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
榮耀標識策略產品經理工作黃金方法論：4步搞定內容精準推薦
本文以視頻內容精準推薦為例進行分享，作者將自己有關策略產品的學習與理解，為大家做一次輸出，希望能夠幫助到對策略產品感興趣的童鞋們。enjoy~
策略產品黃金四步法：
- 「待解決問題」：首選明確要解決的問題，必須要具體，不可籠統，否則策略方向會出現偏差；
- 「輸入」：即從【用戶-場景-行為】維度出發，不同場景下用戶可能的行為，此作為策略的輸入；
- 「計算方式」：需用清晰的邏輯關系來表達，可配合流程邏輯關系圖，必要時可直接給出計算公式；
- 「輸出」：結果輸出。
在次筆者將自己有關策略產品的學習與理解，為大家做一次輸出，希望能夠幫助到對策略產品感興趣的童鞋們。
下面，筆者以視頻內容精準推薦為例進行分享。
背景
在視頻結束后，首屏往往會有6個其他視頻的推薦。現在，筆者按照策略產品工作方法論，分析這一視頻推薦策略，來系統介紹策略產品的工作方法論：策略產品四步法。
示例場景：下圖是某視頻網站在某電影結束后，播放界面展示的6個推薦視頻。用戶點擊相應位置，即可觀看相應視頻
1. 待解決問題
注：待解決問題，必須定義出清晰而精準的目標，否則將會導致策略方向出現偏差。原則上，一個策略，只解決一個問題。
此處待解決問題，筆者將其定義為：
視頻結束后為用戶推薦最貼合其胃口視頻，增加觀看時長。
2. 輸入（哪些因素會影響目標的達成）
注：影響因素，作為輸入步驟的關鍵環節，盡可能發散思維，細致思考。具體思考方式可采取金字塔原理，先思考一級維度，然后二級維度，三級維度……，注意同級維度之間要互斥，不可出現交叉或包含被包含關系，盡量做到窮舉。此處分析越細致，對于后續計算和輸出關節越有幫助。具體工具可采用腦圖或excel等均可。
如下圖即為筆者整理的視頻放映結束后，影響推薦精準性的相關因素：
（右擊，在新標簽頁中打開即可查看大圖）
3. 計算邏輯
計算邏輯指上述所列舉的各要素，在一定的場景下，采取什么樣的邏輯關系，相互組合，互相作用，它們直接影響最終結果產出的準確度。
計算邏輯的表現樣式多樣，并不局限，可用邏輯表述或邏輯公式，甚至是復雜的多元函數等。如果在邏輯關系中，涉及到相關概念，則需要對概念進行詳盡說明，這和PRD一個道理，其實就是PRD的一部分。
在計算邏輯這一環節，需要細致闡述整體邏輯，邏輯關系與邏輯要素細節，要做到提交到相關干系人手中之后，對方能夠看得懂、易理解、可執行。如果涉及到比較復雜的計算公式時，比如函數，可以和RD部門合作完成。
3.1 邏輯模型
邏輯模型在實際工作環節中可有可無，它作為整體邏輯，是首要呈現給別人的內容，起到提綱挈領的作用，也就是金字塔原理的頂部內容，讓別人清晰的知道，接下來你要表達什么，以及為什么這樣表達，它有助于相關同事們從宏觀上理解你的思路。
邏輯模型完全由你自己定義，目的是思路闡述，此處避免過于細致，要防止陷入細節。
3.2 邏輯執行流程
對于復雜的執行邏輯，推薦用流程圖來表述；簡單的邏輯，幾句話就能表述清楚的，直接文字描述亦可。
下面為筆者所整理的執行邏輯。
（右擊，在新標簽頁中打開即可查看大圖）
3.3 賦權項與賦權值(附表)
此處引用賦權項與賦權值的概念。
賦權項：指包含但不限于用戶交互動作，所涉及狀態等，每一個賦權項均對應一個賦權值。即，當賦權項發生的時候，即可獲得或減少相對應的分值。
3.4 計算公式
公式一：匹配度計算
與當前視頻匹配度(D)=候選視頻標簽數 ÷ (該候選視頻標簽數+在播視頻標簽數）
與歷史視頻匹配度(L)=候選視頻標簽數 ÷ (該候選視頻標簽數+歷史畫像標簽數）
整體匹配度(P)=D+L
（注：公式中分母中標簽數量為去重處理后數量。）
