【产品】策略产品经理职能

策略产品经理职能

随着互联网行业的发展，市场对产品经理的细分越来越多，策略产品经理就是其中一个细分项。策略产品经理是什么呢？需要具备哪些能力呢？策略产品经理的定义和能力模型。

一、什么是策略产品

完整的策略产品需要具备哪些能力。

1）基础产品：地基、基础户型结构、钢筋水泥涂料，可交付的简装房。执行类的基础产品是策略落地的抓手，如推荐与导购展现、智能定价与优惠生效的关系。脱离了基础执行产品，策略无法形成闭环，只能局限于数据分析和建议的范畴，还留有最后一公里。

2）算法策略：智能家居的内核科技，需嵌入到智能家居的产品中，才能发挥更大价值。对于策略产品经理而言，需要深入了解算法的逻辑，具体可见下文的策略产品经理能力模型。

3）策略产品：智能家居，将算法策略封装为一个完整的产品，提供给用户使用。作为使用者，不用特别关心算法模型的逻辑，只需要知道能满足什么需求，输入和输出是什么即可，比如对于电饭锅，我输入了预约煮饭的时间，那么我知道在指定的时间它会自动加热，在明天早上一起床的时候，我就能吃上热腾腾的粥了。

4）解决方案：

将智能家居装载到房屋里的装修方案。智能家居产品有了，接下来需要做的就是把家居安装好。对于冰箱洗衣机这种简单的家居，插电即用，将策略产品和基础产品对接即可，例如像推荐和派单一类AI主导的策略，直接接入app应用就行。而对于中央空调和暖气等家居，必须深度嵌入到整个房屋结构中，所以需要考虑完整的装修方案，比如像自动补货、智能定价等策略，需要和现有基础产品的人工流程融合，考虑优先级及协同关系。
集合智能家居能力，实现物物互联的精装智慧家。安装好家居之后，更深入一步，需要进行不同智能家居之间的互通，比如，今天称体重发现超标了，那在开冰箱拿肥宅快乐水的时候，会响起警告，并且冰箱根据体脂情况和冰箱可用空间自动生成了一份健康饮食采购清单，一键确认后即可下单送货上门。单点最优并不能保证全局最优，因此需要将各模块的策略和产品结合起来，以达成最终的全局目标，需要在不同策略、不同策略产品和基础产品间穿针引线，编织出一张解决方案的大网。

5）外部协同：和其他房屋联通的门、楼道、水管。在和其他领域的产品进行协同时，需要针对上述已有的产品能力进行清晰定义，明确可以输出的结果及输出方式。

二、业务分析：如何做诊断归因？

杜邦分析法是财务中常用的拆解指标的方法，可以将核心指标拆解为多个因素乘积的形式，如GMV=访客数*转化率*客单价。

在做完指标拆解后，应该如何进行进一步归因呢？本月GMV上涨了，是访客数增长的贡献还是转化率上升的结果，抑或是因为客单价的提升？

为此，我们需要引入另一个在财务领域广泛应用的分析方法——因素分析法。

因素分析法是什么？

因素分析法是在将核心指标拆解为多个因素后，识别各因素对核心指标影响程度的一种方法。

我们将指标拆解后，当然，可以用控制变量法来计算每个因素的贡献，比如，假设上月的GMV、访客数、转化率、客单价分别为GMV₀_、V₀、T₀、M₀，本月的GMV、访客数、转化率、客单价分别为GMV₁_、V₁、T₁、M₁，那么

GMV0=V0*T0*M0
GMV1=V1*T1*M1

我们要判断访客数，也即流量的贡献，按照控制变量法，假设转化率和客单价与上月一样，访客

数变化所带来的GMV提升为：
Attr_V=V1*T0*M0– V0*T0*M0
同样，计算转化率贡献的公式为：
Attr_T=V0*T1*M0– V0*T0*M0

