一、策略产品经理的方向划分(粗体部分)
为什么会出现策略:
在互联网业内,理论上,任何一个产品达到一定用户体量的时候,都一定会产生一些问题需要通过策略手段来解决。
比如说,如下这些典型的业务问题和场景中,就是互联网业内“策略”最常发挥价值的地方——
1.一个产品,随着用户体量增加,需要考虑做精细化运营;
2.一个产品,可能涉及到搜索、推荐、供需匹配等功能模块需要完成;
3.一个产品,拥有大规模交易、成交数据,需要提升成交率,优化利润空间;
4.一个产品,需要考虑通过数据来驱动用户增长;
5.一个成长期的产品,需要考虑通过补贴来规模化拉动用户增长,并希望自己的补贴方式、形式等能够变得尽可能高效;
6.一个产品,涉及到需要解决好风控、反作弊等问题;
等等等等。
所以总结来说策略是为了更低成本的实现个性化!
其实生活中处处是策略。很多科学里边,也都有策略的痕迹,如如何定价是策略,如何分配是策略,诸如此类还有很多。
什么都是策略?策略有哪些特征?
我们提炼了策略的四要素即:待解决问题,输入,计算逻辑,输出
<img src="https://pic2.zhimg.com/50/v2-19f966d5757ed3bff0dcb6e1a94c207d_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="274" data-default-watermark-src="https://pic4.zhimg.com/50/v2-032a266cd6614e21edcca8739f19a840_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic4.zhimg.com/v2-19f966d5757ed3bff0dcb6e1a94c207d_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901512_v2-19f966d5757ed3bff0dcb6e1a94c207d_1440w.jpg)
聪明的你,想一想,生活中处处都是策略,如非常常见的超市促销,他的四要素分别是什么呢?理解策略的四要素:
1.待解决问题
2.输入(影响解决方案的因素)
3.计算逻辑(将输入转换成输出的规则)
4.输出(具体的解决方案)
案例1:电子书阅读器的屏幕阅读体验不佳如何解决?
1.待解决问题:阅读器是液晶屏,光线好的时候很清晰,光线不好的时候看不清楚
2.输入:外部环境的亮度、用户在使用不同类型应用时对亮度的需求不同
3.计算逻辑:
a.针对产品初期,人们主要的痛点是:阅读时,屏幕上的内容因为光线弱,致使在视网膜呈现效果弱,导致阅读体验不佳的情况。解决思路:增加屏幕背光功能
b.随着产品演变,出现了这样的痛点:用户在切换读书的场所时,需要调节背光的亮度,体验不好。于是有了:背光会随着外部环境的亮度进行自我调节
c.人们仍然不满足,电子阅读器也新增了更多类型的软件,一些游戏之类的。产品经理发现背光调节的时候,在切换应用的时候也被频繁使用。于是,背光自我调节的功能需要继续提升
4.输出:a.增加屏幕背光功能,由开关控制;b.背光亮度受环境亮度影响;c.背后亮度受环境亮度/手机应用类型/时间影响
案例2:今日头条的推荐策略是怎样的?
1.待解决的问题/目标:从大量候选内容中找到用户最喜欢的内容
2.输入(喜欢,这件事受哪些因素影响):
该用户的特征(基础信息、历史行为)、候选内容的特征(类别、关键词)
3.计算逻辑(主要由策略RD开发给出):将这些特征通过一定的计算规则转化为唯一的「喜欢度」指标
4.输出:按「喜欢度」从高到底排序的内容
互联网界内常见策略都有哪些呢?
