策略产品经理逻辑和经验
2022-10-31 15:05:51 0 举报AI智能生成
登录查看完整内容
策略产品经理逻辑和经验 提供五百份原型各行各业加我V5354590
作者其他创作
大纲/内容
给开发用机器能明白的语言描述
并发数越大反应时间越长，所以找到的解决方法不一定是最优解，只能尽量做到最优，找到反应时间与最优解的平衡
Tips
只需要考虑单一用户群的需求，可以给出相对明确的需求满足理想态，策略围绕该理想态努力
给出区分不同用户群/场景的规则
定义衡量规则的标准，将其数字化（召回率、准确率）
需求理解
给出资源获取和预处理的规则
资源支撑
给出真对每个用户群/场景，应该提供怎样的解决方案
定义好的体验的标准，将其数字化（取决于具体的产品类型，通常是产品的核心指标）
提供解决方案
策略框架
根据外部因素变化给出最佳亮度输出
产品目标
外部光源亮度
光源类型
系统时间
应用类型
用户历史行为
各特征的召回率和准确率
衡量指标
触发条件
亮度变化的基本原则
稳定性
通过示例case表达理想态，产出亮度计算的函数
用户手动调节亮度的比例（从不满意的角度逆向评估）
其他基于反馈的监控
解决方案
亮度传感器实现数据收集
背光源提供亮度控制接口
数据收集覆盖率
收集准确率
亮度控制接口精度
屏幕亮度
帮助用户以最低成本完成目的地的输入
出发地
出发时间
历史行为
正在输入term
用户潜在需求（预测）
各推荐策略的召回率和准确率
目的地推荐模块
搜索推荐模块
搜索建议模块
用户输入成本越低越好
更低成本的推荐的时候用率越高越好
进一步拆解为各推荐的召回率和准确率
历史数据用户需求预测
地点数据作为推荐候选集合
目的地输入模块
目的明确从A到B
时间最短
最低价格
步行距离
最小延误风险等
不同用户场景下的代价不同
以最低的代价从出发地到达目的地
目的地类型
判断当前主要代价
增加主动填写出发时间的功能提升准确和召回
从排序点击情况逆向观察代价判断的准确率
eg
给出可到达的路线候选集合
根据需求判断的代价权重，给出候选线路的排序
给出排序依据（市场、步行、价格等数据）
准确率：确实可到达（基于抽样评估可行性）
召回率：尤其优质路线的覆盖
路线准确率和召回率
点击越少越好（摘要和引导足够满足），选用结果排序越高越好
用户满意度
用户相关数据
目的地类型数据
用户需求判断
公交/地铁线路（站点、运营时间、班次间隔、票价等）
路网数据
用户路线规划
路况历史数据（不同交通工具）
用户到达时间预测
各数据的召回率和准确率
公交线路推荐
高效的获取信息
经过切词处理即可进行后续检索
结构简单清晰的query
需要进行纠错、同义转换等语义处理
口语化的query
需要进行更加unique的语义处理
表达方式很复杂的query
需求明确
除了统一的query变换外，需要将特定要求转换成搜索引擎可理解的特征
需求明确，对答案有特殊需求
上下文数据
类目数据
个性化数据
拓展维度
需求不明确，需要进行需求扩展和预测
广义的query解析
需求类目/需求词
需求强度
待检索term/pattern
其他限定特征（时效性、地域等）
每个query分析规则的召回率和准确率
各需求的召回率和准确率
根据需求强度（命中需求的概率）
不同需求间
相关性
权威性
时效性
可用性
根据结果质量
同一需求间
以点击行为来优化
排序
将结果页中与query相关的信息提取为标题/摘要，进行飘红等处理帮助用户筛选信息
通用策略
对于单一明确的信息需求，可以将结果信息直接在摘要中展现，例如天气、客服电话等
对于用户接下来路径相对收敛的需求，可以将下一步需求前置，缩短步骤，例如邮箱登录，歌曲播放等
对于不同资源类型的结果，可以针对性优化摘要，例如视频类、图片类、地图类等
细化策略
展现
每个需求打分、质量打分、展现策略的召回率和准确率
