产品策略方法论以美团外卖分单策略为例

　　明确目标、吃透业务、拆解约束条件、模型抽象、数据验证，笔者根据在实际工作中经验所得，总结出了一套策略制定方法论分享给大家。
　　互联网产品经理每天都在跟策略打交道，小到一个按钮的位置摆放，大到一个完整的产品解决方案，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。
　　任何一项策略的落地，其结果都可能对平台用户，甚至整个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、想当然进行决策，结果要经得起推敲和质疑。在满足商业目的的同时，也要兼顾后果，尽可能地提高决策正确率。
　　一、没有完美的策略
　　在思考一项策略解决方案之前，首先应当认识到，任何一个策略都有其局限性，不可能找到一个完美的解决方案，能把所有问题都解决掉。
　　互联网产品的研究领域很大一部分是跟社会科学有关，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，任何一项策略，都不可能同时讨好所有人。正因为如此，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，被广泛运用于经济学、管理学等社会科学领域。同样，导致问题的原因也遵循该原则，在面对一个复杂问题时，决策者的时间精力、公司的资源都是有限的，没必要浪费在一些无关紧要的细枝末节上，只要抓住导致问题的20%主要原因，很多问题便迎刃而解。
　　二、明确目标
　　任何策略都是为了解决某个问题，完成某个目标。当我们接到一项新任务时，很容易忽略要解决的问题是什么，而一头扎进业务细节，直接寻找解决方案。
　　这样无头苍蝇似的碰运气，很容易陷入喋喋不休的无意义争论，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）：数据分析领域有一句行话：无法衡量它，就无法增长它。一个策略被运用实施后，我们需要对其结果进行对比分析，以评判策略带来的效果。
　　如果这个问题不能被量化，那么我们很难通过前后效果对比，知道到底哪个策略对解决问题更加有利。
　　例如，将提升配送效率直接作为指标就不太合适，什么是配送效率，我们无法立即给出具象的描述。
　　2. 一句话描述清楚：如果一个问题需要长篇大论的文字进行定义，势必增加大家的理解难度，每个人获取到的关键信息可能不一样，那么大家很可能会把大量时间浪费在我们到底要解决一个什么问题的争论上。
　　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、寻找最佳的解决方案上，如：提高本季度同比用户增长率，就是一个很好的问题描述。
　　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，让骑手从接到订单到送达用户手中的耗时，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物送到用户手中。
　　三、从业务中来
　　吃透业务是做好策略方案的前提。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，人们的行为、目的动机，以及遇到了什么问题。
　　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，就无法与他们感同身受，也就不可能给出好的解决方案，解决他们的问题。
　　你永远也不知道你的用户在如何使用你的产品，他们真正需要的是什么，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，我会亲自去当几天美团或饿了么外卖骑手，真实参与接单配送，甚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、一直到交付到骑手中间的各个环节。经历这些后，我将获得第一手业务资料，对业务也会有更加深刻、直观的认识。
　　除了去真实业务场景体验外，还应当做到以下两点：
　　业务场景可视化：虽然亲自去体验了外卖场景，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七星，因此我需要进一步把业务进行场景可视化。
　　图一：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如下几个场景：用户筛选下单、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. 描述核心场景下关键人物的核心诉求：现在我心目中已经构建起了整个外卖配送的核心业务流程图。接下来我还需要再进一步，去了解核心人物的目的动机以及他们遇到的问题。
　　无论什么策略，最终都是解决人的问题。只有搞清楚他人们最关心的东西，才能对症下药，达到最佳预期。
　　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，是因为在许多决策中，平台利益都将作为重要的因素被考虑。
　　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如下：
　　用户：最快的速度送达，最低的配送费用
　　骑手：最合理的订单分配，最优的配送线路安排，最短的取餐等待时间
　　餐馆：最高的订单完成率，最短的取餐等待时间
　　平台：利润最大化，最好的口碑
　　四、约束条件拆解
　　明确了目标，对业务背景也有了深入了解，现在我们要弄清楚到底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，在下一步的模型建立时，将被作为约束条件，考虑进整体解决方案。
　　寻找这些影响因素最常用的方法是拆解。即是根据目标问题，从一个维度入手，至上而下层层拆解，且每一层级之间的拆解项相互独立。
　　拆解过程最核心的步骤在于如何选定拆解维度，衡量拆解维度是否可行的标准依然可以通过如何两点进行评判：
　　拆解项是否可被量化
　　拆解项是否可被描述
　　在多数O2O项目中，涉及线上线下服务频繁穿插，每个服务节点前后又具有强依赖关系。那么就需要根据业务目标，对核心业务场景进一步可视化，直到能很清晰辨识每个服务节点之间的关系。
　　对外卖配送业务进一步可视化，得到下图：
　　图二：外卖场景服务节点可视化
　　从用户打开网页下单一直到骑手将美食送到用户手中，一共需要经历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，骑手配送时间三个核心因素影响。