<img src="https://pic4.zhimg.com/50/v2-9456ed378f449a66d6ee7e422dd2dabe_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="236" data-default-watermark-src="https://pic2.zhimg.com/50/v2-f992ab38026c1e3e7d884c2ba6cce8e4_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic3.zhimg.com/v2-9456ed378f449a66d6ee7e422dd2dabe_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901510_v2-9456ed378f449a66d6ee7e422dd2dabe_1440w.jpg)
互联网界内常见策略解读:
5.1 广告投放策略——贪玩蓝月
以下这张图,大家都很眼熟,手机、网站、电视、视频等场景常常听见“是兄弟就来砍我”,不禁纳闷,这么拙劣的游戏真的有人玩吗?——(知乎:贪玩蓝月如何请张家辉、孙红雷、张涵予、吴京、古天乐、陈小春代言,哪来的钱,这游戏真的有人玩?丘丘的答案:
https://www.zhihu.com/question/63291467/answer/306823584)
<img src="https://pic2.zhimg.com/50/v2-214727fcc26f6a8093783603293f7f78_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="295" data-default-watermark-src="https://pic4.zhimg.com/50/v2-b484197ce7e2d353efbbcab7381529bb_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic2.zhimg.com/v2-214727fcc26f6a8093783603293f7f78_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901644_v2-214727fcc26f6a8093783603293f7f78_1440w.jpg)
其实游戏方在刚开始推广的时候,按照口碑和受欢迎度,筛选了20位明星,并且分别做了游戏推广宣传图片和落地页,投放各种广告,最后通过数据反馈回来,发现张家辉、古天乐的图片的点击率、注册率是最高的,于是就确定这2位明星了。这种做法是灰色的(先使用,后要肖像权),需要注意!
那我们以策略四要素进行解读,就是
<img src="https://pic3.zhimg.com/50/v2-5d3ec32e5a9343e7836f12e887a0c3bd_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="313" data-default-watermark-src="https://pic4.zhimg.com/50/v2-0ea8b2bbf87a6419e710ea936a3bfdbe_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic4.zhimg.com/v2-5d3ec32e5a9343e7836f12e887a0c3bd_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901480_v2-5d3ec32e5a9343e7836f12e887a0c3bd_1440w.jpg)
5.2 广告投放策略——facebook泄密门
据悉,根据告密者克里斯托夫·维利的指控,Cambridge Analytica在2016年美国总统大选前获得了5000万名Facebook用户的数据。这些数据最初由亚历山大·科根通过一款名为“this is your digital life”的心理测试应用程序收集。通过这款应用,Cambridge Analytica不仅从接受科根性格测试的用户处收集信息,还获得了他们好友的资料,涉及数千万用户的数据。能参与科根研究的Facebook用户必须拥有约185名好友,因此覆盖的Facebook用户总数达到5000万人。
<img src="https://pic4.zhimg.com/50/v2-d3afc11454e3190df262463f1accc3ae_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="313" data-default-watermark-src="https://pic2.zhimg.com/50/v2-567bea39abd0c43eb460fe113d32c238_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic4.zhimg.com/v2-d3afc11454e3190df262463f1accc3ae_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901516_v2-d3afc11454e3190df262463f1accc3ae_1440w.jpg)
![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901509_v2-8eeb5b90feb028c451b7c72d0c6a58df_1440w.jpg)
2012年,科辛斯基证明,平均基于脸谱上的68个“点赞”,就可以预测用户的肤色(准确度95%)、性取向(准确度88%)以及政治倾向(民主党或共和党,准确度85%)。经过不断研究和改进后,他的模型变得日益完善:仅仅基于10个点赞,他就能比受试者的同事更准确地评价受试者;70个“点赞”足以让他比受试者的朋友更了解受试者;150个点赞可以让他比受试者的父母更了解受试者;300个点赞可以让他比受试者的合作伙伴更了解受试者。基于更多的点赞,科辛斯基对受试者的了解,甚至超过受试者自己。
这次的用户泄漏,被认为与操纵川普的总统选举有关。借助FB的数据,精准投放内容和广告,影响并操纵选举。背后的关键:剑桥分析公司。
<img src="https://pic4.zhimg.com/50/v2-76deee0567f5d891d96729efc611d463_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="314" data-default-watermark-src="https://pic4.zhimg.com/50/v2-521943c5cc40b0a3541e02e974dde654_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic2.zhimg.com/v2-76deee0567f5d891d96729efc611d463_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901653_v2-76deee0567f5d891d96729efc611d463_1440w.jpg)
