数极客首页

这一年,做策略产品经理的那5个坑

坑本身不可怕,可怕的是同一个坑里面摔了两次而不自知,前车之鉴后车之师,这里面会写一些我的思考。

这一年,做策略产品经理的那5个坑

之前知乎上有邀请回答“在你做推荐系统的过程中都遇到过什么坑?”想想这一年的摸爬滚打,感慨万千。这篇文章想算是做策略产品近一年时间的一个复盘,或者更具体一点是在做推荐策略产品中遇到的坑。

清单体,一吐为快!

坑一:数据问题

推荐策略产品的搭建,如果数据问题是其面临的第二大问题,那么就没有什么可以称作是最大的问题了。

这里的数据问题并不是指没有数据,而且没有结构化的数据

结构化数据也称作是行数据,是由二维表结构来进行逻辑展示和表达的数据,严格遵循数据格式与长度规范,主要通过关系型数据库进行存储和管理。

主要表现在三个方面:

  • 埋点缺失,线上数据无法收集
  • 数据没有进行科学的存储,导致无法使用
  • 存储结构比较散乱,工程效率低下

以上三点,直接决定了一个业务线是否能够搭建推荐策略产品。记得之前参加公司一个内部的会议,让我印象很深刻的一段话:

底层数据各种属性不全,最好的规则也白搭。

解决方案

关于数据落表以及表结构这块,其实是需要看一个研发的功力。

数据埋点这块,可以参考一下我之前写的文章:一文读懂产品埋点

坑二:推荐系统牛逼到无所不能

当然,除了上述的客观问题之外,还会经常碰到下面的连环提问:

  • 哇,这个东西我不喜欢,为什么还在我的列表展示?
  • 嗯,这个东西是怎么推出来的,毫无根据啊
  • 这几个东西我怎么都没见过……
  • 我想买一个电磁炉,咋没给我推出来啊……
  • 啊,你看我们两个推得东西不一样啊,会不会被投诉……

这些提问的背后,实际上是近几年推荐热带来的用户预期管理不当。

在大多数人的眼中,推荐系统无所不能,而且能够未卜先知,当然更不能犯错,推出来的item必须是它喜欢的,认可的。

而精准度,不存在的。

对此

我的内心毫无波动,甚至还有点想笑

解决方案

在讲解方案,进行规划的时候做好预期管理,同时对于项目的核心衡量指标做好定义和目标阈值设置。

坑三:没有算法的推荐系统就很low

推荐系统现在越来越被广大人民神化了,再加上“人工智障”的把持,简直要飞天。

所以当有人看到你的推荐系统没有GBDT,SVD,甚至连个最简单的频繁二项集都没有的话,呵呵,不好意思,你这不叫推荐系统。

此时……

不要慌,问题不大。

可以进入科普时刻:

推荐系统除了基于各种算法的推荐,还有一个大类是基于内容的推荐。这其中包括了基于约束的推荐,基于知识的推荐等。

另外,做推荐系统也需要有互联网的产品思维,MVP先行。

可以先试一试基于用户的个性化行为feature去做一些个性化的推荐是否能够提升相关的指标,是否契合本业务线?

一个新的业务线如果一上来就开始选各种算法,训练各种模型,先不说客观条件具备与否,就说最后的ROI是否能够达到都需要画一个问号。

推荐策略本身还是为业务服务,从业务出发,撇开业务谈策略都是耍流氓。

解决方案

做推荐系统不要聚焦在什么牛逼的算法,回归业务,挖掘业务中可以结合推荐策略能够高效,精准解决的痛点才是关键。

坑四:模糊的指标评价体系

关于推荐系统的指标,能够罗列一大堆:PV,UV,请求次数,请求UV,点击PV,点击UV,曝光PV,曝光UV等等;当然我们一般都用核心指标来衡量,主要包括:CTR,CVR,RCVR,UV价值,RPM。

那么,在设定ROI之前我们到底该如何确定选取哪个指标呢?

这就需要我们在设定在设定推荐系统的核心指标之前,首先想清楚目前的目标导向是什么。是GMV导向,还是转化率导向,还是流量导向?

目标导向不同,直接决定了整个推荐系统设计过程中的策略,公式,算法,特征等等的选取。

解决方案

对于新业务线暂时不要以GMV为导向,可以从流量或转化率的角度入手,选取CTR作为核心指标;对于比较稳定的业务线则以GMV为导向,选取UV价值、RPM等作为核心指标。

坑五:高大上的算法与看似不那么好的效果

很多人对推荐系统有一个常见误区,尤其对于业务人员,认为推荐就应该推荐的越准越好。

这个准是什么概念呢?比如用户假设喜欢冒险和情感类电影,那推荐系统一直推荐这两种题材的电影才是一个好的推荐系统,如果有其他题材的电影,那么这就是一个效果不好的推荐系统。

然而也就只有冒险和情感类电影。

用户的兴趣是会随时变动的,关键有时候连他自己都不知道自己喜欢什么,所以推荐系统除了满足这种在大量的物品中为用户高效,精确的筛选出其感兴趣的item之外,目前更多的是承担一种挖掘用户兴趣的需求,也就是让用户愿意在你的产品中“逛起来”。

对于推荐系统来讲通常这叫“新颖度”,也就是衡量推荐系统挖掘冷门物品的能力。

解决方案

推荐系统除了追求精准度之外,要结合业务特性设置其他衡量指标。比如对于内容型的产品,除了用户可能感兴趣的内容之外,平台热门,优质的内容也可以推给用户,这其实也是一个不断反哺用户画像库的过程。

以上大概就是近一年做推荐策略产品的一些主要复盘,其实总的来说就是一句话:策略,数据驱动要回归业务本身,这一切的源头就是结构化的数据。

 

作者:夏唬人,公众号:夏唬人,某厂策略产品经理

本文由 @夏唬人 原创发布,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

新一代大数据用户行为分析与数据智能平台:数极客(https://www.shujike.com),是支持无埋点、前端埋点、后端埋点、API导入四种混合数据采集方式,整合分析用户行为数据和业务数据,可以自动监测网站、APP、小程序等多种渠道推广效果分析,是增长黑客们必备的互联网数据分析软件。数极客支持实时多维分析、漏斗分析、留存分析、路径分析等十大数据分析方法以及APP数据分析网站统计网站分析小程序数据统计用户画像等应用场景,业内首创了六种提升转化率的数据分析模型,是数据分析软件领域首款应用定量分析与定性分析方法的数据分析产品

发表评论

评论已关闭。

相关文章