本次课程能学到很多干货和通用方法论，希望之后有机会实践。
以下是策略产品课程的思维导图：
第一章 了解策略和策略产品经理
策略无处不在，策略是一种实现目标的手段
例如电商：搜索策略、推荐策略、广告策略、补贴策略、配送策略
策略四要素：待解决问题、输入（影响解决方案的因素）、计算逻辑（将输入转换成输出的规则）、输出（具体解决方案）
策略pm主要关注待解决问题、输入；而策略rd关注计算逻辑，而pm最后要给出结论，效果是否用户想要的。
策略产品经理要努力想象不同人在同一个场景什么样，和适应想不同人不同场景。
策略是降低成本实现个性化的手段
功能与策略产品经理的差异
1、发现问题：功能：一个人相对聚焦的需求；策略：一群人更多样和更有统计意义的需求
2、撰写需求：功能：流程和原型表达产品实现效果；策略：逻辑描述和效果示例表达产品实现效果
3、跟进开发评估：功能：更关注结果，验收呈现效果；策略：更多参与过程，多轮评估深入参与开发过程，与策略rd一起发现各要素中的问题
4、上线后效果回归：功能：更快达到理想态；策略：永无止境的产品循环，复杂且受多因素影响
第二章 策略产品发现问题的四个方法
发现问题的途径
一、用户反馈
收集用户问题-用户反馈分析-整理撰写需求-落实产品改进
1、收集：自有渠道、外部渠道
2、分析：数据处理-问题整理
数据处理：浏览了解数据内容-删除无效数据-对有效反馈标注理解背后的问题（不是问题、已知问题、未知问题）
局限性：沉默的是大多数，随机、影响面和优先级男判断
小结：每个反馈背后都是一个真实用户的情感表达，以敬畏心态深入分析每个问题。
二、系统监控
针对相对稳定的产品，数字性指标收集、观察、字段、实时发现问题的有效手段
搭建：
定义待监控的指标、定义报警规则
1、定义指标
产品框架拆解：白盒【效果监控】、黑盒【策略监控（策略产品、技术监控（功能产品）】
2、定义报警（重要程度、波动幅度）
条件：在正常区间外
方式：电话、短信、邮件
#界定波动区间#
数据敏感度：波动是否超越历史波动范围
三西格玛理论：正太分布，u+-3o
#评估指标重要程度#
x=影响程度 y=影响面
效果监控（白盒部分）
搜索案例：用户搜索-看到结果-用户点击/翻页
【满足效果】
小时级监控：同比上周同期波动>50%短信
天级监控：同比上周同日波动>5%邮件；>20%短信
【覆盖情况】
小时级监控：同比上周同期波动>5%短信；>20%电话
效果监控（黑盒部分）
*以搜索为例
1、识别策略
理想：覆盖程度、准确程度（机器识别不了）
现实：只能监控「识别到多少」
覆盖率：识别为图片需求的流量/网页搜索总流量
需求强度分布：强、中、弱需求的比例
*图片需求=强需求量+中需求量+弱需求量
小时级监控：同比上周同期波动>5%短信；>30%电话
2、检索策略
通过检索结果的质量来衡量
监控指标：相关性打分=每个搜索词对应结果的相关性打分均值
小时级监控：同比上周同期波动>20%短信，50%电话
3、展现策略
监控表现：样式占比、点击率
小时级监控：同比上周同期波动>5%邮件 >20%短信
监控的局限性：
1、精度不高
2、不能直接定位问题
相对人工排查：监控自动、实时、针对效果
3、阶段性调研
使用场景：制定产品接下来的计划；修正巩固自身方法论
阶段性调研：最能代表产品的全貌，有效指导下阶段计划
时间节点：
1、接触新产品（方向）：接手某个产品方向的时候
2、周期性回顾：每个月/季度/半年固定周期的回顾
3、不定期回顾：其他需要临时回顾整个产品全貌
通用方法论：
定义理想态-拆解未达理想态的情况-提出解决方案-验证是否解决
1、找到理想态：数字化指标或其他明确标准
2、抽样分析：不到理想态的case分析，统计分类，明确不好的原因
3、优先级判断：汇总所有问题，综合影响面、问题严重程度和解决成本确定优先级，作为接下来的项目计划
第一步：找到理想态（阶段性产品目标）
