以一个小的策略为例，看看在完整的产品循环下策略的通用方法论是如何应用的——京东到家的消息推送策略。
首先回顾下策略工作的通用方法论
理解产品目标
产品目标：通过消息出大用户，实现相应的转化目的
核心指标：消息点击率
注意：
本案例中覆盖的消息仅指活动类消息，不包括各类业务消息（比如订单发货、退款、订阅更新等业务环节的提醒）
版本0.0：人工推送
产品方案：运营同学写好文案，通过简易的消息推送工具给全部注册用户发送消息
推送效果：点击率只有0.5%
发现问题
采用阶段性调研的方法
问题分析
理想态：所有人都点击
未达理想态：有99.5%的人都没有点击，怎么拆解？
PM对用户的理解还较少，提出新的分析思路：反向看点击的人，对比点击的人和没点击的人有什么差异，试着分析其中的规律
进一步分析：
1）这次推送对活跃用户的效果更好，点击率大概7.4%，非活跃用户只有0.1%。虽然预期会有差异，但是差距太大，需要试着优化针对不活跃用户的推送内容
2）活跃用户中，android点击率23%、iphone用户点击率3.5%。差异非常大，不符合认知，猜测可能大量iphone关掉了app推送
版本1.0：增加基于用户分层的推送
产品方案：
1）基于用户基础信息和历史行为挖掘用户标签：活跃程度、手机平台
2）运营可根据标签配置不同的文案和推通道
3）增加短信推送通道
推送规则：iphone增加短信通道一起推送，android仅进行app推送
效果回归
推送效果：点击率提升至1.5%
1）活跃用户点击率提升至11%，其他用户点击率0.5%，都提升明显
2)iphone点击率0.7%，android用户点击率2.4%，iphone转化率依然不高
结论：短信通道的效果不好，需要分析问题。另外，可以进一步分析其他待优化点。
问题分析
首先分析短信通道问题，发现：
1）app中没有埋点，所以点击短信短连接后无法调起app
2）而且短信中的短连接没有加统计标识，打开的移动端网页不知道这是短信带来的流量
然后对没有点击的个用户群各自抽样分析，发现：
1）没有点击的用户都是曾经很少买或没有买过肉蛋奶类商品的用户。在活跃用户中表现尤其显著。
2）同时补充抽样点击用户，发现86%的用户都有>2个包含该品类的订单
——可以考虑更细化的推送内容
版本2.0：个性化的内容推送
产品方案：
1）收集更多用户历史行为（订单、收藏、搜索、浏览等），建立更加细化的用户标签，用于内容推荐
2）收集平台商品上架和价格等信息的变化和常规活动信息，作为待推送内容集合
3）根据用户标签和候选内容，生成基于每个用户兴趣的内容
4）设置推送频率限制，在允许频率内，当某用户存在可推送内容时，自动进行推送
此时，运营同学只需要配置各类兴趣维度的模板，系统自动发起推送。
效果回归
推送效果：点击率提升至2.5%
1）iphone点击率2.1%，android用户点击率2.6%，两者非常接近了，符合预期
2）优化内容后，各类用户的点击率均有可以明显提示
结论：比较符合预期，可以进一步分析其他待优化点
继续对比点击和未点击用户差异，并随机抽取用户详细分析，发现：
1）各推荐维度在不同品类上有不同表现
2）不同用户对同一种推荐维度的点击率也差异很大
3）同一用户在不同时间段的点击率有比较明显的差异
——可以在推荐特征中增加品类和用户历史点击数据；可以将推送时间纳入个性化推荐
版本3.0：基于反馈的推荐系统
产品方案：
1）将推送时间纳入推送控制
2）继续丰富推荐使用的标签数据
3）将每个用户的点击行为作为推荐优化的重要依据，不停迭代
总结
消息推送的效率本质：给合适的用户在合适的时间点发送合适的消息
【合适】最初由PM定义，最终根据数据反馈确定
在这个完整的案例中，产品一步步进化，从功能到策略、从简单策略到复杂策略，我们依次优化了消息推送的四个要素，达到了相对理想的状态。
在这个过程中，我们仅以问题驱动，并加入了优先级判断的分析。
而在实际项目中，限于成本收益和平台数据的积累程度，很多消息推送策略停留在1.0或2.0版本即中止进化了。
以上为三节课策略产品课程个人学习笔记。
