寒冬被裁，看小白如何逆襲拿名廠推薦策略offer（上）

是新朋友嗎？記得先點藍字關注我哦～

---

18年底19年初的北京寒冷異常，網上說是近十年來最冷的冬天。與此相映的，是互聯網行業的狀況。但酷寒並不能澆滅每一個有夢想的互聯網人心中的光亮。
18年初小諾因沒有機會作到熱愛的核心策略，離開了那家他心愛的搜索大廠和搜索引擎後，去一家生鮮獨角獸公司作數據可視化工做。一年後的19年初，小諾所在部門被新來的一幫人替換，所謂一朝天子一朝臣，原來的人都陸續離開了。
小諾呢，一直想往搜索/推薦策略發展，但作策略的起點和要求比較高，小諾沒有經驗。而數據pm由於如今缺口較大，因此一年經驗也有不少機會。他不停的糾結，最後決定數據和策略都準備都投，有機會就去面試。
若是策略的實在進不去，就還作數據先生存再追求理想，畢竟生活是曲折前進的，有時咱們須要「曲線救國」。
他讀了一些書籍，《數據產品經理修煉手冊》《數據產品設計》《數據產品經理》《走進搜索引擎》《推薦系統實踐》等，爲面試作準備。

hi，你們好，這裏是暴躁策略信徒——小諾。
不少朋友跟小諾說：
「我看它的jd（職位描述）上啥都沒說明白，我怎麼準備面試啊？」
「我要轉方向作xx產品經理，可我沒經驗人家不要我，這可咋整啊？」
「我學校普通，大廠卡我學歷，腦殼嗡嗡的……」
今天咱們不講面試的理論，就拿個實際經從來說吧~

本文分十個部分。分別是：
引言（蝦扯蛋）
1、崗位分析和試前準備
2、埋點設計數據採集
3、數據倉庫數據存儲
4、數據指標體系
5、標籤和特徵屬性
6、推薦策略和算法
7、AB測試實驗設計和策略效果
8、運營分析和迭代
結語

引言

首先，咳咳咳……老規矩，先扯會淡……
有天晚上小諾接到了遠在大連讀書的表弟小敏的電話，接起電話，他說「哥，你能幫幫我嗎？（b站裝機猿原味，不懂請自行百度）」
小諾「不幫！」
小敏「哥，是這麼回事。我下午和同窗去參加一個金融公司的面試，遇到一個咱們學校的妹子，她先面試完事走的。我面試完一查那公司。
才發現這公司半年前由於ffjz被政府通告了。我得找到那妹子告訴她，怕她被騙了。你能幫幫我嗎？」
小諾「不能，找不到，我洗澡去了。」
小敏「哥，大神，大佬，BAT的但願！幫幫我唄。」
小諾「咳咳，你那是想幫她嗎，我都很差意思點破你！來講說你知道她什麼信息。」

小敏「我聽到面試官叫她王二丫。」
小諾「你有全校名單沒，我記得你是學工部學生助理吧。」
小敏「有的有的，最近6屆的都有，但只有班級姓名，沒有聯繫方式。」
小諾「不要緊，學校本科大四專科大三才能找工做，因此你在15,16級的名單裏面搜索她名字的拼音。看看有沒有重名。」
小敏「好的！哥，我看了，沒有重名。」
小諾「很好，看看她是什麼專業班級的。」
小敏「日語軟件15002。」

小諾「我們學校的班級都有用qq羣，你用這個作關鍵詞前面加學校簡稱搜索一下，看能不能找到，日語軟件四個字能夠取兩個字搜索。」
小敏「哥！我搜到了！好激動。」
小諾「先別高興，他們班級羣外人確定加不上。」
小敏「還真是，哥你料事如神。」
小諾「快別拍馬屁了，你找他們羣主，加一下，加的時候說你是同校什麼專業的xxx。」
小敏「好的！加上了呢！」
小諾「你把事情簡單和對方說一下，問她班裏是否是有王二丫，再請她幫忙轉告。」
小敏「妥了！謝我英俊瀟灑，風流倜儻，多才多藝……的哥！」
小諾「滾吧滾吧……」

