互联网产品经理每天都在跟策略打交道：小到1个按钮的位置摆放，大到1个完全的产品解决方案，背后需要无数的博弈与决策，而策略可以看成是这些决策的集合。
任何1项策略的落地，其结果都可能对平台用户，乃至全部公司产生不同程度的影响。
这就要求策略制定者，不能通过拍脑袋、想固然进行决策，结果要经得起斟酌和质疑；在满足商业目的的同时，也要统筹后果，尽量地提高决策正确率。
1、没有完善的策略
在思考1项策略解决方案之前，首先应当认识到：任何1个策略都有其局限性，不可能找到1个完善的解决方案，能把所有问题都解决掉。
互联网产品的研究领域很大1部份是跟社会科学有关，研究的主要对象是人，人都是有自我意识，不同人之间又存在不同的动机和目。
互联网产品策略终归是解决人的问题，任何1项策略，都不可能同时讨好所有人。
正由于如此，我们才会有用户画像的研究，电商、信息流产品才会制定千人千面的推荐策略。
其次，在任何大系统中，约80%的结果是由该系统中约20%的变量产生的。这是著名的帕累托法则，被广泛应用于经济学、管理学等社会科学领域。
一样，致使问题的缘由也遵守该原则：在面对1个复杂问题时，决策者的时间精力、公司的资源都是有限的，没必要浪费在1些无关紧要的细枝末节上，只要捉住致使问题的20%主要缘由，很多问题便迎刃而解。
2、明确目标
任何策略都是为了解决某个问题，完成某个目标。当我们接到1项新任务时，很容易疏忽要解决的问题是甚么，而1头扎进业务细节，直接寻觅解决方案。
这样无头苍蝇似的碰运气，很容易堕入喋喋不休的无意义争辩，就算得出结果，也很难经得起复验。因此，开始着手制定方案前，首先要把问题定义清楚。
好的目标问题应当满足以下两个条件：
1. 目标问题指标化（可被量化）
数据分析领域有1句行话：没法衡量它，就没法增长它。
1个策略被应用实行后，我们需要对其结果进行对照分析，以评判策略带来的效果。
如果这个问题不能被量化，那末我们很难通过前后效果对照，知道到底哪一个策略对解决问题更加有益。
例如，将提升配送效力直接作为指标就不太适合，甚么是配送效力，我们没法立即给出具象的描写。
2. 1句话描写清楚
如果1个问题需要长篇大论的文字进行定义，必将增加大家的理解难度，每一个人获得到的关键信息可能不1样，那末大家极可能会把大量时间浪费在我们到底要解决1个甚么问题的争辩上。
所以问题越是简单明了，越能让策略制定者把时间、精力聚焦在思考、寻觅最好的解决方案上，如：提高本季度同比用户增长率，就是1个很好的问题描写。
例如：文中外卖配送的案例，我们定义的要解决的问题是：如何制定分单策略，让骑手从接到定单到投递用户手中的耗时，全局最短。
也就是说：从平台整体角度，如何能让骑手最快把食品送到用户手中？
3、从业务中来
吃透业务是做好策略方案的条件。
业务是由场景和人构成的，理解业务，就是理解不同场景下的人，人们的行动、目的动机，和遇到了甚么问题。
吃透业务光靠想空想是达不到预期的，没有在真实场景中，作为真实用户去体验产品，不能站在他们的视角去发现问题，就没法与他们感同身受，也就不可能给出好的解决方案，解决他们的问题。
你永久也不知道你的用户在如何使用你的产品，他们真正需要的是甚么；更不可能走进他们心里，跟他产生共鸣，找到直击他们内心的切入点。
例如，在制定分单外卖分单策略，我会亲身去当几天美团或饿了么外卖骑手，真实参与接单配送，乃至走进骑手们的业余生活，感受他们的内心世界。然后去找个外卖加盟餐馆，当几天备餐服务员，真正去体验餐馆从接单到厨房备餐、打包装袋、1直到交付到骑手中间的各个环节。经历这些后，我将取得第1手业务资料，对业务也会有更加深入、直观的认识。
除去真实业务场景体验外，还应当作到以下两点：
1. 业务场景可视化
虽然亲身去体验了外卖场景，但是这些业务场景在我的脑海里非常碎片化，不成体系。就像散落星空的漫天繁星，如果没有天文学知识，就很成功指认出北斗7星，因此我需要进1步把业务进行场景可视化。
图1：外卖场景可视化流程
从上面的可视化流程图中，我们可以清晰把外卖业务拆分成以下几个场景：用户挑选下单，餐馆接单，餐馆备餐，骑手前往目标餐馆，骑手取餐，骑手前往用户目的地，骑手送餐。