摘要满足型需求：无/少点击行为
但结果满足型需求：点击集中于首条结果
主动变换query比例低
翻页比例低
基于用户行为
query前3/5/10结果相关性：基于人为需求判断当前结果是否能满足；与竞品相比是否有更好结果收录、排序是否更优
session满意度：从用户一个行为片段分析其是否得到满足
基于人为评估
用户角度的搜索满意度
分类基础词库：用户query切词处理、同义转换、纠错等
语义理解和处理规则：用于query解析
自然语言相关
保证各类网页收录覆盖度
保证各类网页收录时效性
网页收录（爬虫spider）
对页面类型进行识别，页面中内容解析、为term赋权等
页面分析
网页相关
对于nlp相关，各类词库、处理策略的准确率和召回率
对于网页收录，收录覆盖率、更新时效性
对于页面分析，各类准确率和召回率
网页搜索
kill time
基础特征（eg.设备型号）
历史行为（eg.对某类信息的点击率）
实时特征（eg.当前时间）
衡量指标：各类特征的召回率和准确率
基于原始规则的推荐
统一到ctr预估的机器学习模型
为点击服务，同时避免标题党
ctr预估的准确率，进一步拆分为各策略的召回和准确率
ctr和停留时间
优质内容的覆盖率和时效性、生产unique内容
网页资源
为网页分类、特征分析提供支持
自然语言资源
内容覆盖率和时效性
内容推荐
案例
功能导向型
考虑多个存在显著需求差异、甚至利益冲突的用户群，策略要在多个利益村之间找寻合适解决路径，是的群体利益最大化；随着阶段性目标变化，策略路径也会随之变化；所谓双边/多边市场
寻求多个角色之间的平衡，考虑各用户群的边界值
针对每个角色，都是一个功能导向型策略框架
单方利益
将阶段性目标拆解为与个用户群利益相关的公式，寻求多方利益最大化
阶段性目标
在平衡过程中，任何一方退让都要有边界值
边界值
多边关系
希望便宜
边界值：价格低于心理价位
买家
希望昂贵
边界值：价格大于成本
卖家
利益集体
共同利益：成交
矛盾：价格高低
分析双方利益关系
拆借交易过程
定义不同目标下的定价策略
找到多边关系的平衡公式
寻找平衡
商品定价
希望最近的司机接单（等待时间最短）
边界值：能接受的最长接驾时长
乘客
希望接挣钱的订单（接驾短、距离长、不堵车等）
边界值：能接受的最远接驾距离
司机
双方都希望促成交易
矛盾在于每个人都渴望最优的匹配对象，而优质资源是稀缺的
成交率最大（更偏向乘客利益），每一时刻的订单被最大程度的消化
乘客做出让步（接单的不一定是最近的司机）
司机做出让步（接到的不一定是周围价值最大的订单）
单个司乘对的成交率（不同程度让步带来的不同成交概率）
穷举多个司乘对间所有的排列组合方式
求得某种组合方式，使得对于所有乘客司机总成交率最大
成交率最大的司乘组合方式
定义作撮合规则
实现平台上订单的高效分发。乘客打到车，司机挣到钱
广义的成交率为核心指标
需求较低频和稀疏，w单/天
阶段现状
叫到车就好
对平台无依赖，有单就好
以乘客为中心，由近及远播单
存在最大播单距离，以保证司机体验
需求分发优先
1.0以乘客为中心
需求较密集，10W单/天
打到车
希望更近更好的订单（市场上存在多个叫车平台）
当司机需要订单时，由近及远选取周围未成交订单播单
存在最大播单距离，以保证司乘体验
供给占用优先
2.0以司机为中心
需求继续密集，＞10W单/天
引入订单长度
目的地特征
已被抢概率
取消概率
司机特征等
排序系统进化，升级为基于ctr预估的推荐系统
以司机为中心，当司机需要订单时，选取周围订单，按ctr预估模型进行排序
2.n以司机为中心的订单推荐系统
需求继续密集，＞100W单/天
同时考虑整个区域内所有乘客司机以哪种组合方式可以达到所有人的体验最优（成交率最高）
3.0以平台为中心的订单撮合系统
保证司机宏观利益的同时，宏观上提高订单成交率