5.3 内容推荐策略——今日头条
<img src="https://pic4.zhimg.com/50/v2-4bd735a3967eae709c14a85ab1b20a45_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="405" data-rawheight="360" data-default-watermark-src="https://pic3.zhimg.com/50/v2-546ba4e0f480a62a8fe4e8b9f7fbe5da_hd.jpg?source=1940ef5c" class="content_image" width="405"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901791_v2-4bd735a3967eae709c14a85ab1b20a45_1440w.jpg)
内容推荐上目前最耳熟能详的是今日头条(你关心的,才是头条)和抖音,感兴趣可以看《今日头条推荐算法原理全文详解http://36kr.com/p/5114077.html》
而在资讯系统推荐要解决的三类因素为用户,环境和资讯
<img src="https://pic2.zhimg.com/50/v2-a848b6ab5870743009754ea2bdb66f4f_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="311" data-default-watermark-src="https://pic2.zhimg.com/50/v2-28f5f0b32a03e33ff48d7f8752cf0cb9_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic2.zhimg.com/v2-a848b6ab5870743009754ea2bdb66f4f_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901855_v2-a848b6ab5870743009754ea2bdb66f4f_1440w.jpg)
Y=F(x1,x2,x3;x1=i,x2=u,x3=c)这个函数需要输入三个维度的变量。
第一个维度是内容。头条现在已经是一个综合内容平台,图文、视频、UGC小视频、问答、微头条,每种内容有很多自己的特征,需要考虑怎样提取不同内容类型的特征做好推荐。
第二个维度是用户特征。包括各种兴趣标签,职业、年龄、性别等,还有很多模型刻划出的隐式用户兴趣等。
第三个维度是环境特征。这是移动互联网时代推荐的特点,用户随时随地移动,在工作场合、通勤、旅游等不同的场景,信息偏好有所偏移。结合三方面的维度,模型会给出一个预估,即推测推荐内容在这一场景下对这一用户是否合适。
最终的展示为下图:
<img src="https://pic2.zhimg.com/50/v2-c5dbdda0c571b72ee64c41cbadda7753_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="313" data-default-watermark-src="https://pic2.zhimg.com/50/v2-0195cafa5db7f4cde12ca32864db0b8e_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic2.zhimg.com/v2-c5dbdda0c571b72ee64c41cbadda7753_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901813_v2-c5dbdda0c571b72ee64c41cbadda7753_1440w.jpg)
内容推荐常用算法类型有协同过滤(userCF,itemCF,)关联推荐,标签推荐等,需要考虑的是人与内容、环境、内容权重、基于人或内容的协同多方因素的比例,来构建合适的内容推荐动态模型。
【人与内容】第一类是相关性特征,就是评估内容的属性和与用户是否匹配。显性的匹配包括关键词匹配、分类匹配、来源匹配、主题匹配等。像FM模型中也有一些隐性匹配,从用户向量与内容向量的距离可以得出。
【环境】第二类是环境特征,包括地理位置、时间。这些既是bias特征,也能以此构建一些匹配特征。
【内容权重】第三类是热度特征。包括全局热度、分类热度,主题热度,以及关键词热度等。内容热度信息在大的推荐系统特别在用户冷启动的时候非常有效。
【基于人的协同推荐】第四类是协同特征,它可以在部分程度上帮助解决所谓算法越推越窄的问题。协同特征并非考虑用户已有历史。而是通过用户行为分析不同用户间相似性,比如点击相似、兴趣分类相似、主题相似、兴趣词相似,甚至向量相似,从而扩展模型的探索能力。
非RD的同学想了解,推荐:
https://www.ibm.com/developerworks/cn/web/1103_zhaoct_recommstudy1/index.html
最终推荐策略的解读是
<img src="https://pic4.zhimg.com/50/v2-ecec1a2a7311b2be44f69ff1f87bcdc6_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="309" data-default-watermark-src="https://pic4.zhimg.com/50/v2-7608057c98ebb9cfb919cc5f6df6dd14_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic4.zhimg.com/v2-ecec1a2a7311b2be44f69ff1f87bcdc6_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901722_v2-ecec1a2a7311b2be44f69ff1f87bcdc6_1440w.jpg)
5.4 订单分配策略——美团外卖分配、滴滴司乘撮合
外卖平台要考虑的是如何使骑手最快速安全的从商家把外卖送到客户手里(参与方=平台+商家+客户+骑手)
而出行平台要考虑的是如何使乘客快速安全的到达目的地(参与方=平台+乘客+司机)
基于此需要考虑的是——约束因素与计算逻辑
l 订单总量、峰值、分布特征
l 订单出现的时序特征
