產(chǎn)品經(jīng)理這個崗位在這幾年可謂大熱荐吉。
可對于“策略產(chǎn)品經(jīng)理”，很多人都表示不懂了口渔。
同樣的样屠，我再一次拿一個比較好玩的例子來講解——以男性找女友為例。

策略產(chǎn)品經(jīng)理和普通產(chǎn)品經(jīng)理的日常工作缺脉，有什么區(qū)別呢痪欲？
如果說，產(chǎn)品經(jīng)理的核心工作是對用戶痛點(diǎn)形成解決方案攻礼，那么策略產(chǎn)品經(jīng)理的核心工作业踢，就是結(jié)合數(shù)據(jù)分析對用戶痛點(diǎn)形成定制化的解決方案。
為了滿足男性找女友的需求礁扮，各個產(chǎn)品經(jīng)理絞盡腦汁知举。
普通PM做出一個產(chǎn)品：為男性用戶推薦大量異性，讓他在里面挑選太伊；
策略PM策劃一個模型：輸入某男性雇锡，對應(yīng)輸出符合該男子心目中女神條件的女性。

那么僚焦，針對策略PM然痊，他的工作流程是什么樣子的呢熄赡？

搭建模型的流程：
Step1：發(fā)現(xiàn)和提出問題
了解用戶需求，從用戶調(diào)研中得到定性的判斷挽铁，再通過數(shù)據(jù)分析得到定量的論據(jù)腾啥。
定性判斷：
這位策略PM猪狈，約了大批哥們兒羞羞夜聊晰赞，經(jīng)歷了幾天幾夜的熄燈長談括儒，收集了大量信息，做出總結(jié)：男人在選擇女人的時(shí)候肮韧，會看容貌踢故、看身材、看性格惹苗、看家境、看學(xué)歷耸峭、看薪資桩蓉、看……
定量論據(jù)：
通過不完全統(tǒng)計(jì)，90%的男性會將女人的臉作為70%的決策因素（這數(shù)據(jù)只是為了舉例子瞎掰的哈）劳闹，等等之類的院究。

Step2：拆解問題洽瞬，制定解決方案
PM從業(yè)務(wù)中提出有助于模型識別的關(guān)鍵特征，也就是模型的變量业汰。
若涉及多個模型伙窃，需將這些特征結(jié)構(gòu)化，根據(jù)不同業(yè)務(wù)目的將特征歸類并形成不同的子模型样漆。

策略PM說为障，好噠，接下來我們就開始提取變量吧放祟。

----形象----
身高
體重
三維
罩杯
膚色
發(fā)色
臉型
瞳距
睫毛長度
嘴巴大小
……

----性格----
手機(jī)社交app下載量
參加社團(tuán)/俱樂部數(shù)量
微信好友數(shù)量
近一個月外出聚餐次數(shù)
近一個月蹦迪次數(shù)
近一個月流淚次數(shù)
近一個月發(fā)火次數(shù)
最近大笑分貝峰值
……

----資產(chǎn)----
工資水平
近半年消費(fèi)奢侈品次數(shù)
近一年貸款總額度
近一年貸款次數(shù)
使用護(hù)膚品價(jià)位檔次
使用手提包價(jià)位檔次
近一個月消費(fèi)餐廳人均價(jià)格
……

Step3：跟進(jìn)策略模型的開發(fā)落地
策略PM把以上這些需求信息梳理出來鳍怨，接下來交給策略RD去進(jìn)行模型構(gòu)建。
策略RD接過需求跪妥，對數(shù)據(jù)進(jìn)行確認(rèn)和理解鞋喇，并做接下來的數(shù)據(jù)處理。

1）樣本選取
選一定時(shí)間周期內(nèi)的樣本數(shù)據(jù)眉撵，做隨機(jī)樣本集侦香，劃分訓(xùn)練集、測試集纽疟、驗(yàn)證集罐韩。

為了讓這個例子再簡單點(diǎn)，我們假設(shè)全世界的女人只有A和B兩種仰挣，且樣本中的男人都只喜歡一種女人伴逸。
策略PM選取了一批真實(shí)數(shù)據(jù)樣本，一共1W條膘壶，信息如下：
男人姓名——偏好的女人類型
王一——A
王二——B
王三——A
王四——A
……（1W條）