3.1以平台为中心的订单撮合系统+指派系统
通过动态调价可以满足乘客最大播单距离内没有司机的问题
3.2以平台为中心的订单撮合系统+指派系统+动态调价
产品进化
出行APP
平衡是一个生态系统存在的基础；各自成长是生态系统繁荣的必要条件
业务导向型
核心业务
目标用户在哪里，通过什么渠道找到，渠道的用户质量如何
通过技术手段将渠道持续细分
在不同渠道中确定如何圈定和识别目标用户群
触达
相关渠道需要用什么手段影响用户
改手段对流量的利用率和转化率如何
对不同渠道和手段的搭配进行持续测试
产品手段中包含内容时，针对不同用户进行更精准地内容推荐
认知
付出多少成本带来多少转化
针对不同用户以不同手段补贴的最低成本和转化率
通过持续测试，将用户不断细分并精细化的确定撬动不同用户的最低成本
转化
三要素
基于调研和假设
冷启动
基于数据反馈持续ABtest接近理想值
自循环
通过老用户分享到社交圈触达新用户，实现拉新的目的
获客成本
单均成本
转化率
拉新数量
通过老用户在平台的历史消费行为和其他特征判断其消费层次、兴趣倾向、价格敏感度等因素，得到渠道质量，作为该老用户渠道的冷启动值
根据后续用户转化情况，持续优化对该渠道的判断，是否作为拉新有效渠道持续投入
以老用户的消费层次和兴趣倾向为其触达用户群的冷启动值，决定红包内容
同时设定多组ABtest，用户测试其他内容的对照效果
根据不同券领取后的转化率情况不断调整内容分布，达到最佳转化率，将相关数据作为该老用户渠道的新标签
以老用户的价格敏感度为其触达用户群的冷启动值，决定红包类型和金额
设定多组ABtest用于测试其他类型和金额的对照效果
更具不同券领取后的转化率情况不断调整类型和金额，达到转化率或ROI的最佳值，相关数据作为该老用户渠道的新标签
分享红包（拉新）
通过设置各类满减或折扣套餐，实现提高用户活跃、增加销售额的目的
客单价/毛利率等
由平台的通用渠道实现对用户的触达
根据全部用户情况和其他实时性因素设定形式和金额
通用动销
根据单个用户的历史消费数据和兴趣倾向设定动销的产品形式和金额
定向动销
时刻关注ROI
套餐/单品型的动销本身可以成为拉新手段
关注点
认知&转化
外卖平台的优惠券和套餐（动销/促活）
针对具体司机制定精细的补贴方案和金额，实现最小成本达到最高订单成交量的目标
在线时间
人均成单量
单均补贴成本
司机在线/时长奖励/抢单奖励等
通用补贴
高峰期、夜间等时段奖励，司机任务（个性化、阶梯目标）
简单定向补贴
订单加价、动态调价
精准定向补贴
流量成本
补贴成本
补贴过程中对其他用户的伤害
促转化过程中对该用户的伤害等
CAC用户获取成本
关注用户在整个生命周期中对平台的贡献，而非单次交易收益
PBP价值回收周期
LTV用户终身价值
相应等级的特权/优惠是否能够吸引用户
成本有效性
达到该等级对平台贡献的大小是否跟成本match
例如，某商场满消费1W的会员享9折，那满足条件的会员后续一直会有9折这个活动的成本而没带来更多的价值
收益
会员的特权
为了使新用户达到留存的Aha moment，平台会做一定的资源倾向（额外流量或优先派单等），此时对其他用户造成的伤害也要考虑在成本范畴内
Aha moment
更宏观的ROI（LTV/CAC）
ABtest的结论会作为经验值，在不同的阶段性目标下，可以选取不同经验值的组合以达成不同目标
更高利润：追求ROI最大、增长速度可能是慢的
更快增长：追求转化率最大，ROI非最优
受目标影响的理想态
两个关注点
出行平台对司机补贴的进化（促活）
增长
反作弊
风险评估
风控
比如搜索推荐的对象。考虑覆盖率、时效性、可用性等
支持核心业务
比如用户分层、兴趣标签。考虑覆盖率、准确率等
支持增长
比如行为数据、设备数据。考虑覆盖率、可用性等
支持风控
基础数据
画像标签
产出需求
策略评估
