产品经理这个岗位在这几年可谓大热。
可对于“策略产品经理”，很多人都表示不懂了。
同样的，我再一次拿一个比较好玩的例子来讲解——以男性找女友为例。
策略产品经理和普通产品经理的日常工作，有什么区别呢？
如果说，产品经理的核心工作是对用户痛点形成解决方案，那么策略产品经理的核心工作，就是结合数据分析对用户痛点形成定制化的解决方案。
为了满足男性找女友的需求，各个产品经理绞尽脑汁。
普通PM做出一个产品：为男性用户推荐大量异性，让他在里面挑选；
策略PM策划一个模型：输入某男性，对应输出符合该男子心目中女神条件的女性。
那么，针对策略PM，他的工作流程是什么样子的呢？
搭建模型的流程：
Step1：发现和提出问题
了解用户需求，从用户调研中得到定性的判断，再通过数据分析得到定量的论据。
定性判断：
这位策略PM，约了大批哥们儿羞羞夜聊，经历了几天几夜的熄灯长谈，收集了大量信息，做出总结：男人在选择女人的时候，会看容貌、看身材、看性格、看家境、看学历、看薪资、看……
定量论据：
通过不完全统计，90%的男性会将女人的脸作为70%的决策因素（这数据只是为了举例子瞎掰的哈），等等之类的。
Step2：拆解问题，制定解决方案
PM从业务中提出有助于模型识别的关键特征，也就是模型的变量。
若涉及多个模型，需将这些特征结构化，根据不同业务目的将特征归类并形成不同的子模型。
策略PM说，好哒，接下来我们就开始提取变量吧。
----形象----
身高
体重
三维
罩杯
肤色
发色
脸型
瞳距
睫毛长度
嘴巴大小
……
----性格----
手机社交app下载量
参加社团/俱乐部数量
微信好友数量
近一个月外出聚餐次数
近一个月蹦迪次数
近一个月流泪次数
近一个月发火次数
最近大笑分贝峰值
……
----资产----
工资水平
近半年消费奢侈品次数
近一年贷款总额度
近一年贷款次数
使用护肤品价位档次
使用手提包价位档次
近一个月消费餐厅人均价格
……
Step3：跟进策略模型的开发落地
策略PM把以上这些需求信息梳理出来，接下来交给策略RD去进行模型构建。
策略RD接过需求，对数据进行确认和理解，并做接下来的数据处理。
1）样本选取
选一定时间周期内的样本数据，做随机样本集，划分训练集、测试集、验证集。
为了让这个例子再简单点，我们假设全世界的女人只有A和B两种，且样本中的男人都只喜欢一种女人。
策略PM选取了一批真实数据样本，一共1W条，信息如下：
男人姓名——偏好的女人类型
王一——A
王二——B
王三——A
王四——A
……（1W条）
2）变量选取
结合业务形式来做选择，选出合适数量的描述性变量，并对变量做进一步衍生工作。
也就是前面策略PM已经选取的变量啦，结合本次业务需求，选出合适的变，比如身高、体重……
那么对应样本数据为：
男人姓名——偏好的身高——偏好的体重——……——偏好的女人类型
王一——170cm——45kg——……——A
王二——135cm——100kg——……——B
……
3）数据处理
需对异常数据进行处理，包括缺失值、极端值等。
缺失值比如，1W条样本数据中，出现了部分“王五——（空）——43kg——……——A”的情况，常见处理方法：直接删除；根据样本相似性填补；根据变量间相关性填补。
极端值比如，出现了“王六——168cm——9999kg——……——A”的明显偏离的数据。常见处理方法：离群值监测等。
4）变量处理
对定性变量进行量化的处理。
比如性格情况，无法用数据表明，可以用0代表内向，1代表活泼，等等。
常用处理方法：变量分箱、WOE分析，等等。
5）变量选择
用清洗后的数据，检查变量之间的相关性，以模型的IV作为变量筛选的依据。
IV：information value，衡量某一变量的信息量，用来表示一个变量的预测能力。
IV——预测能力
<0.03——无
0.03~0.09——低
0.1~0.29——中
0.3~0.49——高
>=0.5——极高
Step4：制定评估方案，完成效果评估
最后，如果这是一个成型的模型，输入一位男人的名字，就能输出猜测其偏好的女性类型；如果这是一个成功的模型，输出的结果应该较为精准。
前面我已经讲过，我是简化了例子，把女人只分成了AB两大类。事实上，这个世界上的女人林林总总，形形色色，划分类型的维度千千万万，至于如何做到为入参的男性更精准地推荐到心水的女神，正是对策略PM的产品设计能力、模型研发和技术水平的考验。
包括某些音乐APP给你推荐的歌曲、资讯APP推荐的文章等等，为什么有些APP简直神了，十次推荐中九次击中我芳心，正是策略模型的效果。
最后来点正儿八经的总结：
什么是策略和模型？
策略是根据形势发展、基于数据分析而制定的解决方案。
模型是对收集的数据集合经过统计分析后，总结出的数据规律关系。
我们为什么需要策略？
在产品的用户客群和应用场景较集中的时候，用功能性的思维能解决多数的问题。
但是，当用户数量增长到一定的规模，不同群体和不同场景之间交织，产生难以计数的诉求，单纯通过产品功能的思维是难以满足用户需求、或者说带来特别满意的用户体验的。这时候，策略PM就该登场了，为不同特征客群的痛点，“量身定做”针对化的解决方案，打造更为舒适的用户体验。
而当收集用户行为数据越多，模型判断准确性越高，用户对模型反应效果好的概率越高。
欢迎交流
微信公众号：彭靖文Dreamin
