社区团购发展阶段2.1 萌芽阶段：中国社区团购发展历程微信红包的出现，向更广泛的人群普及了移动支付功能，成为社区团购发展的社会基础；移动支付、拼团和微商的普及为社区团购模式的出现创造条件。2.2 起步阶段手工记账社区团购的SKU品类有限，容易触碰到发展的天花板，营业收入普遍不高阶段总结∶此阶段社区团购模式初步形成，但商品主要在QQ群和微信群展示，品类受限，营业收入难以提升2.3 2017年——发展阶段微信生态持续释放红利，小程序发布提升社群电商交易效率；社区团购的SKU品类扩充开启社区团购开启线下店模式，有供应链资源的企业备受青睐，供应链物流基础设施逐步完善阶段总结；随着小程序发布，部分社区团购企业开始把运营重心向小程序转移，团购的品类和模式增加，2.4 2018-2020年 爆发阶段二线城市社区团购平台成交量爆发，区域模式得到验证社区团购进入扩品、扩区的规模化扩张阶段· 美团、每日优鲜、百果园等大公司开始关注并布局阶段总结∶小程序作为试运营载体成为社区团购平台切入方式，而后商业模式成熟，开始平台化运营，大量资本进入

社区团购爆发原因：疫情严重影响了人们的日常生活，而社区团购模式帮助人们解决了日常的生活购物问题，刺激了社区团购的发展。社区团购销售的都是生活必需品包括食物及日用品，能够满足广大居民的需要;社区团购模式简单，并且可以快速起量，能够在疫情影响下快速复制到各个小区;社区团购采用预售+自提的方式可以实现无接触配送，发挥配送成本低的优势的同时可以有效避免人们之间的接触。数据显示疫情下中国社区团购平台食材销量增长，蔬果类194.5%，肉蛋类112.5%。令人好笑的是酒水饮料出现了负增长，可能都被爸妈管住了不让喝饮料了。社区团购的市场规模也即将于2022年进入千亿市场。

如何进行兴趣偏好标签的计算呢？先看计算逻辑总体概览，主要分为了三部分：互动行为、互动深度、权重1. 互动行为确定哪些用户行为要纳入到兴趣标签的计算中。通常在电商中，使用的比较多的就是：浏览、加购、下单。有这些行为，往往反映出用户对该品类有较强的兴趣。另外，搜索行为也是很能反映用户偏好的，但由于搜索词涉及大量NLP的内容，在做标签的计算中，比较耗时费力，在精度要求没有那么高的时候，可以先不考虑搜索行为。2. 互动深度所谓的互动深度，指的是用户在每种互动行为下，有哪些具体的内容可以衡量用户行为的深度情况。不然容易出现这种情况：用户只是对某个类目下的某个商品有超强偏好，但是最终计算结果却是该用户对整个类目都有兴趣。用互动深度，能降低异常情况带来的影响。使用了三个指标来反映用户的行为深度：涉及三级类目数、涉及sku数、购买件数。3. 权重设置权重部分很重要。这是为了将不同行为对最终结果的贡献，进行合理差异化。也比较容易理解，肯定是下单说明用户更感兴趣嘛，毕竟能真掏钱的才是真爱。所以在权重大小上，也是下单>加购>浏览。

产品供需打开BOSS直聘，浏览腾讯在招的产品岗位，1-3年的就是产品经理（大约1/5的量），1/3 的岗位是各模块的商业化产品 .1/3是各模块的策略，包括推荐策略与增长策略。感觉互联网人靠跳槽涨薪的好日子快到头了。核心是供需问题，如果这个岗位能干的人很多，我为什么要接受你半吊子的工作经验，为什么要开出30%以上的涨幅。