这里用到的是传统的控制变量的思想，但要使用控制变量法需注意一个前提，那就是各个变量之间要相对独立，但真实情况下，各个因素之间都是相互影响的，很难保证独立性。

而因素分析法所采用的是连续替代的方法，在计算下一个因素的贡献时，会考虑到上一个因素的变化，可以有效地规避控制变量法中不独立的问题，我们具体看一下如何操作。

首先，我们在上月GMV₀的基础上，用本月的访客数V₁替换V₀，接着再依次用T₁替换T₀，M₁替代M₀，可以得到：

上月GMV：GMV₀=V₀*T₀*M₀①

第一次替代V：V₁*T₀*M₀ ②

第二次替代T：V₁*T₁*M₀ ③

第三次替代M：V₁*T₁*M₁ ④

而每一次替代前后的变化，就是对应因素的贡献值，即：

Attr_V=②-①

Attr_T=③-②

Attr_M=④-③

GMV₁-GMV₀= Attr_V+ Attr_T+ Attr_M

举个栗子

下面，我们举个实际的例子来熟悉一下上述方法。

假设9月和10月的数据如下：

那么，用因素分析法依次替代后的结果如下：

9月GMV：GMV₀=V₀*T₀*M₀=12w ①

第一次替代V：V₁*T₀*M₀=15*1%*60=9w ②

第二次替代T：V₁*T₁*M₀=15*2%*60=18w ③

第三次替代M：V₁*T₁*M₁=15*2%*70=21w ④

各因素的贡献率分别为：

Attr_V=②-①=9-12=-3w

Attr_T=③-②=18-9=9w

Attr_M=④-③=21-18=3w

由此可见，10月的访客数较上月有所减少，导致了3w元GMV的流失，但流量显然更精准，转化率明显提升，且转化率的贡献最大，带来了9w元的GMV增量，此外，流量质量也较高，客单价有所上涨，带来了3w元的GMV提升。

因此，后续应该加强流量的引入，转化率可以分渠道进一步分析，针对高转化率的渠道进行重点运营，而客单价可以进一步分析是产品价格提升了，还是用户买的产品数量更多了。

因素分析法的作用，就在于可以找到关键的正向或负向因素，当精力或资源有限时，可以有的放矢，重点解决关键问题。

替代顺序如何确定？

看到这里，不知道大家有没有发现，如果改变一下替代的顺序，各因素的贡献值会发生变化，比如，如果先替换客单价，那客单价的贡献值肯定跟上面的结果有所差异。

那么，我们应该如何保证因素分析法的有效性呢？

因素分析法是建立在某种前置假设的逻辑之下的，既然无法将各因素割裂进行分析，那么就依次考虑各因素的叠加效应，而这个次序需要遵循实际经济意义上的先后逻辑。

比如，以上述的访客数、转化率和客单价为例，自然是先有访客到访浏览，才会有下单转化，之后才会产生交易金额。也即先得有人来，来了才会决定买不买，决定买了再看花多少钱买。

同样，如果我们把GMV拆成价格*销量，那么应该先考虑价格的贡献，再计算销量的贡献，因为是先定价，才会有销量，而且销量很大程度会受到价格的影响。

用户分析：如何分析品牌认知差异？

网络社交媒体和电商平台中沉淀着大量的用户反馈信息，通过舆情的挖掘分析，可以为品牌商提供多角度的参考建议，指导品牌商进行产品或服务的优化。

很多品牌商都会定期找调研公司进行调研，从而了解用户对品牌的认知，以指导下一阶段的品牌形象建设或品牌差异化策略。

有很多调研的分析方法同样适用于舆情的分析，接下来就分享其中的一种——对应分析。

对应分析(Correspondence analysis)也称关联分析，是一种多元相依变量统计分析技术，是通过分析由定性变量构成的交互汇总表来揭示变量间的联系。

简单来讲，其实就是先将各类变量放到一起进行相关性分析，把关联度高的进行归类，达到降维的效果，如将为二维（两个分类），接着，再看各变量在这个二维空间中的位置，最终判断变量间的关联性。

对应分析与因子分析的差异，就在于因子分析是针对一个变量中的值进行归类，看的是相同变量的相似性，如老鹰和麻雀都可归为鸟类，而对应分析包括多个变量，还能看不同变量的关联性，如老鹰（鸟类）与食物（鼠）的关联度高，麻雀（鸟类）与谷类（食物）关联度更高。

对应分析的具体原理在此不做赘述，大家感兴趣的话可以上网查阅，接下来，我们看一看实际的例子（数据都是我编的，如有雷同，应该是抄我的）。

基础入门：简单对应分析

现在，假如我们将用户的评论、反馈数据，通过切词、归类编码后，得到以下数据表：

简单对应分析适用于两个变量交叉分析，我们先选“品牌”和“认知”这两个变量来进行对应分析。

在很多分析工具中都有对应分析的功能或程序包，我们以SPSS为例，在SPSS菜单中选择【分析】-【降维】-【对应分析】，选择行列分别为“品牌”和“认知”，可以得到以下摘要表：

