策略产品经理：模型与方法论

对我而言最大的收获还是知道了策略产品经理这一新的角色以及职责。在这一新的角色下，作者分享了不少与之相关的方法论和认知，也有具体的案例和简化的图表辅助理解。近期处于工作职责上的调整变化中，正好能够体系化学习了解。这本书也可以作为一本工具书，常读常新，碰到难题可以定期翻翻

今年第1本书读后感：《策略产品经理》坚持做正确的事情，无论当前在做什么，每天抽出一点时间，精力，做有积累、沉淀的事。慢慢的就产生了复利。 策略产品可以从常规产品、数分和算法行业转过来，需要有更多的抽象思维能力，通过模型来解决复杂问题，或者用函数和公式把业务解决方案表达出来，这样更清晰可推进。 策略产品方法论三要素：样本、特征和评价指标。 调研样本获取方法，提炼正向样本的特征，来优化策略。 策略的指标为业务指标服务，而不是只是模型指标。

从这本书扫盲了策略产品经理，明白了流程思维和模型思维的区别！ 这也许是一个转型的开始！ 读完总隐隐感觉作者在说一件其他事！

本人处于职业困顿期，这本书让我认识到了策略产品经理这个工作，并能够帮助我看到未来职业的发展方向。推荐给有几年产品经理经验，目前感到迷茫的同学

标题目录有结构化，但看起来是硬编出来的结构化，内容的结构化混乱得一塌糊涂。 翻开书快速浏览一些章节之后，实在看不出作者究竟想表达什么。

本书主要分为四大部分。 第壹部分为基础认知，简要介绍时代背景，从行业发展角度阐述策略产品经理产生的必要性，包括策略产品经理的工作职责与工作内容，给读者一个整体的认知。 第二部分为函数与经济学应用，介绍了基于机器学习理论出发的函数方法论、实际案例剖析，如推荐、搜索、广告等，以及基于经济学理论的方法论、实际案例，如风控、定价等。 第三部分为算法与前沿技术，介绍了机器学习的本质、基础的机器学习算法、深度学习相关的前沿技术。 第四部分为能力拆解与策略团队建设，从数据分析、沟通、项目管理、判断等多个方面介绍策略产品相比其他产品经理额外需要的能力，以及不同产品阶段的策略团队组建思路。

作为入门可以，但是这是21年观点 25年开始是超级个体时代，结论提到: 人类的历史总是螺旋式上升的，产业与职业的不断更替，让人们不断地从机械化的生产中解放出来，去创造更多新的价值。 这逻辑很不错，但在2025年这观点值得深思，是创造更多新价值? 还是创出更多伪需求 策略缺乏全局思考，死亡的不单是个人，团队，企业，产业，国家。 值得深思未来的核心竞争力

结论：这本书适合有计算机背景想转策略产品的人。且有用的部分约50%。且买纸书不太划算，看你需求，如果是急用或者求职可以买，平时的充实我认为等电子版比较好。 缺点： 1.将很多课本上的原理拼凑在一起却讲得不透彻。硬用公式反而把简单的事情搞复杂了，对没有背景的读者不易理解（建议懂不懂就只看文字、不影响），对有背景的读者如鸡肋（这类篇幅有点大）。 2.确实有涉及心理学、博弈论、经济学，但都是一些常识，也可能恰巧我都学过，总之还是用起来了但是讲得不透彻。 优点： 1.将课本上学过的却一直不知道怎么用的知识在产品经理的语境下通过工作实例展示出来了。 2.作者确实很有经验（多维度思考、项目实战），对一些概念能用自己的思想表达出来，例子比较生动，且能启发到自己的生活。

可以说怀着很激动的心情翻开这本书，同时也是希望看完这本书后能对“策略产品经理”这一岗位有更深入的了解。但看到第3章之后时，我好像发现自己寸步难行了🤡🤡🤡 各种数学？统计学？经济学？等一些晦涩难懂的术语，让我望而却步。（尴尬😓，纯个人问题） 对熟悉这个岗位的人来说，应该是一本很专业的书籍，但对我这种行业小白而言实在是读不懂了，即使这本书作者说是适合入门或者准备入门的人。 所以按照我作为读者来说，我给不了“推荐”，因为对我的帮助不是非常大。但我也不想给“不行”，因为我觉得这应该是一本“好书”，需要一个懂它的人。 综上，这本书让我也收获了很多东西，也做了满满6页的笔记，感谢。

算是比较系统介绍策略产品经理知识的一本书了。从方法论，到常见的策略场景、机器学习模型，面面俱到，由浅入深，比较易读。 产品从业务函数开始，想清楚我们做负责产品的策略函数，然后围绕策略函数展开一系列的策略调整，并不断监测不同策略的执行情况，以达到业务目标，就是策略产品的日常工作了。 策略产品方法论三要素就是：样本、特征、评价指标。产品需要调研样本获取方法，尤其是负样本一般比较难获取。然后进行特征选择，这部分一方面是调研获取，一方面是数据分析得知。可以说，选择有效的特征是提升策略成功率的关键之一。选择完特征之后，就需要确定好目标函数和评价指标。评价指标一般来说是统一的，又分为业务指标和模型评价指标，两者相关但并不一定完全相同。目标函数在不同模型上是不一样的，目的是为模型调优服务。 常见的机器学习模型：决策树（分类）、K近邻（聚类）、svm（支持向量机）、LR（逻辑回归，分类）、lightgbm、xgboost、DNN（神经网络）、朴素贝叶斯等。 常见场景：搜索推荐、风控、广告 数据挖掘方法：对比、细分、溯源 关于推荐： 召回策略：基于用户的协同过滤、基于物品的协同过滤 排序策略：LR、lightgbm、DNN等