公式二：偏好度計算
偏好度=（候選視頻標簽A賦權值+標簽B賦權值+標簽C賦權值+……+標簽N賦權值）÷歷史標簽總賦權值
注：
- 候選視頻標簽賦權值調取歷史畫像中相同標簽的賦權值，即候選視頻標簽A，則A的賦權值等于歷史畫像中標簽A在所有過往操作中所累積的賦權值；
- 歷史畫像中所有標簽數值，均為歷次操作所賦權數值的累加總和；
- 標簽賦權值參照附表一；
- 若平臺無法更新歷史賦值規則，則按照平臺既定規則賦值。
公式三：新熱度計算
新熱度計算方式，延續平臺既定熱度和新鮮度排序規則。
3.5 內容反差界定
內容反差界定，屬于整體策略方案的補充說明，可使整體邏輯推導過程和結果更加嚴密，具體工作中，補充內容視需要而定。
詞語釋義：內容反差界定，指基于既定規則，系統自動識別不屬于當前內容關聯推薦范疇的內容。
如何識別反差邊界：
（1）基礎用戶畫像：年齡、職業、性別等
示例場景：如當前用戶為一名38歲油膩大叔，絕對不可能喜歡動畫片。當賬戶出現大量動畫片的時候，則可基于年齡畫像，將動畫片列為反差內容予以排除（也許是用戶的孩子在看動畫片）。
（2）內容類別
不同類別內容，不可出現在當前內容關聯推薦列表。
示例場景：當前內容分類為電影，則電視劇、娛樂播報、動畫片、紀錄片、體育視頻等不同類別內容，不可出現在關聯推薦列隊中。
結論：內容推薦，首要原則要基于當前內容所述第一維度來區隔劃分，不可出現不同品類維度內容較差關聯推薦現象。
4. 輸出（結果）
輸出部分，作為整體策略工作的最后一個環節，屬于結果產出。再具體工作中，策略PM們所做的工作，一般截止到上述三步，第四步結果自然便產生了。
但結果的產出，并非意味著工作的結束，這僅僅只是開頭而已。策略，本質上，屬于一種探尋性的解決方案，在復雜多變的問題環境面前，解決方案永遠無法做到完美，所以，策略產品也永遠沒有止境。
在解決產出后，策略產品們首先需要做的是，進行效果回歸，及時跟蹤實際效果，然后開啟永無止境的循環迭代。
另外，為了防止問題的發生，可將策略結果的輸出，采取A/Btest方式，在策略方案優化迭代的基礎上逐步覆蓋用戶群。
寫到最后
策略產品對于互聯網產品領域來講，雖然已經不算一個新的概念了，但它的普及也不過一年左右的時間，也算是一個較新的產品工種。做一名策略產品經理，并不是那么容易的一件事情，它對PM的綜合素質要求較高，門檻自然較高。
策略產品經理，不同于功能產品，雖然和數據產品有一定重合，但亦有差別，究竟什么是策略產品經理，以及如何做一名優秀的策略經理，請待筆者后續繼續為大家分享。
本文由 @劉德超 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
老師有工作號或者微信號交流下嗎？謝謝~
仔細讀完了這篇文章，寫得很清晰。不過，在匹配度計算公式上，我有一點疑問：
文章是給出的匹配度計算公式為：與當前視頻匹配度(D)=候選視頻標簽數 ÷ (該候選視頻標簽數+在播視頻標簽數）
按照我的理解，匹配度是計算候選視頻與當前視頻的標簽匹配程度，所以應該按照 二者的相同標簽數/在播視頻標簽數 由此來確定候選視頻是否與在播視頻相似或匹配
舉個例子：
候選視頻1：與在播視頻相同標簽有5個，此外還有10個標簽，在播視頻除了5個相同的標簽外還有5個標簽
候選視頻2：與在播視頻相同標簽有4個，此外還有20個標簽，在播視頻除了5個相同的標簽外還有6個標簽
在播視頻共有10個標簽，候選視頻1與在播視頻有5個相同的標簽，候選視頻2與在播視頻有4個相同的標簽，直觀來看，顯然候選視頻1是匹配度更高的視頻。但是按照文中的公式計算，候選視頻2的匹配度更高……
如上述過程有理解不妥之處，還請指教。
