标签：告诉   开放   爬虫   互联网   优缺点   工作职责   offer   服务   特征   

18年末19年初的北京寒冷异常，网上说是近十年来最冷的冬天。与此相映的，是互联网行业的情况。但酷寒并不能浇灭每个有梦想的互联网人心中的光亮。
18年初小诺因没有机会做到热爱的核心策略，离开了那家他心爱的搜索大厂和搜索引擎后，去一家生鲜独角兽公司做数据可视化工作。一年后的19年初，小诺所在部门被新来的一帮人替换，所谓一朝天子一朝臣，原来的人都陆续离开了。
小诺呢，一直想往搜索/推荐策略发展，但做策略的起点和要求比较高，小诺没有经验。而数据pm因为现在缺口较大，所以一年经验也有很多机会。他不停的纠结，最后决定数据和策略都准备都投，有机会就去面试。
如果策略的实在进不去，就还做数据先生存再追求理想，毕竟生活是曲折前进的，有时我们需要“曲线救国”。
他读了一些书籍，《数据产品经理修炼手册》《数据产品设计》《数据产品经理》《走进搜索引擎》《推荐系统实践》等，为面试做准备。

hi，大家好，这里是暴躁策略信徒——小诺。
很多朋友跟小诺说：
“我看它的jd（职位描述）上啥都没说明白，我怎么准备面试啊？”
“我要转方向做xx产品经理，可我没经验人家不要我，这可咋整啊？”
“我学校普通，大厂卡我学历，脑袋嗡嗡的……”
今天我们不讲面试的理论，就拿个实际经历来说吧~

本文分十个部分。分别是：
引言（虾扯蛋）
一、岗位分析和试前准备
二、埋点设计数据采集
三、数据仓库数据存储
四、数据指标体系
五、标签和特征属性
六、推荐策略和算法
七、AB测试实验设计和策略效果
八、运营分析和迭代
结语

引言

首先，咳咳咳……老规矩，先扯会淡……
有天晚上小诺接到了远在大连读书的表弟小敏的电话，接起电话，他说“哥，你能帮帮我吗？（b站装机猿原味，不懂请自行百度）”
小诺“不帮！”
小敏“哥，是这么回事。我下午和同学去参加一个金融公司的面试，遇到一个我们学校的妹子，她先面试完事走的。我面试完一查那公司。
才发现这公司半年前因为ffjz被政府通告了。我得找到那妹子告诉她，怕她被骗了。你能帮帮我吗？”
小诺“不能，找不到，我洗澡去了。”
小敏“哥，大神，大佬，BAT的希望！帮帮我呗。”
小诺“咳咳，你那是想帮她吗，我都不好意思点破你！来说说你知道她什么信息。”

小敏“我听到面试官叫她王二丫。”
小诺“你有全校名单没，我记得你是学工部学生助理吧。”
小敏“有的有的，最近6届的都有，但只有班级姓名，没有联系方式。”
小诺“没关系，学校本科大四专科大三才能找工作，所以你在15,16级的名单里面搜索她名字的拼音。看看有没有重名。”
小敏“好的！哥，我看了，没有重名。”
小诺“很好，看看她是什么专业班级的。”
小敏“日语软件15002。”

小诺“咱们学校的班级都有用qq群，你用这个做关键词前面加学校简称搜索一下，看能不能找到，日语软件四个字可以取两个字搜索。”
小敏“哥！我搜到了！好激动。”
小诺“先别高兴，他们班级群外人肯定加不上。”
小敏“还真是，哥你料事如神。”
小诺“快别拍马屁了，你找他们群主，加一下，加的时候说你是同校什么专业的xxx。”
小敏“好的！加上了呢！”
小诺“你把事情简单和对方说一下，问她班里是不是有王二丫，再请她帮忙转告。”
小敏“妥了！谢我英俊潇洒，风流倜傥，多才多艺……的哥！”
小诺“滚吧滚吧……”

一、岗位分析和试前准备

那么上面的故事和下面的面试准备有啥关系呢，我们接着往下看。

有一天，小诺看到一个做新闻资讯的半传统十八线知名互联网新媒体公司，在招“画像和推荐策略产品经理”。以下是岗位描述。
工作职责
1.负责内部数据平台的产品建设，需求梳理，迭代推进和口径梳理；
2.负责新闻客户端用户分类画像体系研究和搭建,优化内容标签和个性化推荐策略；
3.基于数据分析和数据逻辑,驱动产品和业务发展。

注意：以下看到的均是做策略之前且是面试前的准备，也就是说在完全没有实践经验前，通过知识储备去分析的准备。虽然后期发现有很多和实际有些出入的地方，但我并为再优化，为的是让读者了解如何为跨入一个新的产品方向做准备。

