起点课堂会员权益
职业体系课特权
线下行业大会特权
个人IP打造特权
30+门专项技能课
1300+专题课程
12场职场软技能直播
12场求职辅导直播
12场专业技能直播
会员专属社群
荣耀标识策略产品经理工作黄金方法论：4步搞定内容精准推荐
本文以视频内容精准推荐为例进行分享，作者将自己有关策略产品的学习与理解，为大家做一次输出，希望能够帮助到对策略产品感兴趣的童鞋们。enjoy~
策略产品黄金四步法：
- 「待解决问题」：首选明确要解决的问题，必须要具体，不可笼统，否则策略方向会出现偏差；
- 「输入」：即从【用户-场景-行为】维度出发，不同场景下用户可能的行为，此作为策略的输入；
- 「计算方式」：需用清晰的逻辑关系来表达，可配合流程逻辑关系图，必要时可直接给出计算公式；
- 「输出」：结果输出。
在次笔者将自己有关策略产品的学习与理解，为大家做一次输出，希望能够帮助到对策略产品感兴趣的童鞋们。
下面，笔者以视频内容精准推荐为例进行分享。
背景
在视频结束后，首屏往往会有6个其他视频的推荐。现在，笔者按照策略产品工作方法论，分析这一视频推荐策略，来系统介绍策略产品的工作方法论：策略产品四步法。
示例场景：下图是某视频网站在某电影结束后，播放界面展示的6个推荐视频。用户点击相应位置，即可观看相应视频
1. 待解决问题
注：待解决问题，必须定义出清晰而精准的目标，否则将会导致策略方向出现偏差。原则上，一个策略，只解决一个问题。
此处待解决问题，笔者将其定义为：
视频结束后为用户推荐最贴合其胃口视频，增加观看时长。
2. 输入（哪些因素会影响目标的达成）
注：影响因素，作为输入步骤的关键环节，尽可能发散思维，细致思考。具体思考方式可采取金字塔原理，先思考一级维度，然后二级维度，三级维度……，注意同级维度之间要互斥，不可出现交叉或包含被包含关系，尽量做到穷举。此处分析越细致，对于后续计算和输出关节越有帮助。具体工具可采用脑图或excel等均可。
如下图即为笔者整理的视频放映结束后，影响推荐精准性的相关因素：
（右击，在新标签页中打开即可查看大图）
3. 计算逻辑
计算逻辑指上述所列举的各要素，在一定的场景下，采取什么样的逻辑关系，相互组合，互相作用，它们直接影响最终结果产出的准确度。
计算逻辑的表现样式多样，并不局限，可用逻辑表述或逻辑公式，甚至是复杂的多元函数等。如果在逻辑关系中，涉及到相关概念，则需要对概念进行详尽说明，这和PRD一个道理，其实就是PRD的一部分。
在计算逻辑这一环节，需要细致阐述整体逻辑，逻辑关系与逻辑要素细节，要做到提交到相关干系人手中之后，对方能够看得懂、易理解、可执行。如果涉及到比较复杂的计算公式时，比如函数，可以和RD部门合作完成。
3.1 逻辑模型
逻辑模型在实际工作环节中可有可无，它作为整体逻辑，是首要呈现给别人的内容，起到提纲挈领的作用，也就是金字塔原理的顶部内容，让别人清晰的知道，接下来你要表达什么，以及为什么这样表达，它有助于相关同事们从宏观上理解你的思路。
逻辑模型完全由你自己定义，目的是思路阐述，此处避免过于细致，要防止陷入细节。
3.2 逻辑执行流程
对于复杂的执行逻辑，推荐用流程图来表述；简单的逻辑，几句话就能表述清楚的，直接文字描述亦可。
下面为笔者所整理的执行逻辑。
（右击，在新标签页中打开即可查看大图）
3.3 赋权项与赋权值(附表)
此处引用赋权项与赋权值的概念。
赋权项：指包含但不限于用户交互动作，所涉及状态等，每一个赋权项均对应一个赋权值。即，当赋权项发生的时候，即可获得或减少相对应的分值。
3.4 计算公式
公式一：匹配度计算
与当前视频匹配度(D)=候选视频标签数 ÷ (该候选视频标签数+在播视频标签数）
与历史视频匹配度(L)=候选视频标签数 ÷ (该候选视频标签数+历史画像标签数）