文章中的整體思路簡潔清晰，有一個問題想探討下：具象這個場景那么多維度，為什么不粗暴一點使用推薦算法呢，比如直接推薦與觀看視頻類似的視頻就好了，或者推薦與觀看者用戶畫像相似的也ok啊
你好，看到這個問題我想交流一下。以我的理解，推薦算法的后臺設計也是按照策略制定進行的，也就是說推薦算法是策略產品的產物，所以作者這里說的其實是推薦算法的后臺設計流程。不知道我這樣的理解對不對，如果認知偏差，還望指教
這兩個不太一樣，文章中的方式是基于用戶自己行為的推薦，推薦算法有很多是基于相同愛好者推薦，比如協同過濾算法等等。實際過程中，兩者兼有之。
作者這里講的是一個工作流，不是某個功能模塊的設計，你可以理解成設計某個算法規則或邏輯的過程，這個算法邏輯或者規則，在業務上統稱為某種策略
不是很明白，新用戶這里：給予偏好前三標簽賦權值排序，再取前十，獲得新標簽列表，可以麻煩抽空解答下嗎？
想問下樓主的kpi是什么，常見的是轉化率和人均觀看時長，但是當個性化推薦覆蓋到一定程度之后，后面推薦策略的優化帶來的更多是比較平緩的增長。那么做推薦策略產品的話，kpi應該怎么定更加合理？
開頭方法論贊同，有兩個疑惑
1.第二章，開頭是想要窮盡所有影響目標的可能因素吧？為啥不從場景上反推，觀看視頻結束廣告的場景，是不是只有人、視頻、平臺，三方角色
2.章節3.2，沒太理解這個流程圖沒太看懂，如果是結合用戶畫像做精準推薦，那是不是明確樣本、訓練樣本，交給RD做就行了，如果是自己要出個策略規則，那為啥要用這種流程圖？
1.章2，開頭是想要窮盡所有影響目標的可能因素么？試試從場景反推，觀看視頻結束廣告的場景，只有人、視頻、平臺，三方角色？
2.章節3.2，流程圖沒太看懂，如果是結合用戶畫像做精準推薦，那是不是明確目標、訓練樣本，交給RD做就行了，如果是自己要出個策略規則，那流程圖是給誰看的？
發完了才發現好多錯別字。。。。
作者有微信和公眾號么，方便交流一下。
有視頻教程?
您好，我有不明白的地方，看文章時候一直不太理解標簽的概念，請問標簽在文章中是怎樣的存在？如果現在的產品沒有標簽池，如何建立起體系來？
我想聽作者分析幫忙解析下數據產品和策略產品的差別 ? ，誠懇的等待回復
簡單來說，策略產品是數據產品的延伸。數據是底層，策略是上層建筑。如果在數據的基礎上，賦予一些解決問題的策略性方案的話，那么，數據產品就成了策略產品。舉個栗子，很多公司都有數據中臺，數據產品經理的產出是為相應部門提供直觀的數據報表，相應部門基于可視化數據，進行一些決策，比如消息推送，優惠券發放，精準推薦等。那么，基于數據進行優惠券發放，就而已稱之為策略。實際工作中，策略遠比這個復雜，這個是指一個比喻，方便理解。
不錯，有邏輯
首先感謝分享，不錯有邏輯流程有標準的參照值列表的文章。
有一點沒看明白煩請講解一下，主要是權值合理邏輯問題。不勝感激。
1.首先我的理解這個賦值應該是分為兩部分是吧。一部分用于賦值用戶身上，用于記錄或者分析用戶的喜好（畫像）。一部分在視頻本身上（僅本身，用于輔助熱度，評論相關定位，同時用于本次判定用戶是否喜歡這個視頻）。不知道理解是否有誤？
2.觀看時實時更新用戶的賦值和視頻賦值（為后續推薦或者整個生態建立數據分析），好處是及時用戶沒有看完或者沒有其他動作我們也可以捕獲到寫基本數據。不知道這個理解是否有誤，畢竟有直接跳出或者根據周邊區域熱推跳轉的？
3.真正的問題來了- 根據年齡推斷這個權重值是如何設定呢，一是中年基本孩子例天天看 汪汪隊，小豬佩奇。。。。。，二是動漫和動畫有界定模糊?？赡茏髡邇H作為舉例，按我剛想深度學習一下煩請告知。
4.真正的問題來了-最終推薦是否是這樣理解，A用戶歷史賦值（畫像） 動畫類型10，動作-30，綜藝10，科幻1，戰爭-30。其他信息 年齡30 性別男 身份。。。。，當前觀看視頻路徑（電影-歐美-戰爭。。。） 選定范圍，當前觀看視頻的意愿（如果判定不喜歡，就不推薦導演，演員關聯的視頻了），然后根據用戶的歷史賦值走穩重流程進行輔助篩選，然后按照一定規則排序。
