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
榮耀標識再聊我在大廠做策略產品踩過的坑
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：
- 埋點缺失，線上數據無法采集，尤其是用戶行為相關的數據
- 數據沒有進行科學的存儲，導致線上無法使用
- 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。
- 目前還沒評論，等你發揮！
