策略四要素

策略四要素

策略是针对某个问题设计的手段。把它拆开，只有四个核心要素：

1. 待解决问题（Problem）：为什么要做这套策略，想改善什么现象或指标。
2. 输入因素（Inputs）：影响决策的变量，包括用户、内容、环境、时间、行为等信息。
3. 计算逻辑（Logic / Algorithm）：如何把输入转成判断、分数、规则或优先级。
4. 方案输出（Output）：系统最终采取或呈现的决策结果。

flowchart TB
    P[问题与目标] --> I[输入因素 X1、X2、X3]
    I --> L[计算逻辑 f]
    L --> O[输出 Y：排序、价格、内容、样式或动作]
    O --> F[反馈再进入输入]

核心关系是：四要素必须连成闭环。只有输入没有问题，容易变成收集一堆数据；只有问题没有逻辑，仍然停留在愿望；只有逻辑没有输出，研发无法实现；只有输出没有评估目标，则无法知道策略是否有效。

遇到任何策略，连续追问四句：要解决什么问题？依据什么输入？通过什么逻辑？最后输出什么动作或结果？产品经理必须能定义问题、目标、输入、输出和评估方式；策略研发通常负责具体算法实现。

从功能到策略：亮度为什么会变成多元函数

同一问题可以先用功能解决，再演进成策略。电子书阅读器的屏幕亮度是最清楚的对照。下列公式是教学示意，不能直接当作可上线参数。

版本一：手动开关，是功能性方案。 光线暗时看不清，最直接的方案是加背光灯，让用户手动打开或关闭。输出可以粗略写成：

它解决了「能不能补光」，但没有替用户判断什么时候该补多少光，用户必须承担操作成本。

版本二：按环境光自动调节，是简单策略。 输出不再只由用户开关决定，而受环境亮度影响：

课程将其类比为一次函数，重点不在数学形式，而在于：系统开始根据外部条件自动选择输出。这已经是策略的雏形。

版本三：多因素共同决策，是复杂策略。 环境光解释不了全部需求：游戏可能希望更亮，阅读可能希望柔和；户外、室内、白天、夜间也可能不同。用户仍然主动调亮或调暗，说明原有策略遗漏了影响因素。于是：

策略是根据多个变化因素，在不同情况下给出不同结果。公式用于帮助理解输入-逻辑-输出关系，不代表完整工程算法。

亮度调节入口是功能，自动决定亮度的规则是策略。一个完整产品往往由功能提供操作界面，由策略决定具体内容或数值。功能何时不够，见策略如何诞生。

要素一：待解决问题

起点不应写成「做一个推荐」「加一个模型」或「优化一下体验」，而应描述当前现象、目标对象和希望改善的结果。

按顺序追问：

1. 哪里出了问题？ 例如用户看不到感兴趣的内容、促销效果不稳定。
2. 谁受到影响？ 所有用户、某一类用户，还是某些时段的用户？
3. 问题的结果是什么？ 点击率低、销售额低、操作成本高，还是体验不一致？
4. 成功如何判断？ 需要一个可观察的指标或明确的行为变化。

「推荐不好」可以改写为：「首页候选内容很多，但用户点击和有效阅读不足，希望在不明显增加打扰的前提下，提高用户对前几条内容的兴趣。」这仍不是完整需求，却比「优化推荐」更接近可分析的问题。

问题是当前状态与理想状态之间的差距；目标是希望把差距缩小到什么程度。策略常常有多个目标，例如促销既要提高销售额，又不能让利润过低。需要说明主目标、次目标和不能突破的约束。

要素二：输入因素

输入是影响最终决策的变量。它是与问题和目标有因果或决策关联的信息，系统里所有能拿到的数据并不自动成为输入。

常见类型：

• 用户因素：基础属性、历史行为、当前意图、偏好与厌恶
• 对象因素：内容的类别、主题、质量、价格、库存
• 场景因素：时间、地点、设备、天气、应用类型、流量状态
• 系统因素：库存、供给、服务能力、历史质量、风险状态
• 反馈因素：点击、停留、购买、取消、投诉等结果数据

纳入一个输入前，用三个问题筛选：它是否可能影响用户需求或业务结果？系统是否能稳定、合法、及时地获得它？加入它后，是否能让输出更准确或更可控？

无法获得、质量不稳定、或与目标没有关系的输入，强行加入只会增加逻辑复杂度和错误来源。还要注意时间窗口：最近一次点击和三年前的点击，对当前兴趣的解释力可能不同。

要素三：计算逻辑

计算逻辑回答：给定这些输入，系统如何做决定？它可以是条件规则、公式、排序、打分模型或多种方法的组合。简单条件规则也可以是策略，复杂模型也可能解决错问题。

产品经理不一定要编写算法，但应能说清：

• 输入分别影响什么判断
• 不同因素冲突时如何取舍
• 输出是分类、分数、排序，还是具体数值
• 哪些边界和异常需要人工兜底
• 逻辑上线后用什么实验或指标验证

