1704851190
1704851191
1704851192
1704851193
图8–1 人为枚举规则与机器学习模型的复杂度对比
1704851194
1704851195
产品经理最直观能够想到的策略如图8–1中直线，简单但覆盖面积小。为了提升覆盖面，给策略增加了许多分支判断，从而构成了图中的折线。完成了以上两步，人脑能够实现的复杂度基本到顶了。想要拿剩下的收益，只能依靠机器。图中的曲虚线可以视作机器习得的模型，通过更高的复杂度覆盖更多的精细场景。
1704851196
1704851197
援引戴文渊，即“戴神”的一段经历：“2009年，我加入百度的时候，所有搜索、广告都是专家规则系统。当时，规则数写到了将近1万条，都是资深广告领域的业务专家写出来的。后来，我们用机器分析数据，最后写出了1000亿条广告规则，而且比人写的1万条更精细。所以，经过四年，收入提升了8倍。”
1704851198
1704851199
火车已然高速运行，就别再执念你的宝马良驹了。
1704851200
1704851201
不管你认不认可，机器学习大面积取代人工判断的时代，来了！
1704851202
1704851203
训练机器才重要
1704851204
1704851205
先讲个真实的事情。
1704851206
1704851207
在和某前辈聊天时：
1704851208
1704851209
前辈问：“优化点击率，你做了哪些规则？”
1704851210
1704851211
我一脸的茫然：“优化点击率是机器该做的事情。”
1704851212
1704851213
前辈追问：“那要策略产品干什么？”
1704851214
1704851215
是啊，要策略产品干什么？当然不是去跟机器比执行效率，而是应该训练机器啊。
1704851216
1704851217
训练机器通常需要以下几个步骤：
1704851218
1704851219
第一，设定目标。
1704851220
1704851221
机器擅长的是数据优化，产品经理的职责是给机器设定合理的优化目标，可以概括为：明确产品场景，确定业务的核心指标，并以灵敏指标拟合长期目标。
1704851222
1704851223
以内容推荐产品为例，如果你负责的是一个垂直频道，那么这个频道的留存率和内容消费总量肯定是核心指标。对留存率来说，在产品成熟期不敏感，我们可以通过更容易观测的人均消费量来拟合这一目标。对内容消费总量而言，它等于频道渗透率乘以人均消费量，因此，所有的短线优化都可以围绕灵敏的局部指标渗透率和人均消费进行。
1704851224
1704851225
目前，由于机器可以支持更高的复杂度，产品迭代已经逐步从单目标向多目标进化，即在不降低点击率的前提下，优化互动量（分享、评论、点赞），在互动量优化中，优先优化分享量。
1704851226
1704851227
第二，制订保底方案。
1704851228
1704851229
机器的优化不是一蹴而就的，需要一个不断改进的时间周期。在机器算法尚未完善前，产品经理应该给出一个保底方案作为基线。
1704851230
1704851231
以反低俗为例，在模型识别不好的时候，我们可以通过用户举报反馈、数据异常波动复审等方式拦截一部分低俗内容。以此作为基线保证用户的基础体验，留给机器学习和优化的时间。
1704851232
1704851233
第三，发现问题。
1704851234
1704851235
与其说是发现机器推荐的问题，不如说是发现产品经理在制定目标时存在偏差的问题。
1704851236
1704851237
在机器优化的过程中，往往会出现为了极致优化目标A，造成其他部分有损的情况。比如，目标设定的是优化用户的阅读完成度，那么机器执行后最直接的结果就是只推荐短文（一屏展现完毕，用户点击后就100%完成阅读）。这样的结果显然不是我们想要的。为了优化，我们需要进一步修正目标的设定方式。比如，内容至少要多于多少字，对哪些内容可豁免（如快讯），等等。
1704851238
1704851239
好的算法结果，既离不开优秀技术研发的实现，也离不开优秀产品经理的投入。