复杂情况：百度：搜到了需要的信息（无法用单一指标衡量）
简单情况：滴滴：到达了目的地（订单成交率）
搜索：平台当前能够给出的最佳产品方案
推荐：在候选集合中是否是最佳结果，用户行为指标为发现问题辅助手段
小结：
工具属性产品理想态：帮用户解决问题，单一指标
推荐、搜索等理想态：复杂的情况
第二步：抽样分析明确问题原因
样本们称为case
一、基本步骤
确定调研目标！！！-确定抽样对象-选择抽样方法-确定抽样数量-样本分析标注-整理汇总问题
1、确定调研目标（很重要）
2、确定抽样对象
通过一定规则筛选出的待分析的全量集合
筛选规则：核心指标未达到理想态，可以代表全体用户的行为的最小时间窗口（一天）的全量数据
样本类型：用户个体、行为片段（session）、搜索词、订单
分析滴滴成交问题：全国一周内所有未成交订单抽样
分析美团搜索问题：（复杂情况）一天全量用户session抽样，认为进行筛选
3、选择抽样方式
简单随机抽样
4、选择抽样数量（？）
精度和成本的balance，代表某类样本数量有统计意义
经验值：尽量使代表某问题的样本数量 >=5，或者影响面>=3%
5、样本分析标注（与用户反馈收集类似）
6、整理汇总问题
上下层级：总分关系
同层级之间：相互排斥、不重叠、不遗漏
问题框架不唯一：有初版预设、不断调整直至完善
第三步：优先级判断
1、单位成本的收益(ROI)从大到小
2、ROI相同时，绝对收益较高的优先级高（也要看时长，市场瞬息万变）
3、待解决问题的恶劣程度
项目收益=待解决问题的影响面（通过调研得到直接的拥挤数据）x解决后体验提升程度 （问题导致的「实际数据指标与理想态指标的差距」）x 预期解决比例（研发给出）
项目成本=通常仅指研发成本
第三章 策略产品的通用方法论
一、简单策略
给出策略规则：基于历史数据给出、参照竞品给出
二、复杂策略
1、从0到1:描述理想态、怎样的输入下要达成怎样的输出效果
2、策略迭代的项目：更多描述策略现状，待解决问题是什么，针对这些问题，理想的输出效果是怎样的
自检清单：
结构：逻辑清晰、层次分明
背景：描述清楚，待解决问题
目标：产品理想态或考核指标
示例：通过示例辅助，让问题更明确和清晰
策略需求文档核心是将策略四要素描述清楚
针对复杂策略，可以跳过计算逻辑这个要素，但需要case示例
策略质量评估：用来说明策略本身的质量
输出结论：该策略的召回率（对问题的解决程度）&准确率（有没有带来其他伤害）【有矛盾，希望两者越高越好，按照产品阶段，找平衡点】
Diff评估：用户直接感受到产品效果变化是怎样的
diff影响面：用户感知发生变化的比例，通常要小于策略影响面
good：same：bad（g：s：b）：随机抽样有变化的case，站在用户体验角度评估
策略评估：基于理想态找到问题-汇总和抽象问题，提出解决思路or方向-给出结论
效果回归
有没有解决问题or达成目标：
1、如果有：有没有进一步优化空间、有没有引入新问题、优化/解决手段是什么
2、如果没有：是为什么，如果要达到目标，接下来要做什么
一、项目启动前
第一步：明确预期：产品目标是什么
第二步：指标体系：该目标可以用哪些数据指标来衡量
建立指标体系：
问题和目标是什么：找到核心指标
解决问题和实现目标的关键路径是什么：找到过程指标
新路径伤害了谁：找到观察指标
二、开发上线
全流量上线：评估效果好，仅与本项目有关（实验期同比上一周期变化x%）
小流量上线：项目效果存在一定不确定性时，abtest（实验流量比基线变化x%）
注意：抽样方法是否随机；样本集合是否有天然差异。先进行流量空跑，避免问题
三、上线后
第四步：收集第二步中的指标，看是否达到第一步预期
第五步：分析问题产出结论
符合预期：产品循环暂时中止
不合预期：新的产品循环开始
【实例】策略方法应用-消息推送
1.0 基于用户分层的推送（活跃、不活跃、iphone、安卓）
2.0 个性化的内容推送