我们看到显著性sig=0.000<0.01，卡方检验通过。

然后，观察第一列“维”（也就是所谓的归类）和后面的累积惯量比例，可以看到维1和维2加起来的累积惯量比例已经达到99.5%，也即用这两个维度已经可以解释“品牌”和“认知”这两个变量中99.5%的信息。

接着，我们可以得到具体类别在这两个维度上的得分，生成对应分析图如下：

通过对应分析图分析关联性目前有多种方法，如向量分析、理想点与反理想点等。

这里我们用最简单的观察法进行定位分析，首先标出几个品牌的位置，然后观察品牌认知的形象词与品牌的距离，距离越近，说明关联程度越高。

至此，我们可以大致判断出各品牌在消费者心目中的形象。

进阶拓展：多元对应分析

简单对应分析比较直观，但其缺点在于只能分析两个变量。如果我们除了分析品牌形象以外，还想看看各类型用户对于品牌认知的差异，那么就需要用到多元对应分析。

在SPSS菜单中选择【分析】-【降维】-【最优尺度】，选择分析变量为性别、年龄、品牌、认知，最终生成结果如下：

从图中可以看到，50岁以上女性更偏好悠悠诗，她们觉得悠悠诗是“高端的”。40-50岁人群更偏好星七克和雀窝。

多元对应分析的信息量相对较大，可以得到更丰富的解读，但理解较为困难，可酌情选用适宜的方式进行分析。

三、如何构建策略产品

了解了策略产品的能力定义之后，再来看一下构建一套策略产品的流程，以及在整个过程中策略产品经理所扮演的角色。

1）理解商业模式，了解业务战略及策略（策略产品经理）

任何的策略只不过是一种或一系列的手段，最终都应该服务于目标。策略往往需要一段时间的打磨，而即便对于目标，可能也并不一定是清晰且固定不变的。在现实的商业世界中，往往需要同时考虑多方因素，同时兼顾多个目标，我既想要赚钱，又想要消费者满意，同时还想要所有合作商笑着买账，谈何容易。

因此，如何理解业务，如何协同业务确定目标的重要程度和优先级，如何进行目标的拆分，梳理业务的策略打法，就是策略产品经理所要做的第一件事。

2）基于业务了解，确定冷启动切入点（策略产品经理）

在明确了业务的模式、目标和业务策略之后，接下来需要确定第一步往哪儿落脚。任何数据智能的应用或改动都会面临或多或少的质疑，因此步子不能迈太大，应该大胆假设，小心求证。针对第一步拆分的目标，确定先基于哪个场景的目标构建策略，以及应该选择哪类商品或人群进行测试验证。一般情况下，当然是先挑软柿子，也就是好做的做，基于相对简单的场景进行策略构建和完善，并逐步建立起信任。

3）梳理底层数据，确定关键数据指标（数据产品经理）

在挑柿子的时候，我们很可能会发现，根本没有长得好的柿子，因为连树根都不扎实，而且盘根错节。这个时候我们就要扮演数据产品经理的角色了，顺瓜摸藤，以目标为导向来梳理所需的全部数据，针对数据进行补全、清洗、归类。在数据已结构化且完整的情况下，初期可能还需要用已有数据进行分析测算，来判断是否有优化的空间，机会大不大。最后，我们还要确定和目标相关的数据考核指标，并且和业务达成一致。

4）将业务策略转化为算法策略（策略产品经理）

目标确定，业务策略确定，数据也准备就绪，那么接下来就需要我们扮演“翻译”的角色，将业务建模转化为算法建模。算法的基本构成包括目标、约束、模型、评估，针对模型的部分我们知道原理即可，但对于其他三个部分需要策略产品经理深度参与，以保证算法的结果符合业务的预期。