2）變量選取
結(jié)合業(yè)務(wù)形式來做選擇错蝴，選出合適數(shù)量的描述性變量，并對變量做進(jìn)一步衍生工作颓芭。

也就是前面策略PM已經(jīng)選取的變量啦顷锰，結(jié)合本次業(yè)務(wù)需求，選出合適的變亡问，比如身高官紫、體重……
那么對應(yīng)樣本數(shù)據(jù)為：
男人姓名——偏好的身高——偏好的體重——……——偏好的女人類型
王一——170cm——45kg——……——A
王二——135cm——100kg——……——B
……

3）數(shù)據(jù)處理
需對異常數(shù)據(jù)進(jìn)行處理，包括缺失值州藕、極端值等束世。

缺失值比如，1W條樣本數(shù)據(jù)中床玻，出現(xiàn)了部分“王五——（空）——43kg——……——A”的情況毁涉，常見處理方法：直接刪除；根據(jù)樣本相似性填補(bǔ)锈死；根據(jù)變量間相關(guān)性填補(bǔ)贫堰。
極端值比如穆壕，出現(xiàn)了“王六——168cm——9999kg——……——A”的明顯偏離的數(shù)據(jù)。常見處理方法：離群值監(jiān)測等其屏。

4）變量處理
對定性變量進(jìn)行量化的處理喇勋。

比如性格情況，無法用數(shù)據(jù)表明偎行，可以用0代表內(nèi)向川背，1代表活潑，等等睦优。
常用處理方法：變量分箱渗常、WOE分析，等等汗盘。

5）變量選擇
用清洗后的數(shù)據(jù)皱碘，檢查變量之間的相關(guān)性，以模型的IV作為變量篩選的依據(jù)隐孽。
IV：information value癌椿，衡量某一變量的信息量，用來表示一個變量的預(yù)測能力菱阵。
IV——預(yù)測能力
<0.03——無
0.03~0.09——低
0.1~0.29——中
0.3~0.49——高
>=0.5——極高

Step4：制定評估方案踢俄，完成效果評估

最后，如果這是一個成型的模型晴及，輸入一位男人的名字都办，就能輸出猜測其偏好的女性類型；如果這是一個成功的模型虑稼，輸出的結(jié)果應(yīng)該較為精準(zhǔn)琳钉。
前面我已經(jīng)講過，我是簡化了例子蛛倦，把女人只分成了AB兩大類歌懒。事實(shí)上，這個世界上的女人林林總總溯壶，形形色色及皂，劃分類型的維度千千萬萬，至于如何做到為入?yún)⒌哪行愿珳?zhǔn)地推薦到心水的女神且改，正是對策略PM的產(chǎn)品設(shè)計(jì)能力验烧、模型研發(fā)和技術(shù)水平的考驗(yàn)。
包括某些音樂APP給你推薦的歌曲又跛、資訊APP推薦的文章等等噪窘，為什么有些APP簡直神了，十次推薦中九次擊中我芳心，正是策略模型的效果倔监。

什么是策略和模型？
策略是根據(jù)形勢發(fā)展菌仁、基于數(shù)據(jù)分析而制定的解決方案浩习。
模型是對收集的數(shù)據(jù)集合經(jīng)過統(tǒng)計(jì)分析后，總結(jié)出的數(shù)據(jù)規(guī)律關(guān)系济丘。

我們?yōu)槭裁葱枰呗裕?/strong>
在產(chǎn)品的用戶客群和應(yīng)用場景較集中的時(shí)候谱秽，用功能性的思維能解決多數(shù)的問題。
但是摹迷，當(dāng)用戶數(shù)量增長到一定的規(guī)模疟赊，不同群體和不同場景之間交織，產(chǎn)生難以計(jì)數(shù)的訴求峡碉，單純通過產(chǎn)品功能的思維是難以滿足用戶需求近哟、或者說帶來特別滿意的用戶體驗(yàn)的。這時(shí)候鲫寄，策略PM就該登場了吉执，為不同特征客群的痛點(diǎn)，“量身定做”針對化的解決方案地来，打造更為舒適的用戶體驗(yàn)戳玫。
而當(dāng)收集用戶行為數(shù)據(jù)越多，模型判斷準(zhǔn)確性越高未斑，用戶對模型反應(yīng)效果好的概率越高咕宿。