策略上线效果回归
建立监控体系
基本流程
数据
策略在不同产品方向的应用
待解决问题
输入-影响解决方案的因素
计算逻辑
输出-具体解决方案
策略四要素
概述
产品端的反馈入口
客服收集到的问题
自有渠道
应用商店评论
微博贴吧等媒体渠道
外部渠道
收集用户问题
浏览了解数据内容
删除无效数据
对反馈问题进行标注理解背后的含义
不是问题：抱怨
已知问题：优先级不高或已在项目计划未上线
未知问题：抽取具体行为数据（自有渠道）；用户回访（外部渠道）
常见问题分类
数据处理
问题标注
问题备注
问题整理
用户反馈分析
整理撰写需求
落实产品改进
用户反馈收集
针对相对稳定的产品，通过对数字性指标的收集和观察，自动、实时发现问题
白盒（用户行为）：效果监控
黑盒（后端模块）：策略监控、技术监控
定义监控指标
数据敏感度
三西格玛原则
触发报警的条件：定义正常波动区间
报警方式：依据重要程度和及时性，电话、短信、邮件
定义报警规则
监控体系的搭建
系统监控
效果回归
接触新产品
周期性回顾：月/季度/半年等
不定期回顾
时间节点
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
通用方法论
找到理想态：定义理想态并以数字化的指标或其他明确标准来衡量
准确性
覆盖面
确定调研目标
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内的全量数据
用户个体
行为片段
搜索词
订单
……
样本类型
确定抽样对象
简单随机抽样
选择抽样方法
精度和成本的平衡
经验值：使代表某问题的样本数量≥5，或者影响面≥3%
确定抽样数量
样本分析标注
上下层级：总分关系
同层级之间：互相排斥，不重叠、不遗漏
整理汇总问题
抽样分析：抽样分析，统计分类
项目收益=待解决问题影响面*解决体验提升程度*预期解决比例
项目成本多指研发成本
ROI=项目收益/项目成本
如果多个项目ROI相同，通常绝对收益高的优先级较高
如果多个项目ROI相同，收益周期过长的优先级较低
紧急项目优先级最高
优先级判断：综合影响面、问题严重程度和解决成本确定优先级
阶段性调研步骤
阶段性调研
策略产品发现问题的方法
项目背景
项目目标
需求概述
需求详述
统计需求
监控需求
文档包含内容
基于历史数据给出（有数据积累）
参照竞品给出（0-1搭建）
简单策略：PM直接给出策略规则
需求概述：待解决的问题
输入因素和输出效果的概述
各类特殊情况下的计算逻辑补充
输入因素和输出效果的详述（case示例）
需求详述：
0-1的项目：描述理想态，在怎样的输入下达到怎样的输出效果
结构：逻辑清晰，层次分明
背景：需求背景描述清楚，待解决问题一目了然
目标：产品理想态或考核指标是什么
示例case：通过case辅助，让问题明确和清晰
策略迭代的项目：描述策略现状，待解决的问题是什么，针对这些问题理想的输出效果是怎样的
复杂策略：策略四要素，总结性概述和示例case，计算逻辑由策略工程师开发实现
策略分类
例如，用户输入时间预期降低2秒
核心指标
例如，sug展现率、平均输入长度、sug点击率
过程指标
例如，sug输入query的搜索结果满意度
观察指标
项目启动前的指标拆分
撰写需求，发起项目
召回率=希望被复发的案例中，策略实际覆盖的案例/理想态下希望策略付费的案例代表策略对问题的解决程度
准确率=策略覆盖的案例中，真正希望被覆盖的/策略覆盖的所有案例代表策略有没有带来其他伤害
策略质量评估：功能效果
diff影响面：策略带来的变化影响到多少用户
good：same：bad：站在用户体验角度评估效果是变好、没变还是变差
Diff评估：用户感知
跟进开发评估
本项目问题解决程度
是否衍生新的问题
项目实操步骤
策略产品经理
0 条评论
回复 删除
下一页