l 各类订单/各
l 人员的绝对数量与比例
l 响应速度
<img src="https://pic2.zhimg.com/50/v2-3ebde782226f635d606c22e2ae6d2ea9_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="308" data-default-watermark-src="https://pic3.zhimg.com/50/v2-f7433bf9183783af001cb67c90f1a607_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic1.zhimg.com/v2-3ebde782226f635d606c22e2ae6d2ea9_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901784_v2-3ebde782226f635d606c22e2ae6d2ea9_1440w.jpg)
![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901788_v2-94187691abfd6e8d6d498a9db685291d_1440w.jpg)
![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901839_v2-15cfec19ef0a088aa509a13aaf119710_1440w.jpg)
案例较为复杂,不做文字讲解,感兴趣可以参考
《「即时配送的订单分配策略:从建模和优化」by美团点评技术团队https://tech.meituan.com/O2O_Intelligent_distribution.html》
5.5 定价策略——大数据杀熟
<img src="https://pic1.zhimg.com/50/v2-788876c284147969f12b48c4ae496576_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="311" data-default-watermark-src="https://pic4.zhimg.com/50/v2-c677a5923752fb781358be76507242fd_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic2.zhimg.com/v2-788876c284147969f12b48c4ae496576_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431903993_v2-788876c284147969f12b48c4ae496576_1440w.jpg)
定价策略是为了对不同用户收取不同的价格,以达到最大利润。
比如基于个体行为/消费记录的定价:
l 常买苹果,推荐给我高价的,且搜索结果中不显示低价的(即便还有货)
l 商品搜索中,多次点击「价格从低到高」排序,送了我限时优惠券
l 和朋友打字聊天提到了「消防」,购物网站给我推荐了家用消防器材
l 电影票购买网站,级别越高(消费越多)的会员,票价报价越高
l 出行App,同时同行程,常走此路(如上下班固定此行程)的报价更贵
l 购买相同权益服务(可跨平台),iOS系统入口购买较Android系统更贵
l 安装多个外卖App比只安装一个的用户,同位置同距离运费更便宜
l 买当日下午的机票,票量越刷越少、越刷越贵;换手机,票量复原
<img src="https://pic2.zhimg.com/50/v2-81eb14522e1058c097ad166ebb10a50d_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="186" data-rawheight="209" class="content_image" width="186"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431902054_v2-81eb14522e1058c097ad166ebb10a50d_1440w.jpg)
![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431904075_v2-3acacbf33eb81dc898fa13fc42ab494b_1440w.jpg)
![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431901941_v2-6cd57bc7ad5a9803941f89a8d824ca09_1440w.jpg)
我们在一些平台上留下的数据越多,平台就会对我们越熟悉,关于大数据杀熟,我们需要明白自己是怎么被“熟”的以及怎么被“杀”的,站在平台角度看,这是其定价策略,但这个基于大数据的策略的好坏,我们不去评论。感兴趣可参阅:
《如何看待大数据「杀熟」?诸葛io的回答:
https://www.zhihu.com/question/268104462/answer/336992177》
<img src="https://pic4.zhimg.com/50/v2-e377400925b3b20a60ffadc201fe4fee_hd.jpg?source=1940ef5c" data-caption="" data-size="normal" data-rawwidth="554" data-rawheight="311" data-default-watermark-src="https://pic4.zhimg.com/50/v2-53eebe399eb76e3882774d6a601eaca8_hd.jpg?source=1940ef5c" class="origin_image zh-lightbox-thumb" width="554" data-original="https://pic1.zhimg.com/v2-e377400925b3b20a60ffadc201fe4fee_r.jpg?source=1940ef5c"/>![](https://uploadfiles.nowcoder.com/files/20201011/421176871_1602431902117_v2-e377400925b3b20a60ffadc201fe4fee_1440w.jpg)
相信到这里,你已经足够了解策略是什么?从古至今,各行各业都有策略来指导工作或生活或企业,而在本文中,我们偏重于在互联网中策略是如何产生和运用
在这种情况下,没有人给产品经理时间,做细致、全面的分析,产品经理要依靠的是什么?是你对用户的了解,感性的认识,理性的认识。
所以,这就是挨条看用户行为的好处,对你积累方方面面的了解和认知,是比较有好处的。
全部评论
(1) 回帖