產(chǎn)品經(jīng)理對算法的掌握需要到什么標準旗吁?

最近一直在研究用戶畫像中的千人千面,結合自己以往的工作經(jīng)驗停局,總結一下讓人困惑的問題很钓。

1、產(chǎn)品經(jīng)理在團隊中工作職責怎樣定位董栽?

看完圖后码倦,我們會發(fā)現(xiàn),產(chǎn)品經(jīng)理最主要的角色是統(tǒng)籌管理裆泳,另一個在產(chǎn)品的細節(jié)上叹洲,也就是產(chǎn)品的交互原型稿與用戶的推薦邏輯方案。


2工禾、產(chǎn)品經(jīng)理需不需要考慮算法运提?

答案是肯定的 → 需要

1)我們先來了解一下到底什么是算法?

算法(Algorithm)是指解題方案的準確而完整的描述闻葵,是一系列解決問題的清晰指令民泵,算法代表著用系統(tǒng)的方法描述解決問題的策略機制。也就是說槽畔,能夠對一定規(guī)范的輸入栈妆,在有限時間內(nèi)獲得所要求的輸出。

關鍵詞:指令厢钧、策略機制鳞尔、輸入、輸出早直。

3寥假、團隊的協(xié)作流程

本從接受需求、設計功能霞扬,到研究算法糕韧、跟進實施的步驟

拆分成了兩塊:我?guī)У恼{(diào)度產(chǎn)品組負責調(diào)度產(chǎn)品,而研究員團隊負責調(diào)度算法喻圃。

1)萤彩、需求提出

與互聯(lián)網(wǎng)產(chǎn)品一樣,需求基本來源于運營斧拍,例如:

運營的同事認為雀扶,鮮花訂單的派單形式要有新的產(chǎn)品和算法支撐。這里講一下背景肆汹。我們的即時物流平臺會有外賣愚墓、商超窍侧、快遞、鮮花等一系列類型的訂單转绷,其中外賣訂單是比較核心的,我們做的也比較久硼啤,因此很多產(chǎn)品模塊包括調(diào)度的設計议经,都是適應外賣場景的。當時鮮花則是相對新的業(yè)務谴返。

2)產(chǎn)品經(jīng)理承接需求煞肾,并抽象

我們小組的同事小 C 接到了這個需求,于是跟運營的同事多次溝通討論需求背景嗓袱,以及跟相關的其他同事(比如銷售籍救、商務的同事,以及騎手)確認實際場景渠抹。最終蝙昙,抽象出算法問題。

比如梧却,以下就是經(jīng)典的算法問題描述

在時效要求不高(以天為單位奇颠,而外賣是 1 小時內(nèi)送達)、起點集聚終點分散(外賣的起點終點都是分散的)放航、每個騎手可攜帶鮮花訂單數(shù)量為 n (外賣的上限 m < n)的前提下烈拒,應該如何基于外賣調(diào)度邏輯來設計鮮花調(diào)度邏輯。

換一個更好理解的案例:

產(chǎn)品需要根據(jù)用戶添加“喜歡”的內(nèi)容向用戶推送用戶喜歡的內(nèi)容广鳍,就是一個“猜”的功能荆几,那么這個猜出來的內(nèi)容是怎么算出來的,這個算法赊时。

3)算法研究院承接算法需求吨铸,解決問題。

算法工程師在接受算法需求的時候蛋叼,同樣也會找產(chǎn)品與運營了解相關參數(shù)的權重焊傅。例如用戶畫像中的瀏覽、搜索狈涮、收藏狐胎、下單等用戶行為,其實權重是不一樣的歌馍。

4)整合算法握巢,做出完成的產(chǎn)品需求文檔方案。

4松却、看看滴滴完成的案例:

1)背景? (運營提出需求暴浦、產(chǎn)品經(jīng)理/算法工程師承接)

業(yè)務場景:一個訂單被派給多個司機溅话,司機根據(jù)自己的喜好選擇接受或拒絕

目標:最大化一次派單成單率

關鍵問題:estimate the probability of each driver's acceptance of an order

算法方案:步驟1,估計每個司機的接單概率歌焦;步驟2飞几,將各個司機接單率作為輸入,最大化派單成功率

2)司機接單率模型(數(shù)據(jù)產(chǎn)品經(jīng)理独撇、算法工程師屑墨、數(shù)據(jù)分析師)