目前业务遇到的最大问题是什么？跟业务目前的规划是什么？其实是一个问题；定义目前遇到的问题以及解决方案，包括将业务做大，商业模式跑通，提升客户留存，就是业务规划的重要内容；不同阶段的业务遇到的问题不同，对应就是不同的规划与解决方案。但有时候这些事情又不全是问题，问题是需要的对比之后不及预期的，对比的标准决定是否存在问题。作为市场领导者或者无参考标准的细分行业领头羊的时候，这个时候称为问题就不太合适，更多的是规划、愿景。

微信读书的评论是全部展示还是部分展示？1. 一个是划线部分，肯定是部分展示的，因为如果全部展示会影响用户体验，影响用户浏览书籍的主进程；2. 第二个是评论内容是全部展示还是部分展示，猜测部分展示，但目前看评论的数量都偏少，可能全部展示也不影响。如果要查看全部评论应该跳出当前页面，否则也对书籍阅读主流程有影响。如何选取评论：1. 人的纬度：核心KOL的人（阅读时间，阅读本数，评论次数，评论历史字数），核心社交圈（微信好友）；2. 内容的纬度：内容产生时间，热度。

平台与业务的持久博弈：业务始终要流量的，平台要站在大盘考虑；①保持平级沟通，沟通机制跟通道要确定；可以要数据支持，但策略外的流量配比要同级沟通后再执行；②平台衡量手段要持续升级：1)支持小范围试错：指定纬度发布；2)支持数据采集：留存，转化，GMV；全模块（搜索，推荐，订单）空间上跟时间上，后续培育的效果有没有。3)常规化、策略化：数据洞察下的运营规则；

#办公软件的商业化探索商业化1.0-版权销售作为一款办公软件，最早的变现方式就是‘使用权’，通过售卖软件获得收益。早期的客户大多来自政府，国企；大的采买基本都在千万以上，是最开始的主要收入来源。当然迄今为止，这个变现的模式也一直还保留，只是它在营收上的占比，越走越远了。这种变现模式，在大势所趋下（360打开了免费软件的突破口），办公软件开始推出了免费个人版，也因此快速吸取了一大波用户。商业化2.0-广告变现在免费版上累积的大量用户后，广告变现自然成了WPS商业化的第二步。期间推出的广告MINI页，PC开屏，弹窗等广告方式，在带来收入的同时，也会引发了用户对‘广告过多’的吐槽。在办公场景下，用户的容忍度不像娱乐产品那么高。商业化3.0-增值变现广告收入虽然来得快，但这种依靠纯流量的变现方式，终不是工具类的最佳商业化模式，工具软件最核心的能力，是在于协助用户在花费更少的时间下完成当下目的。因此在基础的功能之上提供了PDF转WORD，PDF合并，文档修复，云空间，全文翻译，数据恢复、全文检索等增值服务。核心要点，除了在自身软件的能力拓展之外，也购买了第三方的插件服务，通过与商家分成的形式合作，包装成特权提供给到用户，最终形成一个办公软件+开放平台工具服务的体系，增强会员付费的驱动力，实现变现。商业化4.0-内容变现的探索通过与大量作者的分成合作形式，引入精良的收费资源，开启文档资源的收费市场，踏出了内容变现的第一步。与文档内容资源相呼应的，通过云课堂，助攻职场课程，财务管理课程，职场面试等与办公人群特征高度相符的视频内容进行商业化；在H5制作上，推出产品秀堂，提供手机H5模版服务；推出了动画素材会员；将插件的能力，逐步的融合到了办公软件中，