　　再继续对三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，骑手当前的订单状态，骑手当前的位置，多个订单间的顺路度，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，多个订单间的顺路度，天气，交通路况，用户周围环境状况（门卫，电梯）。
　　现在我们看到，用户等待时间受线上历史数据、实时数据以及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，上面提到的每一类影响因素，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征工程训练，最终综合这些因素，由系统做出决策。
　　五、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。
　　外卖配送线下场景十分复杂，新骑手小A因为道路不熟悉，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在路上不小心；车轮胎被扎了，无法准时去取餐；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……
　　如果我们一来就从这些细节入手，想要穷尽考虑各种可能出现的异常情况，那么我们将像深陷沼泽一样，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确定原理。设想了一个宏观试验：在一个封闭的盒子里，有一只活猫、一瓶氰化物，一个由放射性物质构成的电子开关，开关下挂着锤子。
　　放射性物质衰变，电子开关开启，锤子落下打破药瓶，猫将被氰化物毒死。而放射性物质衰变存在不确定性，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。
　　图三：薛定谔的猫
　　薛定谔的猫是利用模型抽象，通过一个简单的宏观试验，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，与研究宗旨无关的因素，只保留原型中与研究宗旨密切相关的核心因素，达到化繁为简的目的。
　　现在回到本文的案例，我们可以将问题进行转化：在满足约束条件的情况下，系统如何进行骑手与订单的匹配，能实现预估送达时间整体最优。
　　方便理解，对这个问题进行进一步说明：一个骑手可以同时接到多个订单，但是一个订单只能被分配给一个骑手。那么在进行订单分配时，从单一条件看，很可能有多个骑手都满足这些条件，那么综合所有约束条件，如何进行订单分配，能实现预估送达时间整体最优。熟悉算法的同学，立即就能看出这是一个动态规划求最优解的问题。
　　关于动态规划求最优解，历史上有著名的男女配对案例，下图左侧3名女孩，右侧3名男孩，连线代表他们互相喜欢，如果将互相喜欢的进行两两配对，问最多可以配出多少对？
　　图四：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一样，现在问如何进行组合匹配，能保证他们整体是最喜欢的。这便是二分图的最大权值匹配问题，历史上的Kuhn-Munkres已经对此给出了算法，即K-M算法。
　　关于该算法的解释，可参考我之前的文章：滴滴可能是这样为你找到司机的（下）。
　　六、数据验证·到业务中去
　　检验策略是否能达到预期的唯一有效办法是将其运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，一些有条件的公司，在历史数据的基础上，建立了仿真系统，策略并不需要真实业务场景进行检验，就能提前做出预判。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，并不能100%仿真。因此仿真结果仍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关联的其他指标，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呈现时，可从横向对比、纵向溯源两个方向进行。横向对比诸如策略上线前后的数据对比，不同模型之间的对比，能直观反应策略实施效果。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呈现及对比，能最大限度避免辛普森悖论。
　　七、几点注意事项
　　明确目标、吃透业务、拆解约束条件、模型抽象、数据验证，这是我在实际工作中总结的一套策略制定方法论。但是要成为一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，我们时常容易犯一种错误，如果决策的内容是自己熟悉的，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悉的，我们会类比成曾经自己熟悉的经验，然后据此做出决策。这在心理学上被称为证实性偏见。
　　我们并不否认固执有时候是一种美好的品格。但是这一定有个前提，即是在你充分考虑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，我们更推崇大家不要闭门造车，当时刻保持空杯心态，认真对待每一个人的质疑，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，运用于解决方案。大公司人才的核心竞争力之一便在于此。
　　很多时候并不是我们不聪明、不勤奋，而是解决方案已经超出了我们的认知边界。
　　解决这个问题的方法，一是多阅读，读书，读专业领域论文；二是时长关注竞品的动态发展；三是尽可能争取机会，与同行深度交流。
　　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，其算法被应用于各个领域。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，什么被称为工具？就是你用得着他的时候，你知道他在哪里，怎么用。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，但是应当有个度的把握，知道这个算法适用的场景、案例，解决问题的边界，我觉得就可以了，至于涉及复杂的数学公式推导，弄清算法背后的前因后果，得看具体情况，因人、因时而异。
　　4. 策略方案一定要因时制宜：并不是人工智能的算法策略，就一定比运用加减乘除制定的算法策略要好。这是错误的认知。
　　在上面的方法论中，我一直强调，策略是从业务中来，最终回到业务中去的，采用什么样的方法策略，一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。