1、崗位分析和試前準備

那麼上面的故事和下面的面試準備有啥關係呢，咱們接着往下看。

有一天，小諾看到一個作新聞資訊的半傳統十八線知名互聯網新媒體公司，在招「畫像和推薦策略產品經理」。如下是崗位描述。
工做職責
1.負責內部數據平臺的產品建設，需求梳理，迭代推動和口徑梳理；
2.負責新聞客戶端用戶分類畫像體系研究和搭建,優化內容標籤和個性化推薦策略；
3.基於數據分析和數據邏輯,驅動產品和業務發展。

注意：如下看到的均是作策略以前且是面試前的準備，也就是說在徹底沒有實踐經驗前，經過知識儲備去分析的準備。雖而後期發現有不少和實際有些出入的地方，但我併爲再優化，爲的是讓讀者瞭解如何爲跨入一個新的產品方向作準備。

經過這個jd咱們能夠知道須要具有哪些方面的知識。列舉一下：
數據方面：數據埋點和採集，數據倉庫和存儲，數據指標體系設計，數據可視化，數據分析和運營。
畫像和推薦：用戶分類體系設計，用戶畫像，推薦策略和算法。
產品經理：基本素養。

大概須要以上這些方面的知識，咱們不會全都去負責，可是各方面的知識都要懂，畢竟要看到森林也要看到樹木。
面對如此多的方面咱們應該如何去準備，須要咱們先了解這個崗位要作的產品的目標。這個產品是一個新聞app客戶端。它有新聞，視頻，廣場，我這四大模塊。能夠瀏覽或者聽新聞，視頻，直播，fm，小說，文章，還具備很淺的社交功能。
這個崗位的主要職責是構建和優化用戶和內容標籤體系，同時優化個性化推薦策略。
咱們整理下須要學習的知識：

其實到這裏咱們發現，針對面試的分析準備，就和引言的故事同樣，從已知的信息出發，一點點分析，一點點準備，串成鏈路。

做爲一個小白，不懂就學，因此咱們要對上面涉及到的全部知識進行學習，但次日就要面試，一天時間掌握大量知識不太現實。咱們產品最擅長的就是定需求的優先級，那麼根據崗位的核心要求，咱們先了解畫像推薦和策略的知識，再看數據的知識。
由於熱愛搜索和推薦，在此以前小諾看了不少文章和書籍，已經有了一些知識儲備，只是沒有去考慮過在一個新聞app上如何實踐，因此他須要的是把儲備的知識鏈路打通。按照上面列的鏈條去把每一環搞明白。

不少小白產品經理，總和小諾說：我看了一週的書，以爲收穫不大，看了一個月三個月書了，發現知識仍是連不起來，我是否是不適合作產品。其實不是這樣的，知識積累是一個長期的過程，小諾深深的記得，剛開始作產品的時候，天天通勤時間4小時，小諾會在地鐵上看書，可是半年了發現知識仍是不成體系，但仍是繼續堅持，直到一年後才慢慢有了思路，才能系統的去思考一個問題。