整体匹配度(P)=D+L
（注：公式中分母中标签数量为去重处理后数量。）
公式二：偏好度计算
偏好度=（候选视频标签A赋权值+标签B赋权值+标签C赋权值+……+标签N赋权值）÷历史标签总赋权值
注：
- 候选视频标签赋权值调取历史画像中相同标签的赋权值，即候选视频标签A，则A的赋权值等于历史画像中标签A在所有过往操作中所累积的赋权值；
- 历史画像中所有标签数值，均为历次操作所赋权数值的累加总和；
- 标签赋权值参照附表一；
- 若平台无法更新历史赋值规则，则按照平台既定规则赋值。
公式三：新热度计算
新热度计算方式，延续平台既定热度和新鲜度排序规则。
3.5 内容反差界定
内容反差界定，属于整体策略方案的补充说明，可使整体逻辑推导过程和结果更加严密，具体工作中，补充内容视需要而定。
词语释义：内容反差界定，指基于既定规则，系统自动识别不属于当前内容关联推荐范畴的内容。
如何识别反差边界：
（1）基础用户画像：年龄、职业、性别等
示例场景：如当前用户为一名38岁油腻大叔，绝对不可能喜欢动画片。当账户出现大量动画片的时候，则可基于年龄画像，将动画片列为反差内容予以排除（也许是用户的孩子在看动画片）。
（2）内容类别
不同类别内容，不可出现在当前内容关联推荐列表。
示例场景：当前内容分类为电影，则电视剧、娱乐播报、动画片、纪录片、体育视频等不同类别内容，不可出现在关联推荐列队中。
结论：内容推荐，首要原则要基于当前内容所述第一维度来区隔划分，不可出现不同品类维度内容较差关联推荐现象。
4. 输出（结果）
输出部分，作为整体策略工作的最后一个环节，属于结果产出。再具体工作中，策略PM们所做的工作，一般截止到上述三步，第四步结果自然便产生了。
但结果的产出，并非意味着工作的结束，这仅仅只是开头而已。策略，本质上，属于一种探寻性的解决方案，在复杂多变的问题环境面前，解决方案永远无法做到完美，所以，策略产品也永远没有止境。
在解决产出后，策略产品们首先需要做的是，进行效果回归，及时跟踪实际效果，然后开启永无止境的循环迭代。
另外，为了防止问题的发生，可将策略结果的输出，采取A/Btest方式，在策略方案优化迭代的基础上逐步覆盖用户群。
写到最后
策略产品对于互联网产品领域来讲，虽然已经不算一个新的概念了，但它的普及也不过一年左右的时间，也算是一个较新的产品工种。做一名策略产品经理，并不是那么容易的一件事情，它对PM的综合素质要求较高，门槛自然较高。
策略产品经理，不同于功能产品，虽然和数据产品有一定重合，但亦有差别，究竟什么是策略产品经理，以及如何做一名优秀的策略经理，请待笔者后续继续为大家分享。
本文由 @刘德超 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Pexels，基于 CC0 协议
老师有工作号或者微信号交流下吗？谢谢~
仔细读完了这篇文章，写得很清晰。不过，在匹配度计算公式上，我有一点疑问：
文章是给出的匹配度计算公式为：与当前视频匹配度(D)=候选视频标签数 ÷ (该候选视频标签数+在播视频标签数）
按照我的理解，匹配度是计算候选视频与当前视频的标签匹配程度，所以应该按照 二者的相同标签数/在播视频标签数 由此来确定候选视频是否与在播视频相似或匹配
举个例子：
候选视频1：与在播视频相同标签有5个，此外还有10个标签，在播视频除了5个相同的标签外还有5个标签
候选视频2：与在播视频相同标签有4个，此外还有20个标签，在播视频除了5个相同的标签外还有6个标签
在播视频共有10个标签，候选视频1与在播视频有5个相同的标签，候选视频2与在播视频有4个相同的标签，直观来看，显然候选视频1是匹配度更高的视频。但是按照文中的公式计算，候选视频2的匹配度更高……
如上述过程有理解不妥之处，还请指教。
