从0-1搭建策略产品

目录：

回顾策略产品

如何从0-1搭建策略产品

回顾策略产品

之前也了解过从产品实施的角度来看，策略就是针对问题的解决方案，在互联网时代更集中体现在2个维度：业务场景和数据应用

如何从0-1搭建策略产品

我们需要对策略产品要有一个整体的认知，个性化推荐是一种典型的策略产品，应用范围广泛。随着互联网的发展，信息数据越来越庞大，而用户的接收是有限度的，所以必须进行数据分发。

数据分发的3个阶段：分类处理--》精准搜索--》个性化推荐

分类处理

以门户网站为代表的分类处理技术，成为第一代处理复杂信息的内容分发手段；通过互联网技术，对内容进行汇总分类，并且在用户端不同的入口展示，极大的方便用户根据自己的目标内容所属的分类进行筛选和查看。

优点：	技术简单，实现成本较低 内容直观，且覆盖度很高
缺点：	随着内容越来越多，信息分类页随之增多，又会造成信息过载问题

精准搜索

以搜索引擎为代表的分类处理技术，成为了解决用户在有明确内容需求的情况下信息分发的核心手段；前提是用户知道自己想要什么，然后通过搜索引擎技术，从互联网海量的内容找到用户想要的内容。比如淘宝、京东、美团等都是垂直搜索。

优点：	结果精准 信息分发效率较高 能够满足用户有明确需求的场景
缺点：	无法满足用户“逛”的需求

个性化推荐

和搜索引擎不同的是，即使用户不主动为机器提供明确的需求，个性化推荐页能够识别用户意图，即单独展示为其量身打造的内容，促成用户在平台交易

优点：	结果多样性 信息分发效率较高 能够满足用户无明确需求，“逛一逛”的场景
缺点：	推荐系统以兴趣预测为主要手段，因此准确度并不能达到100%,推荐结果用户并不感兴趣

工业界推荐系统架构

数据层

用户基础数据、物品数据和事件数据

用户基础数据	指用户基础属性和社会学信息：账号、年龄、学历等
物品数据	物品的基础属性：物品名称、价格、类目库存等
事件数据	用户在物品上发生的行为数据:点击、搜索、收藏等

标签层

具备基础数据之后，需要对数据进行标签清洗，最常用的就是用户标签

用户偏好的计算基础方式：偏好=SUM（权重*行为）

除了利用平台本身的数据进行计算生产之外，还可以与第三方平台现有的标签产品进行对接，

召回环节

召回环节就是基于标签层计算出的用户偏好，从物品数据中选出与用户偏好相同/相似的物品

综合排序

召回结果中都是符合用户偏好的物品，符合召回条件的物品很多，那么哪个排前面哪个排后面？

粗排：按照规则，逻辑或者算法模型排序的结果，规则一般是通过物品的单品特征（商品销量，文章的浏览数量）加权计算来排序，模型一般采用CTR和CVR预测模型

精排：加入了业务干预逻辑的排序；精排阶段一般通过加权，降权来实现

运营干预

运营干预阶段一般是在进行精排之后，给到用户展示之前需要做的策略，一般考虑：广告、紧急屏蔽、运营配置位

广告	主要是排序结果如何和广告进行穿插
紧急屏蔽	一些违规（问题）商品如何进行紧急处理
运营配置位	满足一些运营的日常需求提报

结构化思维

结构化思维是指一个人在面对工作任务或难题时能从多个侧面进行思考，深刻分析导致问题出现的原因，系统制定行动方案，并采取恰当的手段使工作得以高效率的开展；结构化思维是一种解决问题的方式，能够帮助我们更高效解决问题。

机构化思维分析过程

案例：比如对于淘宝搜索结果页的商品排序异常问题

第一步：明确问题

排序异常是商品质量度问题还是商家质量度问题？

第二步：拆解问题

商品质量度：销量？主图？评分

商家质量度：商家信誉度？商家活动力度

第三步：进行假设

销量太低导致排序异常？商家信誉度低导致排序异常

第四步：假设验证

如果是销量影响了排序得分，需要调整销售字段的权重