策略PM二三事：推荐产品经理应该做什么

产品经理的分类一直是两条线，一条是行业线，一条是专业线。行业线比如在线教育产品经理、广告产品经理、社交产品经理，专业线比如推荐产品经理、增长产品经理、商业化产品经理、策略产品经理。其中策略产品经理的工作内容变化幅度最大，和公司的阶段、团队专业程度都有关系，推荐产品经理也不例外。

这里描述的是在外部条件合适的情况下，推荐产品经理应该做什么。

推荐系统为什么需要修正

要回答推荐产品经理可以做哪些事情，需要首先讨论一个最根本的问题，为什么推荐系统需要算法之外的因素修正。推荐系统经过了20多年的发展，很多场景都有一些算法解决的思路，但是并不意味着一切都可以交给推荐算法。

首先，模型永远都是错的，模型是对现实状况的模拟，除非业务目标就是模型目标，否则模型与现实的差距就需要一些策略规则去弥合。这是推荐系统这样成熟的系统，还需要策略产品经理的原因之一。

比如模型认为用户过去的行为表示用户未来的喜好，但是如果真的完全按照历史数据去推荐，可能会影响用户的长期留存，所以推荐算法需要考虑兴趣扩展。

其次，模型都有指标作为优化目标，但这并不意味优化目标是业务目标。如果优化目标就是最终追求，在不增加数据的情况下，当前的结果一定是最佳结果，每增加一个规则，就会造成指标的一些损失。

但是问题就是，指标也不一定真的是我们想要的。比如目标是点击率，但是算法为了点击率推荐一些标题党内容，会影响产品的形象和长期留存，而后者无法在短期量化。

虽然很多业务需求听起来并不完全合理，但是可能都有这样朴素的出发点。

推荐产品经理应该做什么

1.把业务需求转化为策略需求

这可能是所有推荐产品经理都应该做的事情。如果运营觉得应该增加某一类的内容曝光，增加这类生产内容的积极性。这就是典型的业务需求，但是到策略层可能就是排序权重、数据流程等的调整。要做好这部分工作，需要充分理解算法系统的工作原理，以及业务的目标。

与此同时，优秀的推荐产品经理会想到可能后续有很多类似的需求，会尽可做出通用的调权方案方便复用，甚至做出后台，让运营直接人工配置。

2、主动分析复盘，发现优化点

了解了推荐系统为什么需要修正，也就知道了分析复盘的角度和发现优化点的方法。

发现模型和现实的差异，就需要足够了解业务目标和模型假设有哪些出入。并且推演这些差异会给整个系统引入什么问题，从而找到优化点，进而发现需要对模型的假设和边界做哪些调整。

了解了模型目标和业务目标并不直接对应，就需要在更长周期内做专门的数据分析。

发现长期的业务目标是否达到了预期，而没有达到预期的部分，是不是有一些地方是因为模型目标设定引起的，以及应该做哪些弥补。

推荐系统的具体工作

上面讲的应该做什么，更多是从宏观层面讲的，这些内容也有一些具体的体现。

承接业务需求，做出系统层级的通用工具，方便业务理解系统，并且对系统内容做一些合理干预。比如热门内容库、加权活动、加权标签、插入运营内容等等。

分析数据，找到用问题的case，评估case影响范围，解决case带来的数据收益。这要求推荐系统产品经理有很强的数据思维和足够的数据分析方法。

主动分析系统中的问题，进一步理解系统的边界和局限，给出算法升级建议，甚至重构算法。

这需要对算法有非常深刻的理解。

做到第一步是一个合格的策略产品经理，做到第二个是一个优秀的策略产品经理，做到第三点是卓越的策略产品经理。

其实就我理解的情况来看，大部分推荐的策略产品经理都在做第一个阶段，即使是一些非常优秀的大厂。而要完成后两步进阶，深刻地理解算法几乎是必由之路。