文章中的整体思路简洁清晰，有一个问题想探讨下：具象这个场景那么多维度，为什么不粗暴一点使用推荐算法呢，比如直接推荐与观看视频类似的视频就好了，或者推荐与观看者用户画像相似的也ok啊
你好，看到这个问题我想交流一下。以我的理解，推荐算法的后台设计也是按照策略制定进行的，也就是说推荐算法是策略产品的产物，所以作者这里说的其实是推荐算法的后台设计流程。不知道我这样的理解对不对，如果认知偏差，还望指教
这两个不太一样，文章中的方式是基于用户自己行为的推荐，推荐算法有很多是基于相同爱好者推荐，比如协同过滤算法等等。实际过程中，两者兼有之。
作者这里讲的是一个工作流，不是某个功能模块的设计，你可以理解成设计某个算法规则或逻辑的过程，这个算法逻辑或者规则，在业务上统称为某种策略
不是很明白，新用户这里：给予偏好前三标签赋权值排序，再取前十，获得新标签列表，可以麻烦抽空解答下吗？
想问下楼主的kpi是什么，常见的是转化率和人均观看时长，但是当个性化推荐覆盖到一定程度之后，后面推荐策略的优化带来的更多是比较平缓的增长。那么做推荐策略产品的话，kpi应该怎么定更加合理？
开头方法论赞同，有两个疑惑
1.第二章，开头是想要穷尽所有影响目标的可能因素吧？为啥不从场景上反推，观看视频结束广告的场景，是不是只有人、视频、平台，三方角色
2.章节3.2，没太理解这个流程图没太看懂，如果是结合用户画像做精准推荐，那是不是明确样本、训练样本，交给RD做就行了，如果是自己要出个策略规则，那为啥要用这种流程图？
1.章2，开头是想要穷尽所有影响目标的可能因素么？试试从场景反推，观看视频结束广告的场景，只有人、视频、平台，三方角色？
2.章节3.2，流程图没太看懂，如果是结合用户画像做精准推荐，那是不是明确目标、训练样本，交给RD做就行了，如果是自己要出个策略规则，那流程图是给谁看的？
发完了才发现好多错别字。。。。
作者有微信和公众号么，方便交流一下。
有视频教程?
您好，我有不明白的地方，看文章时候一直不太理解标签的概念，请问标签在文章中是怎样的存在？如果现在的产品没有标签池，如何建立起体系来？
我想听作者分析帮忙解析下数据产品和策略产品的差别 ❓ ，诚恳的等待回复
简单来说，策略产品是数据产品的延伸。数据是底层，策略是上层建筑。如果在数据的基础上，赋予一些解决问题的策略性方案的话，那么，数据产品就成了策略产品。举个栗子，很多公司都有数据中台，数据产品经理的产出是为相应部门提供直观的数据报表，相应部门基于可视化数据，进行一些决策，比如消息推送，优惠券发放，精准推荐等。那么，基于数据进行优惠券发放，就而已称之为策略。实际工作中，策略远比这个复杂，这个是指一个比喻，方便理解。
不错，有逻辑
首先感谢分享，不错有逻辑流程有标准的参照值列表的文章。
有一点没看明白烦请讲解一下，主要是权值合理逻辑问题。不胜感激。
1.首先我的理解这个赋值应该是分为两部分是吧。一部分用于赋值用户身上，用于记录或者分析用户的喜好（画像）。一部分在视频本身上（仅本身，用于辅助热度，评论相关定位，同时用于本次判定用户是否喜欢这个视频）。不知道理解是否有误？
2.观看时实时更新用户的赋值和视频赋值（为后续推荐或者整个生态建立数据分析），好处是及时用户没有看完或者没有其他动作我们也可以捕获到写基本数据。不知道这个理解是否有误，毕竟有直接跳出或者根据周边区域热推跳转的？
3.真正的问题来了- 根据年龄推断这个权重值是如何设定呢，一是中年基本孩子例天天看 汪汪队，小猪佩奇。。。。。，二是动漫和动画有界定模糊。可能作者仅作为举例，按我刚想深度学习一下烦请告知。
4.真正的问题来了-最终推荐是否是这样理解，A用户历史赋值（画像） 动画类型10，动作-30，综艺10，科幻1，战争-30。其他信息 年龄30 性别男 身份。。。。，当前观看视频路径（电影-欧美-战争。。。） 选定范围，当前观看视频的意愿（如果判定不喜欢，就不推荐导演，演员关联的视频了），然后根据用户的历史赋值走稳重流程进行辅助筛选，然后按照一定规则排序。
