策略产品经理如何学习？策略产品从入门到高阶的武功秘籍
很多同学在问如何快速成长为独当一面的策略产品经理，今天Arthur就来分享一下自己策略产品的成长干货总结与思考。
一、锚定目标、确认规划
- 首先，最重要的明确是否要从事策略产品方向，自己是否足够了解、是否适合，这都是需要考虑到的点，如同指南针一样建立准确且长期的职业方向感，如同金字塔结构一般构建自己的策略产品长期职业体系；需要考虑三个重要因素【策略产品行业与市场发展】、【个人的兴趣】以及【个人能力】；
- 其次，确定方了方向之后就需要给自己建立长期的职业规划，3~5年在职级、薪资以及策略产品发展上的目标达成。
1. 策略产品行业与市场发展
关于这一点需要先明确和了解策略产品是做什么的？需要哪些能力栈（机器学习基本原理知识、Python与SQL代码能力、对应方向的业务能力等等）。
策略产品的核心方向：搜广推策略、订单分配策略、风控金融策略以及物流策略等等。
市场薪酬回报待遇：据统计，同级别社招策略产品一般高于普通产品经理薪水30%，剧训练营策略产品同学的面试反馈；23届校招SP产品offer多半也开奖在核心部门的策略产品岗位。
长期发展的价值：
- 在当前互联网发展无增量市场的前提下，如何提升单用户的ARPU的价值是当前主旋律；
- 优秀的策略产品相较于市场来说还是需求大于供给的状态；
- 算法策略对于产品不再是纯黑盒导向，职场具备更强的壁垒。
2. 个人兴趣&能力
前面说完策略产品客观因素，就需要考虑主观因素的影响；个人的兴趣与能力部分，策略产品首先是产品，策略是帮助产品达成业务目标的重要手段，兴趣是个人驱动能力成长的发动机。
基本产品能力要求：
一般产品经理具备的需求分析、沟通能力、逻辑思维能力以及项目管理对于策略产品亦是基础要求。
策略产品进阶要求：
- 具备较强的问题建模思维，将业务问题进行通用函数化公式表达：从用户产品中的分支思维、流程思维转变成模型思维，即在工作当中相较于用户产品使用流程图/分支树表达，更多考虑怎么通过通用的数学表达式来求解（广告中的eCPM、搜推排序中的rankscore）；
- 对于机器学习原理的理解与场景应用：明晰机器学习原理和应用场景，知道如何与算法一起做特征工程为策略指标做优化，例如AUC、召回率以及准确率等等；
- 会写SQL与少量Python：一般大厂的策略产品需要通过SQL做大量业务数据和策略数据的分析，找到数据异常值并进行对应的问题分析；少量Python主要是让策略产品具备一定的编程和结构思维，Python本身比较好入门。
个人兴趣：
说完上面的行业和能力要求部分，就需要策略产品与对应的业务场景是否感兴趣，毕竟工作是占据个人时间最长的一件事儿，比如是否对搜广推后端策略感兴趣，是否感兴趣机器学习原理等；个人感兴趣才会愿意投入更多的时间和精力，愿意让项目为自己输送成就感，从而达成正向循环，这一点也是非常值得考虑的一个点。
3. 长期职业规划
长期的职业规划是策略产品未来职业发展的指南针，虽然互联网技术和业务更新迭代日新月异，个人职业规划绝大多数都赶不上变化，但是我们也需要为自己制定3~5年的长期规划，帮助自己更加具备方向感，每隔一个周期盘算个人规划的达成情况，当前缺漏待提升的带你，以及规划是否需要做及时调整。
例如，校招P5广告策略产品，给自己规划未来1年时间熟悉效果广告、品牌广告基本业务，学习机器学习的基本原理，辅助mentor完成对策略效果的提升，带来收入增长；2年内成长为P6高级策略产品，独挡一面负责DSP策略模块，协同算法实现模块下策略指标的提升服务于广告收入增长；未来4~5年成长为P7策略产品专家，能从DSP/SSP端变现协同角度完成对策略架构上的设计，计划实现往管理方向转型。
二、修炼内功、登高望远
确认完成了个人的在策略产品上的职业发展明确规划之后，就需要开始考虑如何在策略产品经理方向进行学习和成长，好的学习方案和资料帮助个人少走很多弯路，这其实就是“修炼内功，登高望远”的过程，无论是书籍、公众文章、工业界论文以及系统学习课程，都是我们体系化承接策略产品的渠道和手段。
1. 书籍推荐
策略产品的学习书籍纷繁复杂，作为5年搜广推策略产品专家给大家推荐一些比较精华的书籍，帮助大家减少学习资料选择的弯路，书不在多在于精，大家学习再多没有信息熵和增量的书籍，属于浪费个人的时间 。
推荐系统策略：《推荐系统实践》，作者项亮，作者是国内推荐系统应用的先驱者，在推荐领域具备多年的大厂实践经验；全书围绕规则类推荐、协同过滤（User-CF、Item-CF）、推荐系统冷启动以及推荐系统的效果评定为切入，深入浅出地介绍了推荐系统的运作思想，因为成书较早，关于深度学习向量embeding召回、还有排序部分介绍偏少，但是总体来说十一本非常好的入门书籍。
