起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識產品常用的策略方法
?編輯導語：對于大部分產品經理來說，布局產品策略是他們工作的重中之重，產品策略主要對產品結構、產品功能、投放市場以及產品定位等作出策略安排。本文作者根據自己的工作經驗，對常用的一些策略方法做一個總結梳理。對產品策略感興趣的朋友一起來看看吧。
一、引言
最近工作的重心都在跟數據打交道，各種各樣的數據呈現及內在挖掘都要定策略，加上之前在產品策略方面的經驗，因此對常用的一些策略方法做一個總結梳理，算是拋磚引玉吧。
二、概述
結合實際的工作場景和經驗，會從以下幾個層面分別進行展開：
- 定量分析：如何將定性、不確定的場景/因素進行量化的數據表達。
- 迭代思想：數據持續變化，如何利用數據構建可靠的模型，進行深度挖掘？
- 概統知識：基礎的概率統計學知識在數據分析中那是必不可少的。
- 關聯分析：數據林林總總，不同的維度/事務是否存在千絲萬縷的關聯？
當然，這樣的拆分是基于個人的經驗，不見得多么合理，其實是會存在很多的交疊，也只是冰山一角，所以活到老學到老。
三、定量分析
在實際的工作場景中，常常會碰到各種需要拍腦袋的場景，定性的成分占比較大的比重，除了基本的服務性能外，其他難以定量考評。
舉個例子，我們對于作者進行評級的時候，常常會在作品量、播放量、粉絲量和互動量這幾個指標之間糾結，到底誰更重要，重要多少呢？
一番激烈友好的討論之后定下來“播放量>粉絲量>互動量>作品量”之后，那每個的權重又是多少呢？
哎，祭出個“4-3-2-1”的圣誕樹陣型吧，分別賦予權重0.4，0.3，0.2，0.1吧——這種場景重復見到了好多好多次，歷史不會重復它的事實，但是歷史會重復它的規律，歡迎對號入座。
在這邊推薦層次分析法（AHP）：
充分利用人的分析、判斷和綜合能力，廣泛應用于結構較為復雜、決策準則較多且不易量化的問題。層次分析法主要和專家調查法一起運用，以提高評價體系的置信度。
大體框架如下：
- 將復雜/模糊的測量對象概念化，進行多個明確指標的拆解；
- 對各指標間的關聯進行具體分析，建立多層次的遞階結構；
- 在同一層次上的指標，兩兩進行相對重要性比較，建立判斷矩陣；
- 計算要素的相對權重值，并進行一致性檢驗；
- 計算各層次元素對于系統目標的合成權重，進行總排序。
具體的實施步驟就不再詳細展開了，可以參考具體案例。
以后再碰到定性問題定量化，不妨試試看。
四、迭代思想
世界是動態變化的，我們碰到的各種各的場景、數據都是不斷演變的，而他們的演變不是孤立的，基本上都是基于之前的情況變化的，包括熟知的天梯積分，各種各樣的排行榜：
這里通常采用的有以下幾種思想：
隨時間的衰減，這個最有名的當屬艾賓浩斯遺忘曲線，以及半衰期的概念，這個給到的指引，通常就是在處理過往數據時候的進行衰減降權：
- 在處理內容熱度的時候，對上一時刻的熱度進行某一個指數的降權，再結合當前時刻的各種熱點指標進行組合；
- 當時在教育行業，負責知識點掌握度的時候，最早給定的粗暴邏輯是對知識點掌握度按照周進行衰減，到某個閾值的時候不再衰減，當時雖然比較簡單，但基本能跑起來。
基于對抗的迭代提升，這就不得不提ELO算法了，簡單來說就是基于雙方前置的能力值來評估對抗的預期表現，如果實際表現好于預期則能力提升。
反之能力下降，非常樸素的思想，但廣泛使用在各種競技場景，比如國際象棋評分、國際足聯國家隊排名以及Dota等電子競技游戲。
以國際足聯的積分為例，可以簡單了解一下（截圖自摘自國際足聯官網）：
基于ELO算法的思想，當時在負責教育項目知識點掌握度的時候，我做了一個大膽的嘗試：
其實可以把做題類比于人跟試題進行對抗，人的能力其實可以看做知識點掌握度，而題目的能力則可以用試題的難度來表征，所以基于這樣的思考，對于整個知識點掌握度做了一個大版本的更新，整體的效果反饋比之前要更加準確。
另外也在思考同樣的方法是否可以用于作者的挖掘，初步的想法是：
可以分別表征某個作者的閱讀影響力、互動影響力、創作影響力等等，以閱讀影響力為例，作者在上個周期的閱讀影響力去預估他下個周期的閱讀影響表現（比如篇均閱讀量，可進行全局歸一化處理），如果實際表現好于預期那么閱讀影響力提升，反之下降，最后對多個因素加權綜合（前面的定量方法也許就排上用場了）。
五、概統知識
跟數據打交道，必不可少也不可避免的需要有基本的概率論與梳理統計的知識做支撐，不然一直拍腦袋頭都拍禿了，凡事還是得有理有據的。
在進行數據處理的過程（其實產品的邏輯也一樣）無外乎就是三件事：
是什么、為什么、怎么辦？
所以基于這三件大事，分別要做好的就是以描述性分析來刻畫現狀、以驗證性分析來探索原因、以探索性實踐來指導后續工作，在上圖也做了簡單的總結。
當前游戲整體在推內容帶發行，一般會就這這個跟同事或者面試的同學討論，如何來論證看過游戲內容的用戶在游戲內的活躍或者消費更高。這里就不展開了，有興趣的可以一起討論。
六、關聯分析
這個單獨拎出來，主要因為在過往的工作場景中經常碰到，覺得特別好用，好東西就推介一下吧。
這個最有名的當屬啤酒和尿布的例子了：
67%的顧客在購買啤酒的同時也會購買尿布。
超市有一個很有趣的現象：貨架上啤酒與尿布竟然放在一起售賣，這看似兩者毫不相關的東西，為什么會放在一起售賣呢？
原來，在美國，婦女們經常會囑咐她們的丈夫下班以后給孩子買一點尿布回來，而丈夫在買完尿布后，大都會順手買回一瓶自己愛喝的啤酒（由此看出美國人愛喝酒）。
商家通過對一年多的原始交易記錄進行詳細的分析，發現了這對神奇的組合。于是就毫不猶豫地將尿布與啤酒擺放在一起售賣，通過它們的關聯性，互相促進銷售?！捌【婆c尿布”的故事一度是營銷界的神話。
在過往的教育場景中，對試題進行詳細分析的時候，通常會對知識點、模型方法等維度進行拆解，去總結經常一起出現的知識點，一起出現的知識點和方法，這個在知識圖譜和相關試題推薦上起到了關鍵性作用。
七、總結
以上基于個人的實踐經驗和閑暇思考做了一些整理，越來越覺得“學好數理化，走遍天下都不怕”。
整體的梳理相對還比較粗淺，期望能夠借此跟大家交流討論，借助討論碰撞和持續的實踐探索不斷的修正完善。
作者：youngyue，騰訊IEG高級產品運營
本文由 @騰訊大講堂 原創發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自 Pexels，基于CC0協議。
好家伙這篇文章對于咱們這個產品小白來說，簡直是干活滿滿，感謝老師的分享~
非常不錯的，有收獲