2. 描写核心场景下关键人物的核心诉求
现在我心目中已构建起了全部外卖配送的核心业务流程图。接下来我还需要再进1步，去了解核心人物的目的动机和他们遇到的问题。
不管甚么策略，终究都是解决人的问题；只有弄清楚他人们最关心的东西，才能对症下药，到达最好预期。
参与外卖交易的人物角色有：用户、骑手、餐馆、平台，之所以把平台也作为交易场景中的重要角色，是由于在许多决策中，平台利益都将作为重要的因素被斟酌。
由于我们解决的问题主要是外卖配送场景，在该场景下各人物角色的核心诉求以下：
- 用户：最快的速度投递，最低的配送费用
- 骑手：最公道的定单分配，最优的配送线路安排，最短的取餐等待时间
- 餐馆：最高的定单完成率，最短的取餐等待时间
- 平台：利润最大化，最好的口碑
4、束缚条件拆解
明确了目标，对业务背景也有了深入了解，现在我们要弄清楚究竟是哪些因素对目标问题起决定作用。
这些因素，就是当前策略的边界条件，在下1步的模型建立时，将被作为束缚条件，斟酌进整体解决方案。
寻觅这些影响因素最经常使用的方法是拆解。即是根据目标问题，从1个维度入手，至上而下层层拆解，且每层级之间的拆解项相互独立。
拆解进程最核心的步骤在于如何选定拆解维度，衡量拆解维度是不是可行的标准仍然可以通过如何两点进行评判：
- 拆解项是不是可被量化
- 拆解项是不是可被描写
在多数O2O项目中，触及线上线下服务频繁穿插，每一个服务节点前后又具有强依赖关系；那末就需要根据业务目标，对核心业务场景进1步可视化，直到能很清晰辨识每一个服务节点之间的关系。
对外卖配送业务进1步可视化，得到下图：
图2：外卖场景服务节点可视化
从用户打开网页下单1直到骑手将美食送到用户手中，1共需要经历12个步骤。我们的业务目标是希望用户的等待时间最短。
根据上图，用户等待时间受餐馆备餐时间，骑手赶到餐馆取餐时间，骑手配送时间3个核心因素影响。
再继续对3个核心因素进行拆分：
- 餐馆备餐时间：历史备餐时间（月，周，1小时，5分钟），日期类型（工作日、节假日），天气等；
- 骑手赶到餐馆取餐时间：餐馆备餐时间，骑手当前的定单状态，骑手当前的位置，多个定单间的顺道度，天气，交通路况等；
- 骑手配送时间：餐馆备餐时间，到店取餐时间，餐馆距离用户位置，多个定单间的顺道度，天气，交通路况，用户周围环境状态（门卫，电梯）。
现在我们看到，用户等待时间受线上历史数据、实时数据和线下离线数据等诸多维度影响，篇幅受限，本文只提供产品解决思路。
在实际司机外卖分单系统中，上面提到的每类影响因素，都需要再次进行指标化，并通过机器学习算法对线上数据进行实时预测和计算，对天气、交通等离线数据进行特点工程训练，终究综合这些因素，由系统做出决策。
5、模型抽象·复杂业务简单化
有了前面的准备做铺垫，现在我们可以正式开始研究如何制定应对策略。
外卖配送线下场景10分复杂，新骑手小A由于道路不熟习，本来该去某连锁店的1分店，结果他去了2分店取餐，骑手小B在路上不谨慎；车轮胎被扎了，没法准时去取餐；商家M今天生意火爆，鸡蛋用完了，去隔壁超市采购耽误了时间，不能准时出餐……
如果我们1来就从这些细节入手，想要穷尽斟酌各种可能出现的异常情况，那末我们将像深陷沼泽1样，越是努力想要找到出口，就陷得越深，直到你精疲力尽，污泥淹没我们的头顶。
著名量子物理学家薛定谔，为了解释量子物理不肯定原理，假想了1个宏观实验：
在1个封闭的盒子里，有1只活猫、1瓶氰化物，1个由放射性物资构成的电子开关，开关下挂着锤子。
放射性物资衰变，电子开关开启，锤子落下打破药瓶，猫将被氰化物毒死。而放射性物资衰变存在不肯定性，也就是说，只要我们不打开盒子，里面的猫可能死了也可能还活着。
图3：薛定谔的猫
薛定谔的猫是利用模型抽象，通过1个简单的宏观实验，解释看不见摸不着的复杂微观世界原理的经典案例。
模型抽象通过舍弃原型中非本质的，与研究主旨无关的因素，只保存原型中与研究主旨密切相干的核心因素，到达化繁为简的目的。