2、埋點設計數據採集

埋點方式
通常來講，數據來源有產品上埋點得到的用戶數據如uv和pv；有業務系通通計的數據如交易數據；有爬蟲從其餘第三方平臺或網站爬取的數據；有手持終端得到的數據等。
這裏須要作的是在app上設計埋點方案，當下埋點通常有三種方式：代碼埋點，可視化埋點，全埋點。每一種都有優缺點，代碼埋點比較靈活但費人工，全埋點須要較大的存儲成本但較全面。同時埋點也分爲前端埋點和後端埋點，後端埋點指的是獲取在app上操做以外的數據，好比經過連接下載的數量。
key-value方式
瞭解得知此app目前用的是代碼埋點。在設計埋點方案時，獲取的指標要明確，層級要分明獨立。好比我從梁老師《數據產品經理修煉手冊》中學習的這種現下流行的埋點方式：key-value。能夠按照功能-頁面-位置-操做的層級關係去肯定。
同時須要經過埋點得到的指標數據應當是爲目標服務的，即目的要明確，要結合業務邏輯、運營體系去設計埋點方案。最後埋點方案應該考慮複用性，避免應後期也許變更引發方案變化高強度增長研發的工做量。
通常一個埋點方案能夠包含如下題頭:功能，用戶行爲，事件類型，事件id，key，value，描述，備註。
事件類型分爲:曝光事件，點擊事件，頁面事件。
好比作ab測試時有A和B兩個活動頁面，每一個頁面進去都有軍事和歷史兩個分類，咱們要統計兩個分類的點擊事件。這裏爲了提升複用性能夠採用樹狀結構，即事件id是「活動按鈕」，二叉樹分爲「頁面」和「入口」，「頁面」的二叉樹分爲「A頁面」和「B頁面」，「入口」的二叉樹分爲「歷史」和「軍事」，這樣即便後期增減活動，也只須要增長或者刪除其中一部分分支。
指標定義
這裏咱們要明確須要統計的數據，會涉及到如何定義指標。
定義指標時含義要準確，好比統計獨立用戶數時，是否包含訪客，若是包含，由於訪客沒有登陸，咱們統計的就會是獨立設備數。
再好比頁面訪問次數，若是同一個頁面刷新一次是否該統計。再好比下單金額要統計優惠前仍是優惠後。
如此精確就像是咱們要統計的是」今天12點以後從樹上掉下來的方形的黃顏色的帶葉子的大蘋果」。

3、數據倉庫數據存儲

咱們採集的數據可能會存在數據缺失，數據冗餘等問題，須要通過數據清洗。好比缺失數據要考量是否能夠補，冗餘數據是否能夠刪。還有數據的歸一化、離散化、無量綱處理等，這裏不作詳細介紹，具體的能夠百度查看相關文章。
由於咱們要從源頭保證數據質量，數據來了咱們要放到數據倉庫裏，數據倉庫會集成來自不一樣數據源的數據，且是面向主題的，好比根據公司業務線進行劃分。
這裏咱們簡單說一下架構：
最底下是採集存儲層：會有數據採集、容錯、解析引擎。數據會分紅結構化、半結構化、非結構化的數據。這裏還要用到集羣協調，分佈式存儲，高併發響應。
再上去是數據計算層：分ods，bds，ids，分別是原始數據，基礎數據，指標數據。這裏咱們也要作對數據抽取，轉換，加載，包括了數據清洗。
再上去是數據模型層：這裏有許多分析模型，算法模型，還有標籤庫。
再上去是數據服務層：這裏能夠是可視化平臺，能夠包括指標數據，用戶畫像，標籤集合，數據報表等。
再上面是數據訪問層：好比開放接口，數據庫查詢。

