編輯導語：對於策略產品經理來説，數據分析是一件很頭疼的事情。本文作者介紹了策略產品經理的職責都有哪些？為什麼數據分析要像炒菜一樣做策略？並且通過列舉具體的案例，來為做數據分析的產品經理們提供一些建議。
對策略感興趣的朋友們好，今天古牧君將首先介紹下策略產品經理的崗位職責，解釋下它跟炒菜的相似性；然後再通過2個具體實戰案例，手把手教你怎麼“炒菜”。
希望通過本文，幫數據分析方向的從業者們，更全面的認知到自己未來的多種可能。
一、為什麼説策略產品經理的工作就如同炒菜首先，咱們必須得説清楚，策略產品經理這個title下，其實幹什麼的都有：有做增長的、有做營銷的、有做交易的、有做推薦的……這種情況就跟數據產品經理一樣，同樣頂着這個title：有做底層數倉的、有做數據中台的、有做數據應用的……
總之，你要是隻看“策略”倆字就選了個崗位報了個培訓班，那麼大概率你會一臉懵逼一頭霧水。
為啥會出現這種情況呢？
大概因為這類崗位比較面向應用，且比較新吧。一般面向應用的崗位，會隨着實際應用場景的變化而快速演化，有哪些新的場景出來，就有哪些對應的新崗位頂上來。
好比近兩年宏觀上的流量紅利吃的差不多了，沒法再像之前那樣光靠砸錢野蠻增長，必須精打細算、科學量化指導用户增長了，就逐漸接受了增長黑客、增長策略產品經理、用户增長產品經理這類崗位。
同時，一個相對新的崗位，自身也還在不斷的發展和重新定義，所以內部難免會“豐富多樣”一些。
繼續説下策略產品經理在工作中面臨的問題，你説現在這個算法和機器充分發展的時代，什麼情況需要人呢？
肯定就是遇到了機器都解決不了的複雜場面了。
你想，現階段算法和機器能解決的，其實很大程度上都是共性的問題。但隨時實際業務場景的不斷髮展，現實的複雜性已經遠遠超過了系統的擴展性，原本設計的算法+規則已經不能應對紛繁複雜的現實世界了，就需要人工頂上來。
説到底，策略做的事兒，就是建立算法與實際應用之間的橋樑，因地制宜的讓算法和功能落地發揮更好的作用。
從這個角度來看，做策略的就跟炒菜很像了。
尤其是對比算法崗位，如果把算法比作種菜的，他們需要詳細的瞭解食材生長的原理；但策略不那麼需要，它只需要基於對食材特性的理解，把它們按照食客的口味進行加工就好。
這種加工又可以分為兩種：
- 一種是組合，好比西紅柿+雞蛋組合成西紅柿炒雞蛋；
- 一種是精加工，好比就一條魚，要最後端出一盤松鼠桂魚
有一種策略的設計，不需要從0到1白手起家，手頭已經有不錯的半成品了。只需要你依據“食客”的口味，再結合“食材”的特性把它們好好組合在一起，就能發揮不錯的效果。
下面這個免押金借還充電寶、圖書、雨傘等生活用品的場景，就是一個典型示例：
原本這個場景就是依靠一套通用的風控模型，但實際運行起來發現有這麼3大囧境：
- 在跟政府、商家合作的發佈會上演示免押金借還物品的時候，發現一些政府官員、或者商家自己的人，竟然被風控模型擋在門外？作為一次大型品牌宣傳活動，實在有些尷尬；
- 有些資質很好的用户，比如餘額寶裏存款大幾十萬、常年在淘寶上一擲千金的那種，竟然會因為近期更換了一個手機號，就被底層通用模型判定為有潛在違約風險，必須先交押金才能借充電寶，用户體驗很差；
- 有些用户雖然資產不多，但人家平時誠實守信，後台記錄顯示借過的東西從來都按時交還並且沒有損壞。對這類用户，每次還必須要交一次押金走一次審核，太不人性化。
