全栈工程师?
嗯.....目前并不是!

產品策略方法論:以美團外賣分單策略為例

明確目標、吃透業務、拆解約束條件、模型抽象、數據驗證,筆者根據在實際工作中經驗所得,總結出了一套策略制定方法論分享給大家。

互聯網產品經理每天都在跟策略打交道,小到一個按鈕的位置擺放,大到一個完整的產品解決方案,背後需要無數的博弈與決策,而策略可以看成是這些決策的集合。

任何一項策略的落地,其結果都可能對平台用戶,甚至整個公司產生不同程度的影響。這就要求策略制定者,不能通過拍腦袋、想當然進行決策,結果要經得起推敲和質疑。在滿足商業目的的同時,也要兼顧後果,儘可能地提高決策正確率。

一、沒有完美的策略

在思考一項策略解決方案之前,首先應當認識到,任何一個策略都有其局限性,不可能找到一個完美的解決方案,能把所有問題都解決掉。

互聯網產品的研究領域很大一部分是跟社會科學有關,研究的主要對象是人,人都是有自我意識,不同人之間又存在不同的動機和目。互聯網產品策略終歸是解決人的問題,任何一項策略,都不可能同時討好所有人。正因為如此,我們才會有用戶畫像的研究,電商、信息流產品才會制定千人千面的推薦策略。

其次,在任何大系統中,約80%的結果是由該系統中約20%的變量產生的。這是著名的帕累托法則,被廣泛運用於經濟學、管理學等社會科學領域。同樣,導致問題的原因也遵循該原則,在面對一個複雜問題時,決策者的時間精力、公司的資源都是有限的,沒必要浪費在一些無關緊要的細枝末節上,只要抓住導致問題的20%主要原因,很多問題便迎刃而解。

二、明確目標

任何策略都是為了解決某個問題,完成某個目標。當我們接到一項新任務時,很容易忽略要解決的問題是什麼,而一頭扎進業務細節,直接尋找解決方案。

這樣無頭蒼蠅似的碰運氣,很容易陷入喋喋不休的無意義爭論,就算得出結果,也很難經得起複驗。因此,開始着手制定方案前,首先要把問題定義清楚。

好的目標問題應當滿足以下兩個條件:

1. 目標問題指標化(可被量化):數據分析領域有一句行話:無法衡量它,就無法增長它。一個策略被運用實施后,我們需要對其結果進行對比分析,以評判策略帶來的效果。

如果這個問題不能被量化,那麼我們很難通過前後效果對比,知道到底哪個策略對解決問題更加有利。

例如,將提升配送效率直接作為指標就不太合適,什麼是配送效率,我們無法立即給出具象的描述。

2. 一句話描述清楚:如果一個問題需要長篇大論的文字進行定義,勢必增加大家的理解難度,每個人獲取到的關鍵信息可能不一樣,那麼大家很可能會把大量時間浪費在我們到底要解決一個什麼問題的爭論上。

所以問題越是簡單明了,越能讓策略制定者把時間、精力聚焦在思考、尋找最佳的解決方案上,如:提高本季度同比用戶增長率,就是一個很好的問題描述。

例如:文中外賣配送的案例,我們定義的要解決的問題是:如何制定分單策略,讓騎手從接到訂單到送達用戶手中的耗時,全局最短。也就是說,從平台整體角度,如何能讓騎手最快把食物送到用戶手中。

三、從業務中來

吃透業務是做好策略方案的前提。業務是由場景和人構成的,理解業務,就是理解不同場景下的人,人們的行為、目的動機,以及遇到了什麼問題

吃透業務光靠想空想是達不到預期的,沒有在真實場景中,作為真實用戶去體驗產品,不能站在他們的視角去發現問題,就無法與他們感同身受,也就不可能給出好的解決方案,解決他們的問題