4、數據指標體系

指標組成
我以爲指標是一個可以定量反映事實的標準。
通常指標由維度、定義和度量單位組成。維度就像是從不一樣角度劃分對象的定語，好比蘋果從顏色維度能夠分成黃綠，從形狀維度能夠分方圓，從體積維度能夠分大中小。度量單位就是一個指標的單位，好比「元」「個」「斤」。舉個例子:自營（維度）銷售額（定義）萬元（度量單位）。
需求瞭解
在搭建指標體系前咱們須要先了解需求，瞭解業務。好比你的需求方是公司的營銷部門，他們須要看到會員用戶的一些指標，發現會員用戶的特色和現狀，經過數據來指導業務，針對性的作一些營銷活動或者拜訪回訪。
那麼咱們須要瞭解會員機制，是須要消費夠必定金額，或者連續多少天下單才能成爲會員，亦或是其餘方式？成爲會員後會不會在什麼狀況下失去會員身份？
再考慮可以反映會員用戶狀況的指標有哪些，好比會員用戶比例及變化，會員用戶消費狀況和普通用戶的比較，具體的指標須要咱們和業務部門去共同商定。
體系搭建
對於指標體系的搭建，工做中須要根據公司業務狀況分類，好比分紅下單，倉儲，配送，客服，營銷等分類。
同時在每一個分類中，也應按照高優，區間，低優將指標分列。高優指標即指標數值越高越好；低優指標數值越低越好；區間的分固定和浮動，浮動的好比存儲溫度，在0-2攝氏度就是安全範圍，太高或者太低就須要預警；固定的須要固定在一個數值。
對指標按照業務線或者其餘方式分類有助於按照模塊構建指標體系，對指標按照高低目標分類有利於以後的可視化設計以及數值預警。

5、標籤和特徵屬性

那麼什麼是標籤呢，我理解的標籤是爲了定義出對象的特色，用一個個標籤讓對象的骨肉更加清晰，從而讀懂它。
通常對於用戶畫像會從6個方面來進行，基本信息，興趣愛好，行爲特色，消費信息，社交網絡，心理特徵。
標籤分類
標籤在數倉中從下到上分爲數據源，事實標籤，模型標籤，高級標籤。
事實標籤也能夠說是指標標籤，好比用戶瀏覽時長，各時段在線用戶數等。
模型標籤好比用戶屬性，興趣愛好，內容偏好，活躍度等。
高級標籤好比用戶分級，流失模型標籤。
標籤結構
咱們爲用戶或者內容打標籤是爲了對其分類，以便更好的瞭解這個集合中對象的特色，從而針對性的作精細化的運營。也可爲信息流推薦打好基礎。
標籤體系分爲結構化，半結構化，非結構化三種。
結構化的標籤一二三級層級和所屬分明；
半結構化的層級結構比較分明；
非結構化的標籤體系諸如廣告推廣時設定的關鍵詞。
標籤規則
標籤的命名應該短小易懂，具備表明性，而且無歧義。
標籤的體系設計應該作到標籤和標籤相互獨立，而且徹底窮盡。
同時標籤粒度也要有所把握，粒度太粗沒法區分用戶，粒度太細集合樣本較少、太過於個性同時標籤體系也會太過龐大。
對於此新聞app，在首頁它有幾種搜索途徑：有搜索框輸入關鍵詞主動搜索；有軍事科技歷史娛樂社會等的分類垂直搜索；有信息流個性化推薦；還有訂閱形式的推送。
我認爲它的標籤體系能夠設立爲「分類——主題——關鍵詞」的三級（多級）模式，同時關鍵詞可能要相對獨立。
分類指的是「歷史，軍事，娛樂，社會，科技」等等這些；主題的話好比歷史分古代史近代史，也分中國史外國史；關鍵詞的話好比用戶愛看的是關於歷史-近代史-張學良的文章。

結語

今天小諾先講到這裏，感謝你們關注！
下期咱們會講到你們最喜歡的：推薦策略和算法，ab測試和效果評測，運營分析迭代。
下期的引言還會帶來我曾在搜狗一面遇到的邏輯推理題。

最後我想說，都說互聯網遇到了寒冬。若是你是有多年經驗的老產品，請你像看到過去的本身那樣幫助新人。若是你是四處碰壁的新產品，請你在歷經坎坷時也別忘記最初的夢想。

這裏是：
一個數據人的自留地。
一個有溫度的產品社區。

一個數據人的自留地是一個助力數據人成長的你們庭，幫助對數據感興趣的夥伴們明確學習方向、精準提高技能。掃碼關注我，帶你探索數據的神奇奧祕