你看，這就正好是我們開篇提到過的，單靠系統擴展性無法解決的複雜現實場景問題，需要靠策略出馬。
歸納上述問題，本質上就是一套模型打天下，沒有對不同的用户進行分羣處理。對一些資質高的用户、習慣好的用户，就應該建立綠色通道。
可如果在底層模型上改動，成本會比較大、週期會比較長，效果也不見得會很好，所以直接在策略層面動工解決問題，不失為一個思路。
如同前面的分析，對待政府官員這類用户，就應該有特殊人羣這個劃分；對待不同資質水平的用户，也應該有不同的細分；對待商家自己的員工，同樣也要單獨放行；對待過往履約記錄比較好的用户，也應該給予獎勵。
這些不同的用户羣，都可以沉澱形成不同的白名單，以後模型遇見這些用户，就可以不同程度的開綠燈放行，減少不必要的麻煩。
這套策略的原理其實不難，就像上面這個流程圖一樣，利用一些現成的底層模型組件組合一下就好。
比如用户資質分羣、負面風控模型、場景履約模型等，就好比是炒菜——把現成的雞肉、花生米、葱姜配合一些調料炒一炒，就能出來宮保雞丁了。
當生成了這些白名單之後，配合原有的風控模型和黑名單庫，就可以讓原有生澀不近人情的風控准入機制，變得“潤滑”很多了，至少開篇提到的3個囧境大幅減少了。
三、實戰案例2：精加工“食材”還有一種策略的設計，手頭的食材種類不多，但需要從0到1做很多精加工才能成品。就好比手頭只有一條魚，要經過一些烹飪設計才能做出一道松鼠桂魚來。
這裏我用搜索場景舉例，根據用户的一連串搜索關鍵詞，判斷出在用户眼中哪些品牌or產品之間是強競爭關係。
上面這個散點圖，是競品分析的傳統做法。
以汽車行業舉例，右上角的那個奇駿就是廣告主爸爸的兒子——本品，剩下的那些都是競品，哪個離奇駿最近，哪個就是本品的最大競品。
傳統做法從相似度和爭奪率這2個維度來拆解“競爭”這個概念，試圖量化點與點之間的距離。但有問題，因為相似度和爭奪率是這麼計算的：
- 相似度：在一段時間內，既搜過本品也搜過競品的用户，在搜過本品或搜過競品的總用户中的比例（本品與競品的交集/本品與競品的並集）；
- 爭奪率：在一段時間內，搜索過本品的用户中，有多少人還搜索過某個競品（本品與競品的交集/本品）。
如果我事先不輸入任何競品，這個方法就行不通（相似度和爭奪率的核心都是算交集，可你不告訴我跟誰交，我怎麼算？）。
相當於它無法突破已知的經驗範疇，而我們往往就是需要數據告知一些經驗以外的東西。
2. 問題二這個方法中，只應用了“重合”這一個特徵。
然而用户的搜索行為是一個連續的序列，是有前後順序（先搜A再搜B和先搜B再搜A，不一樣）、有次數多寡（搜了10次A和只搜了1次A，不一樣）、有距離遠近的（剛搜完A就搜B，和搜完A之後又搜了CDE之再搜B，不一樣），這些信息在傳統方法中，都沒有體現出來。
3. 問題三傳統方法下，誰是競品需要看圖説話。
那麼問題來了，就拿圖裏的逍客和途觀來説，看上去跟奇駿都比較近，到底哪個才是最強勁的競爭對手？
我們要做的就是像剝洋葱一樣，從表象到本質，從用户的行為、抽象到數據軌跡、最後到軌跡中的核心元素。
對一個用户的連續搜索行為來説，它就是一連串的搜索關鍵詞，最底層本質的元素，就是順序、位置、次數和內容了。
當我們掌握了最核心的4個元素之後，就可以依據它們來重新構建模型了。這裏有很多種方法，之前跟算法同學溝通時，他們天然想到的就是對時序列向量做相似性計算這類的高大上算法模型。