你永遠也不知道你的用戶在如何使用你的產品,他們真正需要的是什麼,更不可能走進他們心裡,跟他產生共鳴,找到直擊他們內心的切入點。

例如,在制定分單外賣分單策略,我會親自去當幾天美團或餓了么外賣騎手,真實參與接單配送,甚至走進騎手們的業餘生活,感受他們的內心世界。然後去找個外賣加盟餐館,當幾天備餐服務員,真正去體驗餐館從接單到廚房備餐、打包裝袋、一直到交付到騎手中間的各個環節。經歷這些后,我將獲得第一手業務資料,對業務也會有更加深刻、直觀的認識。

除了去真實業務場景體驗外,還應當做到以下兩點:

  1. 業務場景可視化:雖然親自去體驗了外賣場景,但是這些業務場景在我的腦海里非常碎片化,不成體系。就像散落星空的漫天繁星,如果沒有天文學知識,就很成功指認出北斗七星,因此我需要進一步把業務進行場景可視化。

圖一:外賣場景可視化流程

從上面的可視化流程圖中,我們可以清晰把外賣業務拆分成如下幾個場景:用戶篩選下單、餐館接單,餐館備餐,騎手前往目標餐館,騎手取餐,騎手前往用戶目的地,騎手送餐。

2. 描述核心場景下關鍵人物的核心訴求:現在我心目中已經構建起了整個外賣配送的核心業務流程圖。接下來我還需要再進一步,去了解核心人物的目的動機以及他們遇到的問題。

無論什麼策略,最終都是解決人的問題。只有搞清楚他人們最關心的東西,才能對症下藥,達到最佳預期。

參與外賣交易的人物角色有:用戶、騎手、餐館、平台,之所以把平台也作為交易場景中的重要角色,是因為在許多決策中,平台利益都將作為重要的因素被考慮。

由於我們解決的問題主要是外賣配送場景,在該場景下各人物角色的核心訴求如下:

  • 用戶:最快的速度送達,最低的配送費用
  • 騎手:最合理的訂單分配,最優的配送線路安排,最短的取餐等待時間
  • 餐館:最高的訂單完成率,最短的取餐等待時間
  • 平台:利潤最大化,最好的口碑

四、約束條件拆解

明確了目標,對業務背景也有了深入了解,現在我們要弄清楚到底是哪些因素對目標問題起決定作用。

這些因素,就是當前策略的邊界條件,在下一步的模型建立時,將被作為約束條件,考慮進整體解決方案。

尋找這些影響因素最常用的方法是拆解。即是根據目標問題,從一個維度入手,至上而下層層拆解,且每一層級之間的拆解項相互獨立。

拆解過程最核心的步驟在於如何選定拆解維度,衡量拆解維度是否可行的標準依然可以通過如何兩點進行評判:

  • 拆解項是否可被量化
  • 拆解項是否可被描述

在多數O2O項目中,涉及線上線下服務頻繁穿插,每個服務節點前後又具有強依賴關係。那麼就需要根據業務目標,對核心業務場景進一步可視化,直到能很清晰辨識每個服務節點之間的關係。

對外賣配送業務進一步可視化,得到下圖:

圖二:外賣場景服務節點可視化

從用戶打開網頁下單一直到騎手將美食送到用戶手中,一共需要經歷12個步驟。我們的業務目標是希望用戶的等待時間最短。

根據上圖,用戶等待時間受餐館備餐時間,騎手趕到餐館取餐時間,騎手配送時間三個核心因素影響。

再繼續對三個核心因素進行拆分:

餐館備餐時間:歷史備餐時間(月,周,1小時,5分鐘),日期類型(工作日、節假日),天氣等;

騎手趕到餐館取餐時間:餐館備餐時間,騎手當前的訂單狀態,騎手當前的位置,多個訂單間的順路度,天氣,交通路況等;