计算广告相关：《计算广告-互联网商业变现的市场和技术》，作者刘鹏，互联网广告入门百科全书，全书对于广告发展背景与业务知识入门，对效果广告、品牌广告的核心策略技术进行了详尽介绍，后半部分更加偏向于算法工程师和加购工程师了解的内容，对于更细致的了解广告策略有一定的帮助。
通用性策略产品入门书籍推荐：《策略产品经理——模型与方法论》，作者青十五，作者从数学、经济学以及人工智能的角度讲解策略产品经理方法论，围绕搜索、推荐、广告、定价以及匹配调度策略做了应用场景的介绍与案例说明，作者本身是算法出身转型策略产品，所以对于算法模型的理解通透，并且通俗易懂的进行了拆分讲解。
机器学习入门书籍：《机器学习》，作者南京大学人工智能学院院长周志华，业界俗称“西瓜书”，本书对于机器学习入门爱好者非常的优化，从机器学习的基础知识，延伸至机器学习常用的方法，再到进阶知识例如特征选择、稀疏学习以及强化学习等，对于机器学习的了解是比较好的选择。
2. 自媒体公众号推荐
大厂公众号和自媒体（知乎等等）其实是获取前沿策略在工业界落地和应用最好的渠道，大家可以在里面看到机器学习技术的应用带来的明显效果提升和对应的算法文章，同时这也是帮助公司建立IP招聘专业人才的宣传方式。
阿里妈妈技术：阿里妈妈技术官方号，该公众号会不时发布国内业界比较前沿的广告策略算法论文、系统架构升级的技术文章。
美团技术团队：涵盖美团在搜推、美团配搜、广告等方面与各大高校合作的前沿技术论文，还会有一些讲座和沙龙信息的分享。
小红书Redtech：小红书官方技术号，主要围绕小红书图文、视频种草场域的推荐系统策略进行分享，经常会有算法工程师、高校的教授进行直播，文章会分享关于小红书在内容场域中的特色推荐算法内容，非常值得关注，来了解一下为什么小红书越来越懂你。
DataFunTalk：大数据、人工智能领域的知识分享平台；各家大厂都会参与分享的平台，算是以上各大公众号的汇聚，经常会组织各家大厂前沿技术算法分享论坛，关注微信公众号：DataFunSummit，可以关注一波上面有丰富的专题PPT和学习资料。
3. 系统学习与培训
上述学习资料对于前沿算法和应用场景的学习有一定的帮助，但是对于系统学习对应的策略，建议还是找对应的专家课程进行系统学习，当然现在系统学习和培训课程市场鱼龙混杂，明眼辨识专业性很重要，不然对于你个人的策略产品学习投入产出比非常低；找对学习辅导的老师，并且沿着正确的学习路径进行学习，其实可以少走很多弯路，不可否认系统性的学习比个人蒙头找资料要更高效率。
如果对于搜广推策略产品系统培训课程，从自然搜推底层召回（规则召回、协同过滤以及深度学习向量召回），排序再到广告搜推领域选的智能出价（oCPC/Nobid/支付ROI），智能定向与DMP定向再到智能创意（智能创意生成、创意优选）等策略产品课程感兴趣可以找Arthur本人进行了解。
三、全情实践、自我复盘
做策略产品最关键的成长点还是来自于实践的项目，纸上学来终觉浅，需要把平时从文章、书本系统课程学到的东西用于自己公司的项目当中，锚定业务目标与业务产出，将策略真正的运用于公司的项目中，带来算模型的收益，带来业务目标收益的增长。
1. 充分利用公司资源
作为策略产品需要充分利用对于个人策略产品成长轨迹有帮助的一切资源，这里的资源不仅指代公司内部的分享论坛（例如阿里的ATA、腾讯的乐享），尽可能参与对个人策略产品有帮助有成长的项目中，从前到后了解系统架构，了解对于算法模型指标提升的过程，了解公司目前运用的策略现状，积极发现其中的问题，厚着脸皮多向策略产品前辈请教。
2. 多进行置信实验产出
通过科学的ABtest实验获取产出，策略产品的数据置信产出和数据分析能力也非常重要，如何进行置信的ABtest单一变量实验，例如广告策略产品，何时进行流量AB实验，何时进行计划AB实验，何时进行客户AB实验，各个场景与对应的验证指标都要明晰，这是指导策略产品进行下一次策略迭代提升的关键。
3. 从模仿再到创新
策略产品可以前期多了解、多学习大厂的前沿策略和应用场景，加以对自己公司的应用，更多的还是要思考业务场景的差异和对于自己公司的收益，一味的模仿对于个人往高阶的提升帮助不大，更多还是要结合自己公司业务场景和业务目标进行“因地制宜”。
每一位策略产品都希望在公司里的职级、薪水回报都有更进一步的提升，因此对于项目业务、工作流程、沟通交流等都需要有自我复盘的过程，俗话说“日拱一卒、功不唐捐”，如果对于自己的工作没有复盘的习惯，长期重复跨入同一深坑中，也会让老板失去对于你个人的信任，策略产品的策略是产品经理的工具，业务是产品经理的生命线，熟悉了解业务，再集合策略才能创造最大的价值。
本文作者 @策略产品Arthur
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