問題比較多，如有作者有時間煩請解惑一些。再次感謝，我是業務和執行方向，期待多學習一下策略和規劃相關
你上面的問題1和2，在文章中已經有解答了。就是按照你陳述的思路做的。你的理解沒錯，非常正確。
用戶的畫像庫，是實時更新的，隨著用戶的每一次操作，實時動態更新。用戶的每一次操作就是賦權項，電影對應的標簽，就會隨著賦權項而增減相應分值。
但是有一點，問題1的描述，用戶的畫像和視頻標簽是不能割裂開的。用戶的畫像，就是由這些諸多視頻標簽組成的。當然除了視頻標簽外，畫像還有諸如人口統計，付費額度區間，賬戶級別等其他。但是用戶偏好，就是由這些視頻標簽決定的。
問題3，正如你說，我只是舉例。只是想說明一下，內容推薦要遵從同類目的原則。即，電影后面只能推薦電影，而不能出現話劇或體育視頻等。這個類目，可以按頻道從屬來界定。產品本身已經給出界定邊界了。比如，動畫片，體育，娛樂播報等。
這個問題 ，更深層的，我也沒有深度思考，可以先采取上面這種粗暴界定方式。更精細的，應該又是一套策略題目了。
比如這樣一個燒腦的場景：
用戶A，從基礎畫像上來講，是一位50歲大叔，愛功夫片，歐美暴力片，且在過去的5年中，從來沒有看過膩歪歪的韓劇愛情片（正常愛情片，別想歪了）。突然在某個時間節點開始，播放軌跡中密集出現韓劇愛情片。
可以得出如下可能的結論：
1. 大叔心萌新芽，我們管不著。給與正常熱度值計算并推薦。
2. 賬戶被盜
（這又需要多條件判定，比如之前愛看的類型還在照常播放嗎？是，賬戶沒被盜。否，賬戶被盜；播放設備id有變更嗎？變更時間和播放軌跡變化時間節點吻合嗎？如果是移動端的話，賬戶啟動所在地，和之前有突然的變動嗎？變化時間節點是否與播放軌跡變化時間吻合？……）
3. 他人與大叔共享賬號（找了小蜜也不一定）。
那么如何解決呢？從策略層面，我目前也不知道，以后可以慢慢研究。
但是，可以先用其他方式，給與一些試探動作：比如，當某韓片播放結束時，偶然間彈出那么一個小窗：請選擇您最喜歡的一個影片類型 ，選項有： 【功夫，歐美動作，韓式愛情】 。
① 如果用戶選了韓式愛情，而根據當前的實際畫像，韓式愛情熱度遠遠不足，基本可以判定，當前用戶并非大叔本人，且通過條件判定，賬戶沒有被盜，那么在播放功夫片的時候，后面就不能推薦韓式愛情片。
② 如果選擇功夫，那么說明大叔春心萌動，一切正常。
額……給自己挖了個坑，大致如此吧。歡迎探討
非常感謝回復。說明了我確實理解了作者所發內容，也學習到了。再次感謝作者分享。
“4”是我做了個假設用于輔助驗證推薦篩選是否符合上文所描述的策略方法。打的比較急有錯別字可能導致無法很好理解啦。哈哈是我的錯。
問題4，表示沒太看懂。
策略推薦，一定按照數值推薦，其中最關鍵的是，數值是怎么來的。數值本身并不重要，重要的是算法邏輯，有了算法邏輯，自然有了數值，且數值是實時動態的，不能太過機械，否則就會失去策略的意義。
寫得很好
有一個疑問，煩請解答一下：對于用戶歷史觀看和現在觀看的視頻是基于該用戶的歷史行為打標簽賦值，如果點贊觀看視頻，那這個視頻的標簽值只會加1次，而推薦池的視頻，是怎么框定它的標簽值的，因為看這個視頻可能有n多個用戶已經看過電炸鍋，比如n個用戶對視頻點贊，會加總n次？不對等的情況下，如何匹配？
您好，您給自己挖了一個邏輯陷阱。
您搞混了一個概念：候選視頻標簽分值，并不是有他人觀看該視頻所帶來的。
首先，推薦池的視頻標簽值不會因為N個用戶看，就會加N個標簽值，因為每個人所看當前視頻帶來的標簽值，與他人無關，只和自己有關，也就是說，多人看同一部電影，并不意味著這部電影的標簽值就會高。