訂單-司機關聯(lián)特征:接駕里程、訂單推送給多少個司機纷铣、訂單是否與司機當前駕駛方向一致

訂單特征:起點到終點的距離卵史、ETA、終點類型(醫(yī)院搜立、機場以躯、學校、商務區(qū)等)啄踊、規(guī)劃路線的路況忧设、目的地歷史上的訂單頻率

司機特征:歷史接單率、司機活躍地點社痛、接駕里程偏好见转、最近接單率等

補充特征:特征日、特征小時蒜哀、司機數(shù)斩箫、附近運單數(shù)

使用LR和GBDT模型,LR模型比GBDT略好一些撵儿,北京市的準確率為0.7822乘客,AUC是0.8680;上海市的準確率是0.7632淀歇,AUC是0.8470易核。

約束表示,一個司機一個時刻最多只能派一單

目標是使這一批訂單這一次派單的總體成單率最高浪默。

使用啟發(fā)式算法解上述問題牡直。

初始解:對每個司機,派給他接單率最大的訂單纳决,然后計算每一單的成單率碰逸,得到平均成單率

迭代:對運單i,找到?jīng)]有被派到i的司機集合U阔加,對U的每個司機k饵史,如果把i派給k,平均成單率提高,則改派

3)評估方案

指標:

成單率

平均接駕時長

平均派單時長

取消率

人均單量

最后編輯于
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
禁止轉載胳喷,如需轉載請通過簡信或評論聯(lián)系作者湃番。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市吭露,隨后出現(xiàn)的幾起案子吠撮,更是在濱河造成了極大的恐慌,老刑警劉巖讲竿,帶你破解...
    沈念sama閱讀 211,123評論 6 490
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件纬向,死亡現(xiàn)場離奇詭異,居然都是意外死亡戴卜,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,031評論 2 384
  • 文/潘曉璐 我一進店門琢岩,熙熙樓的掌柜王于貴愁眉苦臉地迎上來投剥,“玉大人,你說我怎么就攤上這事担孔〗牵” “怎么了?”我有些...
    開封第一講書人閱讀 156,723評論 0 345
  • 文/不壞的土叔 我叫張陵糕篇,是天一觀的道長啄育。 經(jīng)常有香客問我,道長拌消,這世上最難降的妖魔是什么挑豌? 我笑而不...
    開封第一講書人閱讀 56,357評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮墩崩,結果婚禮上氓英,老公的妹妹穿的比我還像新娘。我一直安慰自己鹦筹,他們只是感情好铝阐,可當我...
    茶點故事閱讀 65,412評論 5 384
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著铐拐,像睡著了一般徘键。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上遍蟋,一...
    開封第一講書人閱讀 49,760評論 1 289
  • 那天吹害,我揣著相機與錄音,去河邊找鬼匿值。 笑死赠制,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播钟些,決...
    沈念sama閱讀 38,904評論 3 405
  • 文/蒼蘭香墨 我猛地睜開眼烟号,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了政恍?” 一聲冷哼從身側響起汪拥,我...
    開封第一講書人閱讀 37,672評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎篙耗,沒想到半個月后迫筑,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,118評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡宗弯,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,456評論 2 325
  • 正文 我和宋清朗相戀三年脯燃,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蒙保。...
    茶點故事閱讀 38,599評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡辕棚,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出邓厕,到底是詐尸還是另有隱情逝嚎,我是刑警寧澤,帶...
    沈念sama閱讀 34,264評論 4 328
  • 正文 年R本政府宣布详恼,位于F島的核電站补君,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏昧互。R本人自食惡果不足惜挽铁,卻給世界環(huán)境...
    茶點故事閱讀 39,857評論 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望敞掘。 院中可真熱鬧屿储,春花似錦、人聲如沸渐逃。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,731評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽茄菊。三九已至疯潭,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間面殖,已是汗流浹背竖哩。 一陣腳步聲響...
    開封第一講書人閱讀 31,956評論 1 264
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留脊僚,地道東北人相叁。 一個月前我還...
    沈念sama閱讀 46,286評論 2 360
  • 正文 我出身青樓遵绰,卻偏偏與公主長得像,于是被迫代替她去往敵國和親增淹。 傳聞我的和親對象是個殘疾皇子椿访,可洞房花燭夜當晚...
    茶點故事閱讀 43,465評論 2 348

推薦閱讀更多精彩內(nèi)容