jì)算的準(zhǔn)確性。根據(jù)香農(nóng)信息熵理論，數(shù)據(jù)之間的相關(guān)性，可以消除噪音，降低信息熵，從而降低不確定性。

1、熱度算法

顧名思義，按照資源的熱度，對(duì)資源進(jìn)行排序。認(rèn)為熱度高的資源，P值越高，用戶(hù)點(diǎn)擊的可能性就越大。實(shí)質(zhì)是利用資源的熱度來(lái)消除資源和用戶(hù)匹配的不確定性，熱度為500的資源相對(duì)于熱度100的資源而言，用戶(hù)點(diǎn)擊前者的可能性（概率）更高。

這種算法的優(yōu)點(diǎn)是，啟動(dòng)成本低，只要定義清楚了熱度的計(jì)算方法，每篇資源都可以計(jì)算出熱度值，可以作為冷啟動(dòng)方式，為個(gè)性化推薦策略積累數(shù)據(jù)。自然，這種簡(jiǎn)單粗暴的方式也會(huì)有很多明顯的缺點(diǎn)：

1.1、 單篇文章每個(gè)用戶(hù)的P值都是一樣的

實(shí)際需求中，每個(gè)人對(duì)熱度的定義是不一樣。例如：我愛(ài)看NBA，那同樣是熱度500的NBA和美妝的兩篇文章，很明顯NBA的文章對(duì)我來(lái)說(shuō)更熱，我點(diǎn)擊的可能性更大。

所以在熱度算法中，需要考慮一些對(duì)用戶(hù)有價(jià)值的因素，以提高P值的準(zhǔn)確性。例如，有沒(méi)有一個(gè)初始熱度值，初始熱度值有沒(méi)有類(lèi)別差異？需要找出有價(jià)值的信息維度，提高P值的準(zhǔn)確度。判斷這些信息是否有價(jià)值，可以看這個(gè)場(chǎng)景是否對(duì)于絕大多數(shù)的用戶(hù)都是成立的。

1.2、無(wú)法做到個(gè)性化推薦

熱度算法無(wú)法根據(jù)用戶(hù)的興趣點(diǎn)和行為實(shí)現(xiàn)細(xì)粒度的個(gè)性化推薦。

1.3、對(duì)新資源和強(qiáng)時(shí)效資源沒(méi)有保護(hù)

新入庫(kù)的資源由于沒(méi)有歷史數(shù)據(jù)的累積，很難被展現(xiàn)，需要對(duì)新資源制定一些保護(hù)策略。尤其對(duì)一些強(qiáng)時(shí)效的重大事件，可以維系一個(gè)熱詞詞典進(jìn)行提權(quán)，如有必要，甚至可以結(jié)合人工干預(yù)，進(jìn)行強(qiáng)制展現(xiàn)，以保證快速的時(shí)效性要求，例如”九寨溝地震事件”。

1.4、避免滾雪球式的放大效應(yīng)

熱度高的資源會(huì)排在前面，得到更多的展現(xiàn)，反過(guò)來(lái)會(huì)進(jìn)一步提高資源的熱度，為了避免這種滾雪球式的馬太效應(yīng)，提高資源時(shí)效性的感知，需要對(duì)熱度進(jìn)行合理的衰減，衰減趨勢(shì)應(yīng)該是越來(lái)越快，也就是說(shuō)用戶(hù)此時(shí)此刻的行為價(jià)值最大，一篇資源今天被點(diǎn)擊了100次的熱度價(jià)值高于昨天被點(diǎn)擊100次，明顯高于前天被點(diǎn)擊的100次。

2、協(xié)同過(guò)濾

協(xié)同的百科解釋是協(xié)調(diào)兩個(gè)或者兩個(gè)以上的不同資源或者個(gè)體，協(xié)同一致地完成某一目標(biāo)的過(guò)程或能力。我理解協(xié)同就是相關(guān)熵的概念，利用兩個(gè)及以上資源（用戶(hù)）之間的相關(guān)性來(lái)進(jìn)行推薦，降低不確定性，提高P值的準(zhǔn)確性。目前，常見(jiàn)的協(xié)同過(guò)濾有三種，基于內(nèi)容的協(xié)同過(guò)濾，基于用戶(hù)的協(xié)調(diào)過(guò)濾和基于模型的協(xié)同過(guò)濾。

