再聊我在大廠做策略產品踩過的坑

0 評論 959 瀏覽 1 收藏 11 分鐘

在快速發展的互聯網行業,策略產品經理的角色越來越關鍵,他們負責通過數據分析和產品策略來推動業務增長。然而,即使是最有經驗的專家,也會在這條道路上遇到各種挑戰和陷阱。

做策略產品很多年了,從京東,美團,阿里再到快手,這期間做過從0到1的搭建,也做過從1到N的優化,一帆風順是不可能的,期間走了不少彎路。

幾年前也前梳理過自己踩得幾個坑,但是隨著項目越做越多,經歷越來越豐富,越來越多的坑需要等著去填,下面這些都是我的血淚教訓,大家看看自己是不是正在踩。

坑1:模糊的策略目標設定

策略產品在做迭代的時候,必然涉及到對于項目需求的目標拆解和定義,這個不僅僅影響對于你做的每一個策略價值收益的衡量,也會直接影響到具體策略的落地,比如模型收斂目標的制定。

通常策略的目標是由具體的指標進行量化,關于策略產品的指標,能夠羅列一大堆:

流量類型的:PV,UV,曝光PV/UV,點擊PV,點擊UV等等;轉化收益類型的:CTR,CVR,RCVR,UV價值,RPM等。

那么,在設定做一個策略的ROI之前我們到底該如何確定選取哪個指標呢?

這就需要我們在做需求的前置分析的時候,首先想清楚目前的目標導向是什么。是GMV導向,還是轉化率導向,還是流量導向?

目標導向不同,直接決定了整個推薦系統設計過程中的策略,公式,算法,特征等等的選取。

我給到的建議是:對于新業務線暫時不要以GMV為導向,可以從流量或轉化率的角度入手,選取CTR作為核心指標;對于比較穩定的業務線則以GMV為導向,選取UV價值作為核心指標。

很多時候我看到的現狀是“既要又要”,巴不得一個策略所有相關指標都能漲,這其實是典型的預期不當。

坑2:數據問題

策略產品的搭建,如果數據問題是其面臨的第二大問題,那么就沒有什么可以稱作是最大的問題了。

以推薦策略產品為例,都知道做一個推薦系統,三大數據不可或缺:用戶,物品和事件,否則就無法做一個推薦系統。

所以,數據對于策略產品的重要性不言而喻,正如我經常說的:策略是基于特定的業務場景,通過數據應用的方式去提升業務核心指標,解決用戶核心痛點。

當然,需要注意的是,這里的數據問題并不是指沒有數據,而且沒有結構化的數據。

結構化數據也稱作是行數據,是由二維表結構來進行邏輯展示和表達的數據,嚴格遵循數據格式與長度規范,主要通過關系型數據庫進行存儲和管理。

主要要表現在三個方面:

  1. 埋點缺失,線上數據無法采集,尤其是用戶行為相關的數據
  2. 數據沒有進行科學的存儲,導致線上無法使用
  3. 數據存儲結果比較混亂,工程效率低下

以上三點,直接決定了一個業務線是否能夠搭建推薦策略產品。我記得老早之前在京東參加了一個VP級別的會議,當時京東搜索推薦的VP說了一句讓我印象很深刻的話:

底層數據各種屬性不全,最好的規則也白搭

針對這類問題,我建議大家在做策略產品之前,尤其是從0到1去做,不要看了幾個推薦系統架構,搜索系統架構的文章,就開始想著用什么召回策略,用什么排序策略,選什么樣的模型,先看看最基礎的條件是否具備。

當時在京東剛開始做策略產品的時候,我用了三個月的實踐啥事都沒有做,只優化產品線上埋點,提高線上數據的質量,降低白埋率,然后才開始做搜索,做推薦。

坑3:推薦系統牛逼到無所不能

當然,除了上述的客觀問題之外,還會經常碰到下面的連環提問:

  • 哇,這個東西我不喜歡,為什么還在我的列表展示?
  • 嗯,這個東西是怎么推出來的,毫無根據啊
  • 這幾個東西我怎么都沒見過…
  • 我想買一個電磁爐,咋沒給我推出來啊…
  • 啊,你看我們兩個推的東西不一樣啊,會不會被投訴…

