撰稿编者按：似乎现在思路产品副经理是越来越炙手可热，那究竟什么是思路产品呢？本文作者依照工作中项目课堂教学的领悟所想，结合案例等从三个方面撷取了关于思路产品相关的科学知识理论，供大家一起参照和自学。

 

01 当今世界是被机率主宰的

作为思路产品，他们具体来说要建立的知觉是：当今世界是被机率主宰的。

一方面，每个用户具有突发性，他的行为协进会归属某一个群体 或 多个群体；另一方面，用户同样具有内在性和某类，协进会有偏移群体的行为与优先选择。

所以，思路产品具体来说要建立对“机率”的知觉： 宣称内在性，他们不可能努力做到百分百的用户令人满意。即使他们满足用户了用户全部所言的，他一样会胸膛不一； 发现群体性，去知觉那个群体在某一情景下的企图、去试著理解他们的行为，从而制造产品以取悦这一群体的在机率意义上的优先选择与行为。

如果放在体育比赛里，那个机率是球会输赢的盘口。如果放在天蝎座占卜里，那个机率是他们知觉的“貌似的、求言律人的处女座”（呃，我是处女座。。。。）

宣称了机率之后，他们才会知觉到“算法不是LX1的，BadCase是永远存在”，才不会讲出“如果演算法推的准，就不会有BadCase，用户就会非常令人满意”这类论述。挥别企图那鲁的相续，急于去思索更快的与演算法协同。

 

02 从准则到深度自学

准则是最简单的思路同时实现，在实际的业务情景里，产品副经理最容易得出的判断是准则：”如果用户满足用户了前提A，就会促发姿势B“。

如果用户珍藏了产品，就给用户进行推荐；如果用户付款未支付，就给用户来电 or 代金券……譬如，都是最为众所周知的情景，IF-THEN 句子屡试不爽。

这些准则，是最简单的思路同时实现。

他们通过一条非线性的准则，将用户在某一情景下界定为三类： 两类人合乎他们的前提，被进行分类为应该唤起先期姿势的A； 第二类人不合乎他们的前提，被进行分类为不需要促发先期姿势的B。

一如下表所示图中的进行分类问题，这条红色的线，是产品副经理制定的最简单的准则：

然而，事事浑然不觉值得一提，对非线性的准则更为严重。

在上面的图中，他们的非线性准则，就没有完全的将晃盖和红叉合二为一

在日常情景中，淘宝上最为人诟病的，是用户珍藏 && 购买了产品之后，还在连续不断的推荐同款产品。

为了修正这种问题，直观的想法是进一步叠加和细化准则，即“打补丁”

比如，如果用户珍藏且未购买产品后，在推荐中给用户推荐同款产品；进一步，如果 用户在一定时间段内珍藏 且未购买

某产品，在推荐中给用户推荐同款产品。

当他们需要基于多个因素进行判断之后，整个决策过程就变成了：

（1）用户有没有珍藏产品，如果有，继续

1）用户有没有购买产品

①如果没有购买 用户珍藏产品的时间有没有超过一个阈值，如果没有，继续 结果姿势1：给用户推荐同款产品

②如果有购买

用户购买产品的时间有没有超过一个阈值，如果没有，继续 结果姿势2：给用户推荐关联产品

在那个过程中，他们选取了：珍藏、购买、珍藏or购买行为的时间 作为判断依照，以决定最后给用户推荐同款产品 or 关联产品（如 奶粉 VS 纸尿裤）。

这仅仅是一个准则，当他们面对更多用户、更复杂情景的时候，就会不断添加更多的准则。准则集合，就这样一步一步变得复杂而冗余。

当年，百度凤巢的专家系统，录入有上万条左右专家准则，有一个将近50人的团队维护这些准则。人力终有竟时，当面对这样一个庞然大物时，专家也无法再往里添加准则了，人的分析能力达到了极限，这也是需要引入机器自学那个机器大脑的原因所在。

比较简单的模型，如决策树。

类似他们上面描述的决策过程，选取了珍藏、购买、珍藏or购买行为的时间作为决策节点

在实际的应用中，可能还会引入更多的因素，如性别、年龄、城市、过往消费力等等。那这些决策节点的权重有高有低、在判断过程中有先有后，就形成了一棵朴素的决策树。

以优先选择西瓜为例，一棵可能的决策树如下表所示所示：

当然，那个决策树也只保证在过往的训练数据 和 测试数据上表现较好，也依然会存在误判的情况。

更为复杂的模型，如神经网络。

如果说上述决策树的示企图他们还能够比较容易的看懂，那么，当你开始研究当下大行其道的神经网络的时候，就会发现：在神经网络中，节点和节点之间的关系更为错综复杂，近乎到了人力无法解释的地步。

就像爱情，只是一种感觉，说不清也道不明。

请不要为难演算法工程师，他没有办法给你解释，为什么输入狗的图片会输出鸵鸟的判断。

他只能非常负责任的告诉你：“在他们的训练数据集合上，那个模型的确更贴近训练目标的。

”

从单一准则 到 复合准则；从合乎准则到决策树管理更多的准则；再到干脆放弃准则判断，引入深度自学——让演算法自己去自学吧，我不管了。

如上过程，也能够让身为产品副经理的他们，更快的了解机率二字，请不要再为难研发，说什么“明明一看，就知道该做出优先选择A啊，为什么演算法会优先选择B呢？“

明明看的懂，但是演算法不是明明~  

03 如何与演算法协同？

在建立起机率的知觉，明确演算法不是LX1的，一定会出错

的情况下，他们似乎可以更加心平气和的思索：自己如何与演算法协同，才有可能带来业务上的收益。

我个人的观点是：明确情景、定义目标、输入数据、评估结果。

 

1. 明确情景

这是产品副经理最该琢磨的事情。用户 X 时空，一定能够出现各种各样的子情景。这也帮助他们将一个宏大的命题拆分为具体的、独立的子问题，逐个击破。

比如，在冷启动探索、低活跃度召回、高活跃度维系的不同场景下，用户的期待是什么？他们能否满足用户，如果不能满足用户，有无折衷的解决方案？

同样的推荐内容，在推荐、搜索、筛选等不同应用情景下，应该呈现出的差异是什么？

 

2. 定义目标与输入数据

回顾这句话”在他们的训练数据集合上，那个模型的确更贴近训练目标的。

“

当他们将演算法应用于具体情景时，实际上是在设定更有针对性的目标，完善相应的输入数据

，从而使得演算法能够更快的拟合他们的目标值。

以订阅制为例，可以将用户划分为三类：对未付费的会员用户，他们的关注点是如何用更有吸引力的商品、更低门槛的价格吸引他试著；而对已付费的会员用户，他们的关注点则变成了如何让他更多的消费，从而让他觉得值、持续续费。

那么，在演算法目标上，未付费的用户更适合设定转化目标，而已付费用户则更偏向时长目标。

对应的，他们也需要提供充分的数据，如不同用户付费前、付费后的内容消费行为数据、不同内容对付费转化的贡献等等数据，供演算法进行自学和判断。

 

3. 评估结果

演算法的自学是基于训练数据的，是否真的好，还需要上线见真章。

所以，产品副经理对结果可以更加开放，不要企图证明自己是对的，而是用平常心接受AB实验的结果。

在一次又一次的产品迭代中，积累产品Sense，从而能够做出更准确的预估：某一个产品决策是有更大的机率会做出收益的。

那个角度想，他们在用产品方案一次次的训练演算法的时候，未尝不是一次次对自己的训练呢？

思路产品的进步，无他，唯手熟尔。