其次，候選視頻標簽值得分來源：候選視頻標簽賦權值調取歷史畫像中相同標簽的賦權值，即候選視頻標簽A，則A的賦權值等于歷史畫像中標簽A在所有過往操作中所累積的賦權值；
可能有點繞，再舉個栗子；
候選視頻標簽Y，該標簽在其歷史畫像標簽庫中的熱度得分為：Y賦權值÷所有標簽總賦權值。分值為百分比。這個百分比就是標簽Y的熱度值。
那么標簽庫中的Y賦權值怎么來的呢？Y的賦權值由該用戶所有歷史操作帶來，每一次操作都是一次賦權項，所有賦權分值的累計，就是Y的賦權值。這個賦權值÷總賦權值，就是它的熱度值。
不知我有沒有說明白。
還是有點不理解，候選視頻我沒看之前，是沒有進行任何操作的，我理解只能基于候選視頻和我歷史看過視頻來進行匹配，要么是以人的緯度進行匹配，和我用戶畫像很像的人在看過當前視頻后對候選視頻進行了點擊，那判斷我也應該會對這個候選視頻感興趣，這中間不會基于這個候選視頻的熱度來進行推薦嗎？候選視頻被1個和我畫像相同的人點擊和被3000個和我畫像相同的人點擊效果是一樣的嗎？當前和歷史的我理解了，就是候選視頻這塊計算邏輯沒明白
簡單來說，我不理解候選視頻的標簽哪里來的，因為賦權項和賦權值只提到了操作部分，但是候選視頻，用戶還沒有對其進行任何操作
候選視頻本身，是沒有任何熱度的。為了對候選視頻進行排序，所以我們必須給它合理的搞出點熱度值出來。你的困惑也在于：我還沒有對候選視頻進行任何操作，它怎么能有“熱度”呢？
你可以這樣理解：
首先，基于用戶過往的操作，他有自己的畫像庫，而畫像庫就是由諸多標簽組成的（當然除了標簽外，還有其他畫像內容，比如年齡、地區等，先不管這些，此處只說視頻標簽的事情）
其次，用戶畫像庫中的每一個標簽，都有自己的標簽熱度值（注：這個熱度值是一個百分比，熱度值=該標簽賦權值÷所有標簽賦權總值）基于熱度值生成標簽序列，姑且形象的稱其為【標簽排隊】吧，誰第一名，誰第二名，這樣好理解。
再次，候選視頻也會有自己的標簽。用候選視頻的標簽，去和用戶的畫像庫中的標簽進行匹配（或者反向匹配也行，道理一樣）。所匹配成功的畫像庫的標簽熱度，就被視為候選視頻的標簽熱度（這句話很關鍵，注意理解）。這里候選視頻的標簽熱度，是假熱度(實際上就是匹配度），其作用只是起到一個排序的作用，以便將候選視頻按照這個數值進行排序。照此思路，將所有候選視頻標簽的熱度相加，就能得出視頻總熱度，候選視頻的排序就出來了（即匹配度排序）。
再強調一下，候選視頻的“熱度“，是假熱度，本質上就是匹配度，只是為了排序而已。
上面只是針對你的困惑進行了針對性解答。具體執行的時候，要綜合候選視頻與歷史畫像的匹配度，以及和當前視頻的匹配度進行統籌考慮。
希望能幫到你。
可以說3個公式，沒有太搞懂么……現在在做策略評估，每天接PM的需求，看著好饞～
其實公式挺好理解的，可以先從整理邏輯模型上來理解。
公式一就是核算匹配度的。匹配度=與當前視頻匹配度+與歷史偏好匹配度。匹配度主要解決哪類的問題。
其中，與當前視頻匹配度占據絕對類目方向主導，也就是說，當前看什么視頻，推薦的視頻就應該偏重于該類目，同時以歷史偏好作為輔助。因為視頻是典型心流型消費，很容易有沉浸感。比如，我當前正在看一部很感人的愛情片，被感動的稀里嘩啦，放映結束后，卻給我推薦恐怖片、功夫片，總是不妥的。
其次就是偏好度，同一類目中，具體偏好哪一部？偏好度主要解決哪個的問題。
最后就是參照新鮮度和熱度了篩選過濾了。比如騰訊視頻，居然會在電影后面給我推薦一個十年前影片的預告片，2008年的預告片啊，我也是服了……
唉，我報了九月的班也是為了省著想選題，好好寫作業輸出文章的，被搶先了哈哈哈。
干貨，雖然對于做運營的我來說不太切中，但非常認可這樣的落地方法
大神！好牛逼的策略產品思路，對于策略產品講述的很清晰透徹，既有理論，也有案例，是一篇值得收藏并且反復品讀的文章，學習了！