通过这个jd我们可以知道需要具备哪些方面的知识。列举一下：
数据方面：数据埋点和采集，数据仓库和存储，数据指标体系设计，数据可视化，数据分析和运营。
画像和推荐：用户分类体系设计，用户画像，推荐策略和算法。
产品经理：基本素养。

大概需要以上这些方面的知识，我们不会全都去负责，但是各方面的知识都要懂，毕竟要看到森林也要看到树木。
面对如此多的方面我们应该如何去准备，需要我们先了解这个岗位要做的产品的目标。这个产品是一个新闻app客户端。它有新闻，视频，广场，我这四大模块。可以浏览或者听新闻，视频，直播，fm，小说，文章，还具有很浅的社交功能。
这个岗位的主要职责是构建和优化用户和内容标签体系，同时优化个性化推荐策略。
我们整理下需要学习的知识：

其实到这里我们发现，针对面试的分析准备，就和引言的故事一样，从已知的信息出发，一点点分析，一点点准备，串成链路。

作为一个小白，不懂就学，所以我们要对上面涉及到的所有知识进行学习，但第二天就要面试，一天时间掌握大量知识不太现实。我们产品最擅长的就是定需求的优先级，那么根据岗位的核心要求，我们先了解画像推荐和策略的知识，再看数据的知识。
因为热爱搜索和推荐，在此之前小诺看了很多文章和书籍，已经有了一些知识储备，只是没有去考虑过在一个新闻app上如何实践，所以他需要的是把储备的知识链路打通。按照上面列的链条去把每一环搞明白。

很多小白产品经理，总和小诺说：我看了一周的书，觉得收获不大，看了一个月三个月书了，发现知识还是连不起来，我是不是不适合做产品。其实不是这样的，知识积累是一个长期的过程，小诺深深的记得，刚开始做产品的时候，每天通勤时间4小时，小诺会在地铁上看书，但是半年了发现知识还是不成体系，但还是继续坚持，直到一年后才慢慢有了思路，才能系统的去思考一个问题。

二、埋点设计数据采集

埋点方式
一般来说，数据来源有产品上埋点获得的用户数据如uv和pv；有业务系统统计的数据如交易数据；有爬虫从其他第三方平台或网站爬取的数据；有手持终端获得的数据等。
这里需要做的是在app上设计埋点方案，当下埋点一般有三种方式：代码埋点，可视化埋点，全埋点。每一种都有优缺点，代码埋点比较灵活但费人工，全埋点需要较大的存储成本但较全面。同时埋点也分为前端埋点和后端埋点，后端埋点指的是获取在app上操作之外的数据，比如通过链接下载的数量。
key-value方式
了解得知此app目前用的是代码埋点。在设计埋点方案时，获取的指标要明确，层级要分明独立。比如我从梁老师《数据产品经理修炼手册》中学习的这种现下流行的埋点方式：key-value。可以按照功能-页面-位置-操作的层级关系去确定。
同时需要通过埋点获得的指标数据应当是为目标服务的，即目的要明确，要结合业务逻辑、运营体系去设计埋点方案。最后埋点方案应该考虑复用性，避免应后期也许变动引起方案变化高强度增加研发的工作量。
一般一个埋点方案可以包含以下题头:功能，用户行为，事件类型，事件id，key，value，描述，备注。
事件类型分为:曝光事件，点击事件，页面事件。
比如做ab测试时有A和B两个活动页面，每个页面进去都有军事和历史两个分类，我们要统计两个分类的点击事件。这里为了提高复用性可以采用树状结构，即事件id是“活动按钮”，二叉树分为“页面”和“入口”，“页面”的二叉树分为“A页面”和“B页面”，“入口”的二叉树分为“历史”和“军事”，这样即使后期增减活动，也只需要增加或者删除其中一部分分支。
指标定义
这里我们要明确需要统计的数据，会涉及到如何定义指标。
定义指标时含义要准确，比如统计独立用户数时，是否包含访客，如果包含，因为访客没有登录，我们统计的就会是独立设备数。
再比如页面访问次数，如果同一个页面刷新一次是否该统计。再比如下单金额要统计优惠前还是优惠后。
如此精确就像是我们要统计的是”今天12点之后从树上掉下来的方形的黄颜色的带叶子的大苹果”。

三、数据仓库数据存储

我们采集的数据可能会存在数据缺失，数据冗余等问题，需要经过数据清洗。比如缺失数据要考量是否可以补，冗余数据是否可以删。还有数据的归一化、离散化、无量纲处理等，这里不做详细介绍，具体的可以百度查看相关文章。
因为我们要从源头保证数据质量，数据来了我们要放到数据仓库里，数据仓库会集成来自不同数据源的数据，且是面向主题的，比如根据公司业务线进行划分。
这里我们简单说一下架构：
最底下是采集存储层：会有数据采集、容错、解析引擎。数据会分成结构化、半结构化、非结构化的数据。这里还要用到集群协调，分布式存储，高并发响应。
再上去是数据计算层：分ods，bds，ids，分别是原始数据，基础数据，指标数据。这里我们也要做对数据抽取，转换，加载，包括了数据清洗。
再上去是数据模型层：这里有许多分析模型，算法模型，还有标签库。
再上去是数据服务层：这里可以是可视化平台，可以包括指标数据，用户画像，标签集合，数据报表等。
再上面是数据访问层：比如开放接口，数据库查询。

