策略產品經理：模型與方法論

對我而言最大的收穫還是知道了策略產品經理這一新的角色以及職責。在這一新的角色下，作者分享了不少與之相關的方法論和認知，也有具體的案例和簡化的圖表輔助理解。近期處於工作職責上的調整變化中，正好能夠體系化學習瞭解。這本書也可以作爲一本工具書，常讀常新，碰到難題可以定期翻翻

今年第1本書讀後感：《策略產品經理》堅持做正確的事情，無論當前在做什麼，每天抽出一點時間，精力，做有積累、沉澱的事。慢慢的就產生了複利。 策略產品可以從常規產品、數分和算法行業轉過來，需要有更多的抽象思維能力，通過模型來解決複雜問題，或者用函數和公式把業務解決方案表達出來，這樣更清晰可推進。 策略產品方法論三要素：樣本、特徵和評價指標。 調研樣本獲取方法，提煉正向樣本的特徵，來優化策略。 策略的指標爲業務指標服務，而不是隻是模型指標。

從這本書掃盲了策略產品經理，明白了流程思維和模型思維的區別！ 這也許是一個轉型的開始！ 讀完總隱隱感覺作者在說一件其他事！

本人處於職業困頓期，這本書讓我認識到了策略產品經理這個工作，並能夠幫助我看到未來職業的發展方向。推薦給有幾年產品經理經驗，目前感到迷茫的同學

標題目錄有結構化，但看起來是硬編出來的結構化，內容的結構化混亂得一塌糊塗。 翻開書快速瀏覽一些章節之後，實在看不出作者究竟想表達什麼。

本書主要分爲四大部分。 第壹部分爲基礎認知，簡要介紹時代背景，從行業發展角度闡述策略產品經理產生的必要性，包括策略產品經理的工作職責與工作內容，給讀者一個整體的認知。 第二部分爲函數與經濟學應用，介紹了基於機器學習理論出發的函數方法論、實際案例剖析，如推薦、搜索、廣告等，以及基於經濟學理論的方法論、實際案例，如風控、定價等。 第三部分爲算法與前沿技術，介紹了機器學習的本質、基礎的機器學習算法、深度學習相關的前沿技術。 第四部分爲能力拆解與策略團隊建設，從數據分析、溝通、項目管理、判斷等多個方面介紹策略產品相比其他產品經理額外需要的能力，以及不同產品階段的策略團隊組建思路。

作爲入門可以，但是這是21年觀點 25年開始是超級個體時代，結論提到: 人類的歷史總是螺旋式上升的，產業與職業的不斷更替，讓人們不斷地從機械化的生產中解放出來，去創造更多新的價值。 這邏輯很不錯，但在2025年這觀點值得深思，是創造更多新價值? 還是創出更多僞需求 策略缺乏全局思考，死亡的不單是個人，團隊，企業，產業，國家。 值得深思未來的核心競爭力

結論：這本書適合有計算機背景想轉策略產品的人。且有用的部分約50%。且買紙書不太划算，看你需求，如果是急用或者求職可以買，平時的充實我認爲等電子版比較好。 缺點： 1.將很多課本上的原理拼湊在一起卻講得不透徹。硬用公式反而把簡單的事情搞複雜了，對沒有背景的讀者不易理解（建議懂不懂就只看文字、不影響），對有背景的讀者如雞肋（這類篇幅有點大）。 2.確實有涉及心理學、博弈論、經濟學，但都是一些常識，也可能恰巧我都學過，總之還是用起來了但是講得不透徹。 優點： 1.將課本上學過的卻一直不知道怎麼用的知識在產品經理的語境下通過工作實例展示出來了。 2.作者確實很有經驗（多維度思考、項目實戰），對一些概念能用自己的思想表達出來，例子比較生動，且能啓發到自己的生活。

可以說懷着很激動的心情翻開這本書，同時也是希望看完這本書後能對“策略產品經理”這一崗位有更深入的瞭解。但看到第3章之後時，我好像發現自己寸步難行了🤡🤡🤡 各種數學？統計學？經濟學？等一些晦澀難懂的術語，讓我望而卻步。（尷尬😓，純個人問題） 對熟悉這個崗位的人來說，應該是一本很專業的書籍，但對我這種行業小白而言實在是讀不懂了，即使這本書作者說是適合入門或者準備入門的人。 所以按照我作爲讀者來說，我給不了“推薦”，因爲對我的幫助不是非常大。但我也不想給“不行”，因爲我覺得這應該是一本“好書”，需要一個懂它的人。 綜上，這本書讓我也收穫了很多東西，也做了滿滿6頁的筆記，感謝。

算是比較系統介紹策略產品經理知識的一本書了。從方法論，到常見的策略場景、機器學習模型，面面俱到，由淺入深，比較易讀。 產品從業務函數開始，想清楚我們做負責產品的策略函數，然後圍繞策略函數展開一系列的策略調整，並不斷監測不同策略的執行情況，以達到業務目標，就是策略產品的日常工作了。 策略產品方法論三要素就是：樣本、特徵、評價指標。產品需要調研樣本獲取方法，尤其是負樣本一般比較難獲取。然後進行特徵選擇，這部分一方面是調研獲取，一方面是數據分析得知。可以說，選擇有效的特徵是提升策略成功率的關鍵之一。選擇完特徵之後，就需要確定好目標函數和評價指標。評價指標一般來說是統一的，又分爲業務指標和模型評價指標，兩者相關但並不一定完全相同。目標函數在不同模型上是不一樣的，目的是爲模型調優服務。 常見的機器學習模型：決策樹（分類）、K近鄰（聚類）、svm（支持向量機）、LR（邏輯迴歸，分類）、lightgbm、xgboost、DNN（神經網絡）、樸素貝葉斯等。 常見場景：搜索推薦、風控、廣告 數據挖掘方法：對比、細分、溯源 關於推薦： 召回策略：基於用戶的協同過濾、基於物品的協同過濾 排序策略：LR、lightgbm、DNN等