现在回到本文的案例，我们可以将问题进行转化：在满足束缚条件的情况下，系统如何进行骑手与定单的匹配，能实现预估投递时间整体最优。
方便理解，对这个问题进行进1步说明：1个骑手可以同时接到多个定单，但是1个定单只能被分配给1个骑手。那末在进行定单分配时，从单1条件看，极可能有多个骑手都满足这些条件，那末综合所有束缚条件，如何进行定单分配，能实现预估投递时间整体最优。
——熟习算法的同学，立即就可以看出这是1个动态计划求最优解的问题。
关于动态计划求最优解，历史上有著名的男女配对案例。
下图左边3名女孩，右边3名男孩，连线代表他们相互喜欢，如果将相互喜欢的进行两两配对，问最多可以配出多少对？
图4：图论-男女匹配问题
如果以上男女匹配中，各自之间的喜欢程度不1样，现在问如何进行组合匹配，能保证他们整体是最喜欢的。
这便是2分图的最大权值匹配问题，历史上的Kuhn-Munkres已对此给出了算法，即K-M算法。
6、数据验证·到业务中去
检验策略是不是能到达预期的唯1有效办法，是将其应用到真实业务场景中，通过数据反馈来评判策略的效果。
在实际工作中，1些有条件的公司，在历史数据的基础上，建立了仿真系统，策略其实不需要真实业务场景进行检验，就可以提早做出预判。
但仿真系统毕竟是模仿复制真实业务场景，线下业务场景复杂，其实不能100%仿真。因此仿真结果依然需要跟实际业务数据进行比对，通过问题反馈不断优化仿真系统。
建立策略评判指标体系，可通过直接和间接两个维度建立策略评判指标体系。
- 直接指标就是策略要解决的问题，例如本文外卖案例中用户等待时长。
- 间接指标就是跟问题可能相干联的其他指标，例如平台收益，骑手单位贡献价值等等。
在进行指标分析及可视化显现时，可从横向对照、纵向溯源两个方向进行。
- 横向对照诸如策略上线前后的数据对照，不同模型之间的对照，能直观反应策略实行效果。
- 纵向溯源要求对单个指标进行切片，从更细颗粒度实现数据变化趋势显现及对照，能最大限度避免辛普森悖论。
7、几点注意事项
明确目标、吃透业务、拆解束缚条件、模型抽象、数据验证，这是我在实际工作中总结的1套策略制定方法论。
但是要成为1名优秀的产品的策略制定者，这些是远远不够的，还需要注意以下几点：
1. 保持空杯心态
在进行决策时，我们经常容易犯1种毛病，如果决策的内容是自己熟习的，我们会趋向于将结果引导为符合自己的经验。如果决策内容是自己不熟习的，我们会类比成曾自己熟习的经验，然后据此做出决策。这在心理学上被称为证实性偏见。
我们其实不否认固执有时候是1种美好的品格，但是这1定有个条件，即是在你充分斟酌了不同意见后做出的科学决策；如若不然，则变成了固持己见的冥顽不灵。
在实际工作，我们更推重大家不要闭门造车，当时刻保持空杯心态，认真对待每个人的质疑，不断消化吸收新的思路方法。
2. 如何能快速进行模型抽象
视野及经验决定了你能否快速找到抽象模型，应用于解决方案。大公司人材的核心竞争力之1便在于此。
很多时候其实不是我们不聪明、不勤奋，而是解决方案已超越了我们的认知边界。
解决这个问题的方法，1是多浏览，读书，读专业领域论文；2是时长关注竞品的动态发展；3是尽量争取机会，与同行深度交换。
3. 不要迷恋算法，它仅仅是工具
随着近两年人工智能的快速发展，其算法被利用于各个领域。作为产品经理，我们到底该不该学习算法？
对此我的观点是：算法是工具。
甚么被称为工具？
就是你用得着他的时候，你知道他在哪里，怎样用。
——这是我站在产品经理角度对算法的定义。
所以可以肯定的说，学习算法是有必要的，但是应当有个度的掌控，知道这个算法适用的场景、案例，解决问题的边界，我觉得就能够了，至于触及复杂的数学公式推导，弄清算法背后的来龙去脉，得看具体情况，因人、因时而异。
4. 策略方案1定要因时制宜
其实不是人工智能的算法策略，就1定比应用加减乘除制定的算法策略要好。这是毛病的认知。
在上面的方法论中，我1直强调，策略是从业务中来，终究回到业务中去的，采取甚么样的方法策略，1定要根据当前的业务情况，技术资源因地制宜。
切勿盲目迷恋大厂方法论、科技前言。
作者：花4爷
微信公众号：花4爷（ID：siyesay）