目标：算法的优化方向，也即目标函数。传统的KPI指标其实也可以转换为一个目标函数来表达，比如电商平台采购小二KPI的目标函数为：Max(GMV指数*0.6+毛利指数*0.3+库存周转指数*0.1)，这里的指数都是归一化的得分。
约束：算法优化结果一般都不是绝对意义上的最优，而是寻找在一定的限制和约束范围下的最优解，这里的约束就是现实世界条条框框的映射，反应了对其他利益相关者或其他相关因素的考量。此外，还有一类约束是用人对实际情况的判断来作为算法模型的补充，比如电脑处理器i9价格高于i5，这类信息可以作为前置约束条件，避免算法结果不符合预期。
模型：机器学习模型，学习和了解一下算法原理还是非常有趣的，很多算法模型其实都有通用的思想，比如探索与利用，就是利用计算机的算力随机做很多种尝试，然后挑出结果不错的再做微调优化，直到结果收敛，提升效果不明显为止。再比如控制变量法，通过算法模拟出变量之前的关系，然后控制其他变量不动，来看每个变量对于结果的影响。
评估：效果评估往往是最为困难的一步，因为实际的业务结果变化可能不是单一因素造成的，在一个环节上“动动手脚”，没法直接判断对结果带来的影响，所以需要我们又当选手，又当裁判，自己给自己找到合理的评估手段。这一步需要策略产品经理深度参与，与算法和业务同学探讨，找到一种甚至多种效果的评估方法，做到尽量精确合理同时又可解释。

5）推动测试验证及推广进度（项目PM）

测试验证可能是一个较为漫长的，否定之否定的过程，没有完美的策略，只有基于目标细化和现实条件完善达成的相对较优的策略，在变化中寻找动态平衡。在这个过程中，需要策略产品经理组织产研、算法和业务团队定期沟通对焦，针对bad case商讨解决方案，明确责任人，并且适时鼓动业务扩大试点范围，阶段性地进行复盘和PR，提高影响力，吸引更多资源。

6）抽象为产品，保证可用性、易用性、可扩展性（功能型产品经理）

当策略较为成熟，效果较为稳定后，就需要给算法套上产品的外壳，插上电，让它自动运转，进一步带来规模化的效应。算法白盒化一直都是个艰难的命题，特别是对于像零售+AI一类的策略。它的矛盾在于一方面需要将算法掰开揉碎，让用户可以输入更多的业务想法，清楚结果产出的逻辑，明白效果的评估口径。但如果拆得过细，产品实现会变得复杂，理解成本变高，导致没有多少人使用。

具体怎么做取决于具体的业务场景，以及前期和业务的合作机制，对于能够按一定逻辑自运转的，就尽量减少用户的参与，如果出现bad case，那就直接在策略层面进行优化，但这需要与业务之间建立足够的信任。如果是依赖很多商业意志输入的，就需要不断和业务打磨出一套标准的协同流程，然后将这个流程和输入配置产品化，对于这类产品，免不了较长时间的培训和运营，但也只是初期的投入多一些，经过教育和引导之后，你会发现大家玩的得心应手，人人都是调参师。

7）逐步叠加策略，并进行策略协同方案设计（策略产品经理）

一个策略产品的构建流程基本就是以上6点，但如前面所说，当策略产品的能力逐渐丰富起来之后，我们需要进行广度和深度的延伸，新增的策略以及产品模块与之前的策略和产品间需要进行叠加融合，这样才能构建更为合理的解决方案，帮助业务达成目标。

四、策略产品经理能力模型

聊完了策略产品的能力定义和构建流程，基本可以了解策略产品经理到底在做些什么了。最后我们针对策略产品经理的能力模型进行一下概括梳理。

1）懂业务（人际技能）

业务目标是什么，为什么定这个目标，实现这个目标需要什么样的策略，我们能做什么，先做什么，怎么做？实际商业场景需要做多目标权衡，要明确目标的优先级，针对具体执行策略，需要去定义如何做是更为合理的。

业务策略和需求往往不明确，策略产品经理需要基于领域的专业性给业务提供经验输入，帮助业务梳理清楚业务策略、运营计划。此外，有策略地去落策略，找到合适的切入点，先取得结果，证明价值并建立信任，并且始终与业务保持良好的合作关系，保持密切沟通，这需要策略产品经理具备一定的人际技能。

2）懂算法（技术技能）

懂技术包括数据流、算法和研发。
单策略构建及优化：结合业务的目标和策略构建并优化算法策略。理解算法模型基本原理，知道在什么场景下适用，是否可优化可拓展，需要什么样的输入。结合业务目标及策略，协助算法构建并持续优化算法模型。
多策略协同：单点最优不一定带来全局最优，针对多策略，不仅仅是简单的1*n，而是笛卡尔积，需要梳理策略协同逻辑，保障能实现全局目标。

对于策略产品经理对算法技术了解程度的要求，其实和功能型产品经理对研发了解程度的要求相似，只不过，策略产品经理既是算法的产品经理，又是研发的产品经理。