騎手配送時間:餐館備餐時間,到店取餐時間,餐館距離用戶位置,多個訂單間的順路度,天氣,交通路況,用戶周圍環境狀況(門衛,電梯)。

現在我們看到,用戶等待時間受線上歷史數據、實時數據以及線下離線數據等諸多維度影響,篇幅受限,本文只提供產品解決思路。

在實際司機外賣分單系統中,上面提到的每一類影響因素,都需要再次進行指標化,並通過機器學習算法對線上數據進行實時預測和計算,對天氣、交通等離線數據進行特徵工程訓練,最終綜合這些因素,由系統做出決策。

五、模型抽象·複雜業務簡單化

有了前面的準備做鋪墊,現在我們可以正式開始研究如何制定應對策略。

外賣配送線下場景十分複雜,新騎手小A因為道路不熟悉,本來該去某連鎖店的1分店,結果他去了2分店取餐,騎手小B在路上不小心;車輪胎被扎了,無法準時去取餐;商家M今天生意火爆,雞蛋用完了,去隔壁超市採購耽誤了時間,不能準時出餐……

如果我們一來就從這些細節入手,想要窮盡考慮各種可能出現的異常情況,那麼我們將像深陷沼澤一樣,越是努力想要找到出口,就陷得越深,直到你精疲力盡,污泥淹沒我們的頭頂。

著名量子物理學家薛定諤,為了解釋量子物理不確定原理。設想了一個宏觀試驗:在一個封閉的盒子里,有一隻活貓、一瓶氰化物,一個由放射性物質構成的電子開關,開關下掛着鎚子。

放射性物質衰變,電子開關開啟,鎚子落下打破藥瓶,貓將被氰化物毒死。而放射性物質衰變存在不確定性,也就是說,只要我們不打開盒子,裡面的貓可能死了也可能還活着。

圖三:薛定諤的貓

薛定諤的貓是利用模型抽象,通過一個簡單的宏觀試驗,解釋看不見摸不着的複雜微觀世界原理的經典案例。

模型抽象通過捨棄原型中非本質的,與研究宗旨無關的因素,只保留原型中與研究宗旨密切相關的核心因素,達到化繁為簡的目的。

現在回到本文的案例,我們可以將問題進行轉化:在滿足約束條件的情況下,系統如何進行騎手與訂單的匹配,能實現預估送達時間整體最優。

方便理解,對這個問題進行進一步說明:一個騎手可以同時接到多個訂單,但是一個訂單隻能被分配給一個騎手。那麼在進行訂單分配時,從單一條件看,很可能有多個騎手都滿足這些條件,那麼綜合所有約束條件,如何進行訂單分配,能實現預估送達時間整體最優。熟悉算法的同學,立即就能看出這是一個動態規劃求最優解的問題。

關於動態規劃求最優解,歷史上有著名的男女配對案例,下圖左側3名女孩,右側3名男孩,連線代表他們互相喜歡,如果將互相喜歡的進行兩兩配對,問最多可以配出多少對?

圖四:圖論-男女匹配問題

如果以上男女匹配中,各自之間的喜歡程度不一樣,現在問如何進行組合匹配,能保證他們整體是最喜歡的。這便是二分圖的最大權值匹配問題,歷史上的Kuhn-Munkres已經對此給出了算法,即K-M算法。

關於該算法的解釋,可參考我之前的文章:滴滴可能是這樣為你找到司機的(下)

六、數據驗證·到業務中去

檢驗策略是否能達到預期的唯一有效辦法是將其運用到真實業務場景中,通過數據反饋來評判策略的效果。

在實際工作中,一些有條件的公司,在歷史數據的基礎上,建立了仿真系統,策略並不需要真實業務場景進行檢驗,就能提前做出預判。但仿真系統畢竟是模仿複製真實業務場景,線下業務場景複雜,並不能100%仿真。因此仿真結果仍然需要跟實際業務數據進行比對,通過問題反饋不斷優化仿真系統。