四、数据指标体系

指标组成
我觉得指标是一个能够定量反映事实的标准。
一般指标由维度、定义和度量单位组成。维度就像是从不同角度划分对象的定语，比如苹果从颜色维度可以分红黄绿，从形状维度可以分方圆，从体积维度可以分大中小。度量单位就是一个指标的单位，比如“元”“个”“斤”。举个例子:自营（维度）销售额（定义）万元（度量单位）。
需求了解
在搭建指标体系前我们需要先了解需求，了解业务。比如你的需求方是公司的营销部门，他们需要看到会员用户的一些指标，发现会员用户的特点和现状，通过数据来指导业务，针对性的做一些营销活动或者拜访回访。
那么我们需要了解会员机制，是需要消费够一定金额，或者连续多少天下单才能成为会员，亦或是其他方式？成为会员后会不会在什么情况下失去会员身份？
再考虑能够反映会员用户情况的指标有哪些，比如会员用户比例及变化，会员用户消费情况和普通用户的比较，具体的指标需要我们和业务部门去共同商定。
体系搭建
对于指标体系的搭建，工作中需要根据公司业务情况分类，比如分成下单，仓储，配送，客服，营销等分类。
同时在每个分类中，也应按照高优，区间，低优将指标分列。高优指标即指标数值越高越好；低优指标数值越低越好；区间的分固定和浮动，浮动的比如存储温度，在0-2摄氏度就是安全范围，过高或者过低就需要预警；固定的需要固定在一个数值。
对指标按照业务线或者其他方式分类有助于按照模块构建指标体系，对指标按照高低目标分类有利于之后的可视化设计以及数值预警。

五、标签和特征属性

那么什么是标签呢，我理解的标签是为了定义出对象的特点，用一个个标签让对象的骨肉更加清晰，从而读懂它。
一般对于用户画像会从6个方面来进行，基本信息，兴趣爱好，行为特点，消费信息，社交网络，心理特征。
标签分类
标签在数仓中从下到上分为数据源，事实标签，模型标签，高级标签。
事实标签也可以说是指标标签，比如用户浏览时长，各时段在线用户数等。
模型标签比如用户属性，兴趣爱好，内容偏好，活跃度等。
高级标签比如用户分级，流失模型标签。
标签结构
我们为用户或者内容打标签是为了对其分类，以便更好的了解这个集合中对象的特点，从而针对性的做精细化的运营。也可为信息流推荐打好基础。
标签体系分为结构化，半结构化，非结构化三种。
结构化的标签一二三级层级和所属分明；
半结构化的层级结构比较分明；
非结构化的标签体系诸如广告推广时设定的关键词。
标签规则
标签的命名应该短小易懂，具有代表性，并且无歧义。
标签的体系设计应该做到标签和标签相互独立，并且完全穷尽。
同时标签粒度也要有所把握，粒度太粗无法区分用户，粒度太细集合样本较少、太过于个性同时标签体系也会太过庞大。
对于此新闻app，在首页它有几种搜索途径：有搜索框输入关键词主动搜索；有军事科技历史娱乐社会等的分类垂直搜索；有信息流个性化推荐；还有订阅形式的推送。
我认为它的标签体系可以设立为“分类——主题——关键词”的三级（多级）模式，同时关键词可能要相对独立。
分类指的是“历史，军事，娱乐，社会，科技”等等这些；主题的话比如历史分古代史近代史，也分中国史外国史；关键词的话比如用户爱看的是关于历史-近代史-张学良的文章。

结语

今天小诺先讲到这里，感谢大家关注！
下期我们会讲到大家最喜欢的：推荐策略和算法，ab测试和效果评测，运营分析迭代。
下期的引言还会带来我曾在搜狗一面遇到的逻辑推理题。

最后我想说，都说互联网遇到了寒冬。如果你是有多年经验的老产品，请你像看到过去的自己那样帮助新人。如果你是四处碰壁的新产品，请你在历经坎坷时也别忘记最初的梦想。

这里是：
一个数据人的自留地。
一个有温度的产品社区。

一个数据人的自留地是一个助力数据人成长的大家庭，帮助对数据感兴趣的伙伴们明确学习方向、精准提升技能。
扫码关注我，带你探索数据的神奇奥秘

寒冬被裁，看小白如何逆袭拿名厂推荐策略offer（上）

标签：告诉   开放   爬虫   互联网   优缺点   工作职责   offer   服务   特征   

原文地址：https://blog.51cto.com/14915210/2525766