這些提問的背后,實際上是近幾年推薦熱帶來的用戶預期管理不當,尤其今年策略產品的招聘越來越多了,人們對策略的認識也逐漸開始普及。

在大多數人的眼中,推薦系統無所不能,而且能夠未卜先知,當然更不能犯錯,推出來的item必須是它喜歡的,認可的。

而準確度,多樣性,不存在的。推薦系統當中的EE問題是一個非常經典的問題,這里不展開描述了。

在企業中,這種問題主要是發生在頻繁與業務方對接需求的過程中,所以我建議在講解方案,進行規劃的時候做好預期管理,同時對于項目的核心衡量指標做好定義和目標閾值設置。

當然,從策略層面可以盡量的減輕這種因為預期不符帶來的用戶體驗營銷,比如典型的負反饋策略其實就是解決這個問題的。

坑4:沒有算法的推薦系統就很low

算法現在越來越被神化了,貌似只要產品加上算法,那么業務指標就一定能提升,所以,上算法模型在企業內部變成了一種“政治正確”的事情。

所以當有人看到你的推薦系統沒有GBDT,SVD,甚至連個最簡單的LR都沒有的話,呵呵,不好意思,你這不叫推薦系統。

實際上是,推薦系統除了基于各種算法的推薦,還有一個大類是基于內容的推薦。這其中包括了基于約束的推薦,基于知識的推薦等。比如典型的tag2i策略其實就是一種基于標簽的規則匹配策略。

真實情況是很多企業,包括大廠在推薦系統搭建的初期全部都是基于規則邏輯的推薦系統。這其實也是一種推薦系統冷啟動的原則:

通過規則快速落地一個可行的推薦系統,從而去驗證個性化能夠帶來分發效率的提升,然后隨著業務體量的提升,場景的豐富,逐步迭代上模型。

另外,做推薦系統也需要有互聯網的產品思維,MVP先行。

可以先試一試基于用戶的個性化行為feature去做一些個性化的推薦是否能夠提升相關的指標,是否契合本業務線?

一個新的業務線如果一上來就開始選各種算法,訓練各種模型,先不說客觀條件具備與否,就說最后的ROI是否能夠達到都需要畫一個問號。

策略本身還是為業務服務,從業務出發,撇開業務談策略都是耍流氓。

坑5:脫離實際業務場景做策略

隨著策略產品的商業應用越來越成熟,尤其是搜索,推薦方向,業界的系統級架構,常見的一些策略思路,導致很多時候產品經理在做策略的時候奉行拿來主義,越來越欠缺業務的思考。

比如拿我之前做過醫生推薦系統,也就是給用戶推薦醫生用于其問診和購藥,業界常用的Item-CF和User-CF的思路合適么?

A和B兩個醫生的特征相似度很高,那么對于用戶看過A醫生,最好的策略就是把B醫生推給用戶么?

A和B兩個用戶的特征相似度很高,那么如果用戶A在平臺上問診過某個醫生,那么一定的給用戶B推薦該醫生么?

以上的邏輯很明顯無法適用于用戶看病找醫生,但是通用商品卻很適合。

正常的邏輯應該是什么?

首先,就用戶習慣來講,一般大家都會信任熟悉的醫生,所以之前為該用戶看過病,開過方的醫生,對于用戶來說就是最好的選擇。

其次,從平臺的角度來說,醫生有水平高低,服務態度的差別,所以如何幫助用戶挑出比較好的醫生,高效的鏈接用戶和醫生資源,才是提升用戶體驗和轉化的關鍵。

可以看出策略還是從業務中來,回到業務中去,依據就是業務模式和用戶場景,終極目標還是提升用戶體驗和流量轉化。

以上就是我總計出的在做策略產品當中的五個大坑,希望能給你帶來一些啟發。

本文由人人都是產品經理作者【夏唬人】,微信公眾號:【策略產品夏師傅】,原創/授權 發布于人人都是產品經理,未經許可,禁止轉載。

題圖來自Unsplash,基于 CC0 協議。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 目前還沒評論,等你發揮!