问题比较多，如有作者有时间烦请解惑一些。再次感谢，我是业务和执行方向，期待多学习一下策略和规划相关
你上面的问题1和2，在文章中已经有解答了。就是按照你陈述的思路做的。你的理解没错，非常正确。
用户的画像库，是实时更新的，随着用户的每一次操作，实时动态更新。用户的每一次操作就是赋权项，电影对应的标签，就会随着赋权项而增减相应分值。
但是有一点，问题1的描述，用户的画像和视频标签是不能割裂开的。用户的画像，就是由这些诸多视频标签组成的。当然除了视频标签外，画像还有诸如人口统计，付费额度区间，账户级别等其他。但是用户偏好，就是由这些视频标签决定的。
问题3，正如你说，我只是举例。只是想说明一下，内容推荐要遵从同类目的原则。即，电影后面只能推荐电影，而不能出现话剧或体育视频等。这个类目，可以按频道从属来界定。产品本身已经给出界定边界了。比如，动画片，体育，娱乐播报等。
这个问题 ，更深层的，我也没有深度思考，可以先采取上面这种粗暴界定方式。更精细的，应该又是一套策略题目了。
比如这样一个烧脑的场景：
用户A，从基础画像上来讲，是一位50岁大叔，爱功夫片，欧美暴力片，且在过去的5年中，从来没有看过腻歪歪的韩剧爱情片（正常爱情片，别想歪了）。突然在某个时间节点开始，播放轨迹中密集出现韩剧爱情片。
可以得出如下可能的结论：
1. 大叔心萌新芽，我们管不着。给与正常热度值计算并推荐。
2. 账户被盗
（这又需要多条件判定，比如之前爱看的类型还在照常播放吗？是，账户没被盗。否，账户被盗；播放设备id有变更吗？变更时间和播放轨迹变化时间节点吻合吗？如果是移动端的话，账户启动所在地，和之前有突然的变动吗？变化时间节点是否与播放轨迹变化时间吻合？……）
3. 他人与大叔共享账号（找了小蜜也不一定）。
那么如何解决呢？从策略层面，我目前也不知道，以后可以慢慢研究。
但是，可以先用其他方式，给与一些试探动作：比如，当某韩片播放结束时，偶然间弹出那么一个小窗：请选择您最喜欢的一个影片类型 ，选项有： 【功夫，欧美动作，韩式爱情】 。
① 如果用户选了韩式爱情，而根据当前的实际画像，韩式爱情热度远远不足，基本可以判定，当前用户并非大叔本人，且通过条件判定，账户没有被盗，那么在播放功夫片的时候，后面就不能推荐韩式爱情片。
② 如果选择功夫，那么说明大叔春心萌动，一切正常。
额……给自己挖了个坑，大致如此吧。欢迎探讨
非常感谢回复。说明了我确实理解了作者所发内容，也学习到了。再次感谢作者分享。
“4”是我做了个假设用于辅助验证推荐筛选是否符合上文所描述的策略方法。打的比较急有错别字可能导致无法很好理解啦。哈哈是我的错。
问题4，表示没太看懂。
策略推荐，一定按照数值推荐，其中最关键的是，数值是怎么来的。数值本身并不重要，重要的是算法逻辑，有了算法逻辑，自然有了数值，且数值是实时动态的，不能太过机械，否则就会失去策略的意义。
写得很好
有一个疑问，烦请解答一下：对于用户历史观看和现在观看的视频是基于该用户的历史行为打标签赋值，如果点赞观看视频，那这个视频的标签值只会加1次，而推荐池的视频，是怎么框定它的标签值的，因为看这个视频可能有n多个用户已经看过电炸锅，比如n个用户对视频点赞，会加总n次？不对等的情况下，如何匹配？
您好，您给自己挖了一个逻辑陷阱。
您搞混了一个概念：候选视频标签分值，并不是有他人观看该视频所带来的。
首先，推荐池的视频标签值不会因为N个用户看，就会加N个标签值，因为每个人所看当前视频带来的标签值，与他人无关，只和自己有关，也就是说，多人看同一部电影，并不意味着这部电影的标签值就会高。