但實際上呢？依據奧卡姆剃刀原則，越簡單的、越好解釋的，從某種程度上也就是最好的。
一切都可以聯繫到實際場景，以談戀愛為例打個比方，假設你有過很多個女友，現在也有女友：
1. 順序如果你現在要分手，想找個新女友，你覺得你現任會覺得新女友威脅更大，還是前任舊女友威脅更大？
在搜索場景也是一樣，我先搜了一個競品再搜本品，那是棄暗投明，這個競品有一定威脅，但不足為患；可要是我先搜了本品，再搜別的競品，那就是移情別戀了，這性質可都變了。
2. 位置你覺得你現任，是更在乎你前任呢？還是前前前任呢？是對你的下一任新女友難以釋懷呢？還是對你的下下任女友在意呢？
搜索也一樣，離本品越近，競爭關係越強。
3. 次數這個更刺激了，你要是有個前女友，反反覆覆分分合合好幾次，你説你現任心裏膈應不膈應？
同理，一個競品反覆搜索過多次，説明真的有在認真考慮啊。
4. 內容你過往或者未來認識的每一個女性，有些是同事、有些是朋友、有些是女友。
定位不同，在你現任女友眼裏的待遇也就不同；同時，就算都是前女友，你跟她們分別都談到什麼程度，這也都是不同的待遇。
搜索關鍵詞也是，有些搜索內容就沒有競品的事兒，是搜一些八卦娛樂，不足為慮。
即便是搜競品，搜的內容程度也不同。有些就是打聽下價格，有些都到了打聽哪兒有4S店可以預約試駕的地步了，這競爭強度可就更強了。
- 如果競品出現在本品之前，那麼競爭強度就減弱一些；如果出現在本品之後，競爭強度就增強一些；
- 如果離本品距離越近，競爭強度就越強；
- 如果一次連貫的搜索行為序列中，出現的次數越多，競爭強度就越強；
- 如果搜索內容明確出現了競品的名稱，甚至出現了一些離購買行為很接近的關鍵詞，競爭強度就越強。
按照這個標準，模型應該是一個分段函數（體現順序特徵）。在每段裏應該是一個單調遞減函數（體現位置/距離特徵），應該是可以累加的，應該能根據具體的關鍵詞給每次搜索行為打上本品和競品的標籤，甚至根據關鍵詞賦予不同的權重。
符合上述要求的模型其實有很多種，我們可以結合實際經驗進行測算嘗試，最後擇優錄用。
最後對比一下新舊策略的計算結果，可以很明顯的發現，新模型把最開始列舉的那些問題都解決了。它可以直接量化的給出排名，而且還不限制輸入的範圍。
最後，細心的朋友可能會發現，這個策略沒有評價標準啊？！
坦白説，是的。它不像其他標準的有監督機器學習算法，有準確率召回率等指標來衡量，它只能靠實踐結果來自證。
如果針對某個品牌or產品，策略算出來的top10競品中，80%+是符合大眾/專家感知（比如寶馬就是跟奔馳奧迪湊一起，不會被拿來跟比亞迪吉利等競爭），同時又能有20%左右的結果是意料之外情理之中的，那就是一個比較好的效果了。
這就跟大數據的價值一樣，符合常識的同時，又能帶來驚喜。
古牧君用炒菜這個比喻，介紹策略產品經理的日常工作，不論是組合還是精加工，都應該是面向“食客”的口味，都應該是基於對“食材”特性的理解。
祝大家能結合實例舉一反三，早日炒出自己的“拿手菜”！更希望大家在職場不要給自己設限，多瞭解下其他的可能性和選擇～
作者：古牧聊數據，公眾號：古牧聊數據
本文由 @古牧聊數據 原創發佈於人人都是產品經理。未經許可，禁止轉載。
題圖來自 Pexels，基於CC0協議