建立策略評判指標體系,可通過直接和間接兩個維度建立策略評判指標體系。直接指標就是策略要解決的問題,例如本文外賣案例中用戶等待時長。間接指標就是跟問題可能相關聯的其他指標,例如平台收益,騎手單位貢獻價值等等。

在進行指標分析及可視化呈現時,可從橫向對比、縱向溯源兩個方向進行。橫向對比諸如策略上線前後的數據對比,不同模型之間的對比,能直觀反應策略實施效果。縱向溯源要求對單個指標進行切片,從更細顆粒度實現數據變化趨勢呈現及對比,能最大限度避免辛普森悖論

七、幾點注意事項

明確目標、吃透業務、拆解約束條件、模型抽象、數據驗證,這是我在實際工作中總結的一套策略制定方法論。但是要成為一名優秀的產品的策略制定者,這些是遠遠不夠的,還需要注意以下幾點:

1. 保持空杯心態:在進行決策時,我們時常容易犯一種錯誤,如果決策的內容是自己熟悉的,我們會趨向於將結果引導為符合自己的經驗。如果決策內容是自己不熟悉的,我們會類比成曾經自己熟悉的經驗,然後據此做出決策。這在心理學上被稱為證實性偏見。

我們並不否認固執有時候是一種美好的品格。但是這一定有個前提,即是在你充分考慮了不同意見后做出的科學決策。如若不然,則變成了固持己見的冥頑不靈。

在實際工作,我們更推崇大家不要閉門造車,當時刻保持空杯心態,認真對待每一個人的質疑,不斷消化吸收新的思路方法

2. 如何能快速進行模型抽象:視野及經驗決定了你能否快速找到抽象模型,運用於解決方案。大公司人才的核心競爭力之一便在於此。

很多時候並不是我們不聰明、不勤奮,而是解決方案已經超出了我們的認知邊界。

解決這個問題的方法,一是多閱讀,讀書,讀專業領域論文;二是時長關注競品的動態發展;三是儘可能爭取機會,與同行深度交流

3. 不要迷戀算法,它僅僅是工具:隨着近兩年人工智能的快速發展,其算法被應用於各個領域。作為產品經理,我們到底該不該學習算法?

對此我的觀點是,算法是工具,什麼被稱為工具?就是你用得着他的時候,你知道他在哪裡,怎麼用。這是我站在產品經理角度對算法的定義。

所以可以肯定的說,學習算法是有必要的,但是應當有個度的把握,知道這個算法適用的場景、案例,解決問題的邊界,我覺得就可以了,至於涉及複雜的數學公式推導,弄清算法背後的前因後果,得看具體情況,因人、因時而異。

4. 策略方案一定要因時制宜:並不是人工智能的算法策略,就一定比運用加減乘除制定的算法策略要好。這是錯誤的認知。

在上面的方法論中,我一直強調,策略是從業務中來,最終回到業務中去的,採用什麼樣的方法策略,一定要根據當前的業務情況,技術資源因地制宜

切勿盲目迷戀大廠方法論、科技前言。

 

作者:花四爺,公眾號:花四爺(ID:siyesay)

版权声明:本文采用知识共享 署名4.0国际许可协议 [BY-NC-SA] 进行授权
文章名称:《產品策略方法論:以美團外賣分單策略為例》
文章链接:https://www.pmbear.com/%e7%94%a2%e5%93%81%e7%ad%96%e7%95%a5%e6%96%b9%e6%b3%95%e8%ab%96%ef%bc%9a%e4%bb%a5%e7%be%8e%e5%9c%98%e5%a4%96%e8%b3%a3%e5%88%86%e5%96%ae%e7%ad%96%e7%95%a5%e7%82%ba%e4%be%8b/
本站资源仅供个人学习交流,请于下载后24小时内删除,不允许用于商业用途,否则法律问题自行承担。

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

大前端WP主题 更专业 更方便

联系我们联系我们