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。毕业后进了一家大数据模型公司，我也是花了好一段时间，才慢慢理解模型、策略、大数据这类字眼，明白究竟是些什么内容，是玩什么、怎么玩的。在这里，我结合目前积累的不太多的工作经验，和大家做一个简易的分享。
本文中，我拿一个比较好玩的例子来讲解——以男性找女友为例，解析策略产品经理如何发挥他的特性与能力，实现这一目标。
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：
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：
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。
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。
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。若有说得不对的，你你比较好看：）给大佬倒橙汁。
作者：彭靖文
来源：https://mp.weixin.qq.com/s/rNpvEo8kuVyWjtlEEqZAKA
本文由 @彭靖文 授权发布于人人都是产品经理，未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