推荐算法把用户特征、内容特征转化为「某个用户对某篇内容的相对喜欢度」，而不是把一篇文章永久标成「好内容」。同一内容对不同用户的分数可能不同，同一用户在不同时间或场景下的分数也可能不同。

要素四：方案输出

输出是系统最后真正执行的结果。常见输出包括：展示什么内容、排序位置、卡片样式、价格或折扣、是否触发提醒或拦截、对设备施加什么控制量。

「给用户更好的内容」不是输出；「将候选内容按预测兴趣度排序，取前 N 条展现」才是可执行输出。输出也不一定只有一个值，可能包括结果、原因、置信度和兜底动作，但需求中至少要先明确核心决策。输出必须可执行、可解释、可评估。

四要素互相校验

四要素是一组相互约束的关系：

• 问题变了，目标和输出可能要跟着变
• 输入变了，逻辑是否仍然成立要重新检查
• 逻辑变了，输出的含义和风险可能发生变化
• 输出上线后，反馈又会暴露问题定义或输入的遗漏

例如把推荐目标从「提高点击」改为「提高有效阅读」，原有的点击排序逻辑就可能不够，需要补充停留、阅读完成或负反馈等输入，并重新定义输出和评估方式。

一个理论上得分最高的输出，未必适合直接上线。实际策略往往还要受到安全、库存、内容质量、用户体验和系统性能等约束。需求中应把「必须满足的目标」和「不能突破的边界」分开写。低置信度或输入缺失时，还要准备默认规则或人工兜底。

策略卡片

1
2
3
4
5
6
7
8

策略名称：
1. 待解决问题：当前什么现象不好？服务谁？
2. 目标与约束：主指标、辅助指标、不可突破的边界是什么？
3. 输入因素：用户、对象、场景、系统、反馈分别有哪些？
4. 计算逻辑：如何判断、打分、排序、分层或触发？冲突怎么处理？
5. 方案输出：最终给什么内容、数值、顺序或动作？
6. 评估方式：上线后看哪些指标？如何做对照或分群比较？
7. 兜底方案：输入缺失、异常或低置信度时怎么办？

卡片填不满，说明还停留在「感觉有策略」，没有进入可开发状态。把这张卡片写进项目，才进入工作循环里的需求与评估环节。

短拆解

推荐策略

• 待解决问题：从大量候选内容中，找到某个用户更可能喜欢、愿意阅读的内容，并组织成最终 Feed 流。「喜欢」可通过点击、停留、阅读完成、分享或负反馈等行为近似衡量。
• 输入因素：用户特征与内容特征。只看用户不看内容，无法完成匹配。
• 计算逻辑：为每个用户-内容组合计算相对兴趣度或优先级，再加入内容质量、时效性和多样性等约束。
• 方案输出：把候选内容按喜欢度从高到低排序，形成用户最终看到的 Feed 流。真实产品还会涉及召回、去重、内容安全和展现形式。

便利店促销策略

• 待解决问题：为某个商品制定促销规则，使当期销售额最大。目标也可以改成销量最大、利润最大或清库存，必须先定清楚。
• 输入因素：不同时段人流量、原价与折扣价下的转化率、原价与促销价、促销起止时间。促销价格同时是输出决策和影响转化率的因素。
• 计算逻辑：将全天分为原价时段和促销时段，用简化公式比较方案（教学示意）：

其中 \(Traffic\) 是人流量，\(CR\) 是转化率，\(Price\) 是对应价格。可以枚举不同的促销起止时间和折扣力度，选择目标值最大的方案。

• 方案输出：从什么时候开始、什么时候结束、促销价格或折扣是多少，必要时采用哪种组合方案。

若销量最大但利润过低，或促销导致库存和履约无法承受，就要在目标中加入约束，重新定义「最优」。

误区与边界

• 把输入当成数据清单：输入必须服务于问题和目标。
• 把逻辑等同于复杂模型：简单条件规则也可以是策略。
• 只写输出，不写目标：只说「排序」「推荐」「打折」，无法判断为什么这样做。
• 只追一个指标：销售额、利润、用户体验、风险可能互相牵制，要写明优先级和约束。
• 忽略输入质量和缺失情况：数据迟到、错误或缺失时，必须有默认规则或降级方案。
• 认为四要素一次写完不变：上线后的反馈可能证明某个输入无效、逻辑不合理或输出不可执行。

如果一个问题在所有场景下都只需要执行同一个固定动作，使用功能或固定规则通常更简单；如果决策会随用户、内容、环境或时间变化，且相关输入可以获得并验证，才值得设计策略。先确认这是不是策略问题，见策略是什么。

延伸阅读

• 策略是什么：策略是解决问题的手段
• 策略如何诞生：固定方案无法满足差异化时，才从功能演进到策略
• 策略产品经理的工作循环：用四要素写需求、做评估、做回归
• 简单策略需求文档：把策略卡片落成可评审的简单需求
• 复杂策略需求文档：四要素齐全后，如何写目标空间与 Case

来源说明

发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用