1、收集用户历史行为，建立用户标签，用于内容推荐
2、收集上架和价格变化，作为待推送内容和活动信息，作为待推送内容集合
3、根据用户标签和俄候选内容，生成基于每个用户兴趣的内容
4、设置推送频率，在允许频率内，当某男用户存在可推内容时，自动进行推送
3.0 基于反馈的推荐系统
1、推荐时间纳入推荐控制
2、丰富推荐使用的标签数据
3、每个人的点击行为作为推荐优化的重要依据，不停迭代
小结：
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
第四章 策略在核心业务上的应用
功能导向性：关注单个用户的体验
业务导向型：关注多边平台的利益
「功能导向性」
「业务导向型」
需要考虑多个存在显著需求差异，甚至利益冲突的用户群，策略要在多个利益群直接寻找合适解决路径，使群体利益最大化
*所谓双边/多边市场
1、策略框架-分析每个用户：针对每个角色，都是一个功能导向性的策略框架
2、策略框架-建立多边关系：平衡
1）将阶段性目标拆解为与个用户群利益相关的公式，寻求多方利益的最大化。
2）在此过程中，任何一方的退让以边界值为底线。
【商品定价策略】
买家：低价买商品
卖家：商品售出最高价
边界值：买家购买价格低于心理价位；售价高于成本
1、分析双方利益关系
双方都希望促进交易，矛盾点是价格高低
2、拆解交易过程
背景定义：假设卖家只有一件商品
1）卖家作为定价方，商品成本cost是客观数据
2）买家心理价位price是推测数据
3、定义不同目标下的定价策略
【出行app策略-从0到1】
一、各利益体需求
乘客：希望最近的司机接单（等待时间最短）
司机：希望最挣钱的订单（接驾时间短、距离更长、更不堵车）
二、定义每个利益体的边界值
乘客：最长等待时间最长是x分钟
司机：接受的最远接驾距离是x km
三、寻找平衡公式
1、分析双方利益关系
双方希望促成交易，矛盾是咩个人都渴望最优质的匹配对象
2、定义撮合规则
阶段性目标：成交率最大（更偏向乘客利益），每一时刻订单被最大程度的消化
撮合方案：接近最大，避免宕机
【出行app策略-从1到N】
1、想保证乘客个人的最大价值，但是当一个人打20次车后，就是一个群体，以平台为中心的撮合系统能保护整个群体的利益。
2、机器指派比人更理性，人会因为心情或主观判断导致决策失误没接到单，机器指派整体来说是效果最佳的。
第五章 策略在其他业务上的应用
【策略在增长中的应用】
增长：「更有效率的杠杠」
杠杠：通过额外的投入获得更多的回报（超出自然趋势增长）
效率：更低成本/更快速度/更精准的定向
实现增长的流程：触达-认知-转化
不做精细化策略的原因：
1、数据量不够，对用户了解不够
2、外部因素变化大
3、自身能力不足
【策略在风控中的应用】
「风控」=最小成本的避免伤害
避免伤害：
1）对平台的伤害：刷补贴、欺诈、损坏单车
2）对用户的伤害（延伸到平台）：内容垃圾信息
最小成本：大多数风控策略都会给平台/用户造成额外成本
1）期望给用户增加更多限制
2）在高风险倾向选择更严格的策略
3）任何高召回的策略存在一定概率的误伤
核心思路：
降低「作弊者」的收益：滴滴取消司机的补贴
提高「作弊者」的成本（降低相对利益）
例子：「出行平台司机刷单问题」的反作弊策略进化（提高成本）
抓：区分正常、不正常、异常行为，按照用户使用流程分析
1、定义正常行为
2、定义不正常行为
3、定义异常行为
风控的基础在数据
惩：
1、定义处罚的规则
2、及时止损
在线策略：该异常可以实时召回，偏事前阻止
离线策略：通过需要一定的时间窗口来收集数据，偏事后惩罚
【策略在数据上的应用】
「应用驱动」
支持核心业务：比如搜索推荐的对象，考虑覆盖率、时效性、可用性等
支持增长：比如用户分层、兴趣标签。考虑覆盖率、准确率等
支持风控：比如行为数据、设备数据。考虑覆盖率、可用性等
数据是一切策略的基础！
