本文以视频内容精准推荐为例进行分享，作者将自己有关策略产品的学习与理解，为大家做一次输出，希望能够帮助到对策略产品感兴趣的童鞋们。enjoy~
策略产品黄金四步法：
- 「待解决问题」：首选明确要解决的问题，必须要具体，不可笼统，否则策略方向会出现偏差；
- 「输入」：即从【用户-场景-行为】维度出发，不同场景下用户可能的行为，此作为策略的输入；
- 「计算方式」：需用清晰的逻辑关系来表达，可配合流程逻辑关系图，必要时可直接给出计算公式；
- 「输出」：结果输出。
在次笔者将自己有关策略产品的学习与理解，为大家做一次输出，希望能够帮助到对策略产品感兴趣的童鞋们。
下面，笔者以视频内容精准推荐为例进行分享。
背景
在视频结束后，首屏往往会有6个其他视频的推荐。现在，笔者按照策略产品工作方法论，分析这一视频推荐策略，来系统介绍策略产品的工作方法论：策略产品四步法。
示例场景：下图是某视频网站在某电影结束后，播放界面展示的6个推荐视频。用户点击相应位置，即可观看相应视频
1. 待解决问题
注：待解决问题，必须定义出清晰而精准的目标，否则将会导致策略方向出现偏差。原则上，一个策略，只解决一个问题。
此处待解决问题，笔者将其定义为：
视频结束后为用户推荐最贴合其胃口视频，增加观看时长。
2. 输入（哪些因素会影响目标的达成）
注：影响因素，作为输入步骤的关键环节，尽可能发散思维，细致思考。具体思考方式可采取金字塔原理，先思考一级维度，然后二级维度，三级维度……，注意同级维度之间要互斥，不可出现交叉或包含被包含关系，尽量做到穷举。此处分析越细致，对于后续计算和输出关节越有帮助。具体工具可采用脑图或excel等均可。
如下图即为笔者整理的视频放映结束后，影响推荐精准性的相关因素：
（右击，在新标签页中打开即可查看大图）
3. 计算逻辑
计算逻辑指上述所列举的各要素，在一定的场景下，采取什么样的逻辑关系，相互组合，互相作用，它们直接影响最终结果产出的准确度。
计算逻辑的表现样式多样，并不局限，可用逻辑表述或逻辑公式，甚至是复杂的多元函数等。如果在逻辑关系中，涉及到相关概念，则需要对概念进行详尽说明，这和PRD一个道理，其实就是PRD的一部分。
在计算逻辑这一环节，需要细致阐述整体逻辑，逻辑关系与逻辑要素细节，要做到提交到相关干系人手中之后，对方能够看得懂、易理解、可执行。如果涉及到比较复杂的计算公式时，比如函数，可以和RD部门合作完成。
3.1 逻辑模型
逻辑模型在实际工作环节中可有可无，它作为整体逻辑，是首要呈现给别人的内容，起到提纲挈领的作用，也就是金字塔原理的顶部内容，让别人清晰的知道，接下来你要表达什么，以及为什么这样表达，它有助于相关同事们从宏观上理解你的思路。
逻辑模型完全由你自己定义，目的是思路阐述，此处避免过于细致，要防止陷入细节。
3.2 逻辑执行流程
对于复杂的执行逻辑，推荐用流程图来表述；简单的逻辑，几句话就能表述清楚的，直接文字描述亦可。
下面为笔者所整理的执行逻辑。
（右击，在新标签页中打开即可查看大图）
3.3 赋权项与赋权值(附表)
此处引用赋权项与赋权值的概念。
赋权项：指包含但不限于用户交互动作，所涉及状态等，每一个赋权项均对应一个赋权值。即，当赋权项发生的时候，即可获得或减少相对应的分值。
3.4 计算公式
公式一：匹配度计算
与当前视频匹配度(D)=候选视频标签数 ÷ (该候选视频标签数+在播视频标签数）
与历史视频匹配度(L)=候选视频标签数 ÷ (该候选视频标签数+历史画像标签数）
整体匹配度(P)=D+L
（注：公式中分母中标签数量为去重处理后数量。）
公式二：偏好度计算
偏好度=（候选视频标签A赋权值+标签B赋权值+标签C赋权值+……+标签N赋权值）÷历史标签总赋权值
注：
- 候选视频标签赋权值调取历史画像中相同标签的赋权值，即候选视频标签A，则A的赋权值等于历史画像中标签A在所有过往操作中所累积的赋权值；
- 历史画像中所有标签数值，均为历次操作所赋权数值的累加总和；
- 标签赋权值参照附表一；
- 若平台无法更新历史赋值规则，则按照平台既定规则赋值。
公式三：新热度计算
新热度计算方式，延续平台既定热度和新鲜度排序规则。
3.5 内容反差界定
内容反差界定，属于整体策略方案的补充说明，可使整体逻辑推导过程和结果更加严密，具体工作中，补充内容视需要而定。
词语释义：内容反差界定，指基于既定规则，系统自动识别不属于当前内容关联推荐范畴的内容。
如何识别反差边界：
（1）基础用户画像：年龄、职业、性别等
示例场景：如当前用户为一名38岁油腻大叔，绝对不可能喜欢动画片。当账户出现大量动画片的时候，则可基于年龄画像，将动画片列为反差内容予以排除（也许是用户的孩子在看动画片）。
（2）内容类别
不同类别内容，不可出现在当前内容关联推荐列表。
示例场景：当前内容分类为电影，则电视剧、娱乐播报、动画片、纪录片、体育视频等不同类别内容，不可出现在关联推荐列队中。
结论：内容推荐，首要原则要基于当前内容所述第一维度来区隔划分，不可出现不同品类维度内容较差关联推荐现象。
4. 输出（结果）
输出部分，作为整体策略工作的最后一个环节，属于结果产出。再具体工作中，策略PM们所做的工作，一般截止到上述三步，第四步结果自然便产生了。
但结果的产出，并非意味着工作的结束，这仅仅只是开头而已。策略，本质上，属于一种探寻性的解决方案，在复杂多变的问题环境面前，解决方案永远无法做到完美，所以，策略产品也永远没有止境。
在解决产出后，策略产品们首先需要做的是，进行效果回归，及时跟踪实际效果，然后开启永无止境的循环迭代。
另外，为了防止问题的发生，可将策略结果的输出，采取A/Btest方式，在策略方案优化迭代的基础上逐步覆盖用户群。
写到最后
策略产品对于互联网产品领域来讲，虽然已经不算一个新的概念了，但它的普及也不过一年左右的时间，也算是一个较新的产品工种。做一名策略产品经理，并不是那么容易的一件事情，它对PM的综合素质要求较高，门槛自然较高。
策略产品经理，不同于功能产品，虽然和数据产品有一定重合，但亦有差别，究竟什么是策略产品经理，以及如何做一名优秀的策略经理，请待笔者后续继续为大家分享。
本文由 @刘德超 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Pexels，基于 CC0 协议
给作者打赏，鼓励TA抓紧创作！ 赞赏 5人打赏