2.1基于內(nèi)容的協(xié)同過(guò)濾

基于內(nèi)容的協(xié)同過(guò)濾，就是計(jì)算內(nèi)容之間的相似度，將和用戶(hù)以往喜歡資源相似的資源推薦給該用戶(hù)，例如下圖用戶(hù)A喜歡資源A、B、C，系統(tǒng)發(fā)現(xiàn)資源A和資源D非常相似，就會(huì)嘗試把資源D推薦給用戶(hù)A。這是利用兩個(gè)資源的相似度來(lái)降低資源與用戶(hù)匹配的不確定性程度。

圖1 ?基于內(nèi)容的協(xié)同過(guò)濾

2.2基于用戶(hù)的協(xié)同過(guò)濾

基于用戶(hù)的協(xié)同過(guò)濾，就是計(jì)算用戶(hù)之間的相似度，將與你相似用戶(hù)所喜歡的內(nèi)容推薦給你。例如下圖，系統(tǒng)發(fā)現(xiàn)用戶(hù)A和用戶(hù)B是相似用戶(hù)，就可以將用戶(hù)A喜歡的資源C推薦給用戶(hù)B。這是利用相似用戶(hù)的愛(ài)好相似來(lái)降低資源與用戶(hù)匹配的不確定性程度。

圖2 ?基于用戶(hù)的協(xié)同過(guò)濾

2.3基于模型的協(xié)同過(guò)濾

基于模型的協(xié)同過(guò)濾就是基于已有的用戶(hù)與資源之間喜好關(guān)系的樣本，訓(xùn)練模型，通過(guò)該模型計(jì)算P值，進(jìn)行推薦。訓(xùn)練樣本越多，有效特征越多（輸入的有效信息維度），訓(xùn)練的模型越準(zhǔn)確，也就是P值的準(zhǔn)確度越高。

基于協(xié)同過(guò)濾的推薦效果依賴(lài)于數(shù)據(jù)樣本的大小，數(shù)據(jù)維度的多少，以及數(shù)據(jù)的完備性。一般而言，這些技術(shù)方案的實(shí)現(xiàn)不需要策略產(chǎn)品經(jīng)理的參與，但如果可以，其實(shí)從數(shù)據(jù)維度來(lái)看，策略產(chǎn)品經(jīng)理可以從用戶(hù)需求和場(chǎng)景化的角度，去考慮哪些維度對(duì)于用戶(hù)是有價(jià)值的，在什么場(chǎng)景下有價(jià)值，價(jià)值有多大。

3、基于內(nèi)容的個(gè)性化推薦

基于內(nèi)容的個(gè)性化推薦，本質(zhì)上是計(jì)算單篇資源與用戶(hù)的之間的相關(guān)性。對(duì)于用戶(hù)而言，會(huì)建立一個(gè)用戶(hù)模型，可以簡(jiǎn)單抽象為一個(gè)用戶(hù)向量，這個(gè)向量種記錄了用戶(hù)的各種個(gè)性化的興趣點(diǎn)及其權(quán)重，對(duì)于資源而言，會(huì)建立一個(gè)內(nèi)容模型，可以簡(jiǎn)單抽象為一個(gè)內(nèi)容向量，這個(gè)向量中記錄了跟單篇內(nèi)容相關(guān)的各種關(guān)鍵詞和權(quán)重。通過(guò)計(jì)算用戶(hù)向量和資源向量的相關(guān)性，求得單篇資源和用戶(hù)之間的相關(guān)系數(shù)P。

這些是我對(duì)策略產(chǎn)品經(jīng)理以及推薦算法的一些非常簡(jiǎn)單和粗糙的想法，其實(shí)不管是策略還是功能產(chǎn)品經(jīng)理，解決問(wèn)題的思路都是一樣的，都是從用戶(hù)的需求出發(fā)，分析用戶(hù)需求、建立目標(biāo)、拆解目標(biāo)、推進(jìn)項(xiàng)目、數(shù)據(jù)驗(yàn)證、再進(jìn)行不斷地迭代優(yōu)化。

本文由 @nangelC 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(lái)自 Pexels ，基于 CC0 協(xié)議