其次，候选视频标签值得分来源：候选视频标签赋权值调取历史画像中相同标签的赋权值，即候选视频标签A，则A的赋权值等于历史画像中标签A在所有过往操作中所累积的赋权值；
可能有点绕，再举个栗子；
候选视频标签Y，该标签在其历史画像标签库中的热度得分为：Y赋权值÷所有标签总赋权值。分值为百分比。这个百分比就是标签Y的热度值。
那么标签库中的Y赋权值怎么来的呢？Y的赋权值由该用户所有历史操作带来，每一次操作都是一次赋权项，所有赋权分值的累计，就是Y的赋权值。这个赋权值÷总赋权值，就是它的热度值。
不知我有没有说明白。
还是有点不理解，候选视频我没看之前，是没有进行任何操作的，我理解只能基于候选视频和我历史看过视频来进行匹配，要么是以人的纬度进行匹配，和我用户画像很像的人在看过当前视频后对候选视频进行了点击，那判断我也应该会对这个候选视频感兴趣，这中间不会基于这个候选视频的热度来进行推荐吗？候选视频被1个和我画像相同的人点击和被3000个和我画像相同的人点击效果是一样的吗？当前和历史的我理解了，就是候选视频这块计算逻辑没明白
简单来说，我不理解候选视频的标签哪里来的，因为赋权项和赋权值只提到了操作部分，但是候选视频，用户还没有对其进行任何操作
候选视频本身，是没有任何热度的。为了对候选视频进行排序，所以我们必须给它合理的搞出点热度值出来。你的困惑也在于：我还没有对候选视频进行任何操作，它怎么能有“热度”呢？
你可以这样理解：
首先，基于用户过往的操作，他有自己的画像库，而画像库就是由诸多标签组成的（当然除了标签外，还有其他画像内容，比如年龄、地区等，先不管这些，此处只说视频标签的事情）
其次，用户画像库中的每一个标签，都有自己的标签热度值（注：这个热度值是一个百分比，热度值=该标签赋权值÷所有标签赋权总值）基于热度值生成标签序列，姑且形象的称其为【标签排队】吧，谁第一名，谁第二名，这样好理解。
再次，候选视频也会有自己的标签。用候选视频的标签，去和用户的画像库中的标签进行匹配（或者反向匹配也行，道理一样）。所匹配成功的画像库的标签热度，就被视为候选视频的标签热度（这句话很关键，注意理解）。这里候选视频的标签热度，是假热度(实际上就是匹配度），其作用只是起到一个排序的作用，以便将候选视频按照这个数值进行排序。照此思路，将所有候选视频标签的热度相加，就能得出视频总热度，候选视频的排序就出来了（即匹配度排序）。
再强调一下，候选视频的“热度“，是假热度，本质上就是匹配度，只是为了排序而已。
上面只是针对你的困惑进行了针对性解答。具体执行的时候，要综合候选视频与历史画像的匹配度，以及和当前视频的匹配度进行统筹考虑。
希望能帮到你。
可以说3个公式，没有太搞懂么……现在在做策略评估，每天接PM的需求，看着好馋～
其实公式挺好理解的，可以先从整理逻辑模型上来理解。
公式一就是核算匹配度的。匹配度=与当前视频匹配度+与历史偏好匹配度。匹配度主要解决哪类的问题。
其中，与当前视频匹配度占据绝对类目方向主导，也就是说，当前看什么视频，推荐的视频就应该偏重于该类目，同时以历史偏好作为辅助。因为视频是典型心流型消费，很容易有沉浸感。比如，我当前正在看一部很感人的爱情片，被感动的稀里哗啦，放映结束后，却给我推荐恐怖片、功夫片，总是不妥的。
其次就是偏好度，同一类目中，具体偏好哪一部？偏好度主要解决哪个的问题。
最后就是参照新鲜度和热度了筛选过滤了。比如腾讯视频，居然会在电影后面给我推荐一个十年前影片的预告片，2008年的预告片啊，我也是服了……
唉，我报了九月的班也是为了省着想选题，好好写作业输出文章的，被抢先了哈哈哈。
干货，虽然对于做运营的我来说不太切中，但非常认可这样的落地方法
大神！好牛逼的策略产品思路，对于策略产品讲述的很清晰透彻，既有理论，也有案例，是一篇值得收藏并且反复品读的文章，学习了！