用户画像的四种类型。直采型，顾名思义就是直接采集的用户标签，可以直接从用户基础数据内获取到的用户信息，不需要统计跟计算，比如用户主动填写的姓名年龄性别等。统计型，利用用户日技术日志数据，按照一定的规则进行简单统计的标签，这样的标签纸需要需求和规则确定，加工速度非常快。例如频次，总次数等挖掘型的标签属于算法标签，利用用户行为数据和文本数据和业务规则进行算法加工，输出对应的属性值或分值，如有必要需要对分子进行归一化的处理，比如偏好类的标签就是典型代表，包括产品偏好、具体功能偏好、内容兴趣偏好、以及敏感度标签，包括优惠敏感度、低价敏感度、活动敏感度。预测型标签也是算法标签的一种，区别在于预测行重点应用于典型的预测场景，例如用户的流失概率。除了输出常规的标签外，还需要和一定的预警和自动策略结合，利用用户的生命周期相关特征预测用户流失概率，对于高风险用户及时采取召回策略。

Query 改写类型用户变更搜索词的过程，称之为查询改写；具体有抽象化改写，比如说把儿童包包改成包包，后者在语义概念层次上更加宽泛，原生查询到的东西太少具体化改写，跟抽象画改写，相反同义化改写用户如此改写，往往是对原先的查询结果不满意多类型改写，在目标明确且查找意愿非常强烈，而返回结果不能让其满意的情况下，用户会进行反复的查询改更改，导致一次搜索包含多次改写，改写类型也不相同。

类目偏好预测第一层依靠规则从无到有，没有做过意图识别或者品牌类目偏好预测的搜索只靠文本的匹配相关性很低，比如，搜索水可能召回的是含有水蛭的某些水果，这个时候需要提需求，比如说只要完全匹配到类目表中的类目，便判断为其对应的类目意图。第二层从有到提升准确率完成之后，要从全局热度的判断方式是不是过于粗暴，如何通过完善规则的方式进行优化。第三层，配合搭建预测模型当规则过多，维护复杂且提升达到天花板的时候，考虑使用算法解决，第四层基于算法框架，不断寻找优化点算法，跑通之后要不断收集线上的例子，分析是否达到预期目标

QUery分类与优化方式第一种按照组成结构分类，以电商产品为例子，通常可以索引基本单元划分及。类型可以分别为品牌、性别、类目。组成结构代表用户需求，不同垂直领域会有分布差别。按照精准程度划分，那么飘柔男士洗发水和洗发水相比，精准程度明显要高，可以划分为泛搜索词语，精确搜索词。明确程度代表用户购买意愿，代表广告售卖的价格按照是否含有不明意图修饰词划分；需要采用归一化、纠错、改写等策略。

常用的思维方式：分类：将简单统计汇总的数据进行分类，通过归因方式变为少量、量级足以处理的问题。例如一万条输入的Query中分析优化点，比如分析影视条件下的搜索，可以大致分为，影视基本信息查询，影视新闻，影视发布情况等等。再比如从不同人群喜欢的衣服服饰不同中抽象出社会地位影响消费偏好这样的结论。下钻：与分类相反，有些问题足够具体，但是不够细致，例如某一天搜索的请求量变少，在排除故障的可能性之后，需要通过人、货、场等拆分方式确定具体的影响因子量化：量化是考量如何对主观地指标进行标准制定，比如说召回的准确性，随机抽取100个每个下按照当前的召回结果截取头部十个作为评测数据，再对准确的标准下定义，已召回的结果的质量度销量评分和相关度作为结果评测的标准，按照这个标准一一标注合理或者不合理，最终统计合理数据的条数占总体的比例。极限：要考虑当前策略在最开始以及运行到极致会带来的问题，冷启动是极限问题在初始情况下的变现。

策略产品的知识体系：了解架构、懂原理，不研究技术实现：如果说功能型产品研究的是用户心理与对应的产品功能架构，那在目前产品功能架构趋于一致的情况下，策略产品要掌握的是策略的架构：比如说召回、排序、精排、策略等需要面向用户和面向后台的产品综合思维；策略的制定与实现地方经常需要跨系统制定解决方案，需要有面向后台的产品思维，并根据用户个性化定制以数据为基础，以数据指标为目标：数据要真实、客观、反映业务，同时因为经常跨系统解决问题，需要对比不同系统下的口径，并打破零和博弈。