简介围绕《搜广推策略产品经理》整理的一套结构化读书笔记适合搜索广告与推荐系统领域的产品经理、市场营销人员、数据分析师以及计划转入策略产品方向的学习者。笔记将原书中策略产品经理的岗位定位、市场研究、竞品分析、需求收集、策略设计、数据监控与效果评估等关键内容拆解为分节摘要并保留了对数据分析能力、跨团队协作、合规创新等主题的要点提炼便于读者按需查阅。资源共12个文件以Markdown笔记为主附带一个HTML阅读页及Git相关配置文件整体约40KB轻量便于同步与归档docs目录结构清晰适合结合原书章节进行对照学习。目前已有641人学习下载适合通勤、碎片时间复习也可作为日常工作的案头参考。 拿到《搜广推策略产品经理》的电子版书稿时我顺手把PDF和一堆零散标注压缩成了一个search-ads-rec-policy-pm-notes.zip存在本地当备份。结果这份zip文件一直躺了半个月直到一个深夜重新解压、逐章重读我才意识到自己犯了一个典型错误把“搜索、广告、推荐”当成了三座孤岛而这本书真正想讲的是一套可以互通的策略产品方法论。这份读书笔记就是我重新梳理三个方向之后沉淀下来的东西。如果你正处在“知道搜索、广告、推荐大概是什么但说不清策略产品经理到底做什么”的阶段或者已经入行但感觉每天被数据和实验牵着走、缺少系统框架这篇文章应该能帮你建立一张自己的作战地图。我会先讲清楚三个方向为什么能放在一本书里讲再逐个拆解搜索、广告、推荐各自的链路与策略切入点最后落到策略产品经理绕不开的实验、数据与分析方法上并附上我整理笔记时用的具体方法和工具路径。1. 一份学习笔记包带来的三个问题——先聊聊我为什么写这份笔记我把这份笔记压缩成zip文件本意只是图省事一个文件好归档、好传阅等到真正要读的时候再解压。但这恰恰暴露了我在整理知识时的坏习惯——只做了收藏没做消化。1.1 搜广推到底是不是三个岗位书里开篇就把这个问题点破了搜索、广告、推荐在业务形态上是三个岗位但在底层能力上是同一类人。搜索是用户带着明确意图来产品要帮他在海量内容里找到最匹配的那一个推荐是用户没有明确意图产品要通过行为信号预判他可能喜欢什么广告则是把商业意图叠加在搜索或推荐场景里在用户的自然需求中插入一条恰当时机的商业供给。三者的共同点在于都有一套“候选集 打分排序”的引擎都需要策略产品经理去定义“什么是好结果”再通过数据和实验持续逼近这个定义。我当初把这本书记成三个独立部分去读方向就偏了。1.2 策略产品经理凭什么被称为“策略”很多刚接触这个方向的同学会问策略产品经理和普通产品经理的区别到底在哪我的理解是普通产品经理通常在定功能、定流程、定交互核心产出是“需求文档 上线功能”策略产品经理则在定规则、定目标、定反馈闭环核心产出是“策略逻辑 实验验证 持续迭代”。书里反复强调一个观点策略产品经理不直接写模型但要清楚模型输入什么、输出什么、业务指标如何随阈值变化。这也是我在笔记里给自己立的第一条规矩——所有概念必须能画成链路图所有指标必须能写清计算公式。1.3 读书笔记的组织方式先解压再重装我在zip里塞过很多版本的学习资料真正有用的只有这一次先通读全书画出整体框架再把每个方向拆成“链路、指标、策略点、工具”四列来记最后按自己的项目场景重新组装。这篇文章延续了同样的思路。我不会按书里的章节顺序复述而是按“底层逻辑 → 搜索 → 广告 → 推荐 → 能力工具 → 学习路径”的顺序重新组织因为这是我自己踩完坑之后觉得最顺的理解路径。2. 从“三件套”到“一个系统”搜索、广告、推荐的底层运转逻辑先把最容易误导人的部分讲清楚搜索、广告、推荐不是三条平行的线而是一套系统的三种工况。2.1 统一的漏斗曝光 → 点击 → 消费无论哪个方向用户与系统交互的链路都逃不开一个基本漏斗候选内容从海量集合里被筛选出来召回按相关性或商业价值打上分数排序最终只展示有限的结果曝光用户点击后产生消费行为点击与转化。策略产品经理最重要的第一课就是能在任何一个具体业务里画出这条漏斗并标出每一步的转化率。书里有一个很形象的类比搜索是“用户点菜”推荐是“服务员猜你想吃什么”广告是“菜单上的推荐位给愿意多付钱的商家”。每句话单看都有道理但结合起来看它们的本质都是在“资源有限、注意力有限”的前提下让最合适的内容出现在最合适的用户面前。2.2 三者的差异信号强度不同搜索优化的核心是相关性因为用户用关键词直接表达了自己想要什么推荐优化的核心是兴趣匹配因为用户没有直接说系统只能从历史行为推断广告优化的核心是在相关性与商业收益之间求平衡因为每一次曝光都对应一个竞价价格。书里给出的判断方法我觉得特别实用先看用户在场景里的“意图信号”是强是弱再决定策略优先级。搜“iphone 15 价格”的搜索用户意图比在信息流里划到一条数码测评的用户强得多前者看相关性后者看兴趣模型。2.3 为什么这三个方向必须放一起学一句话回答因为现代互联网产品几乎都是混合形态。搜索页里有广告推荐流里有插入广告电商平台同时存在显式搜索框和隐式推荐流。如果只懂其中一个方向讨论跨场景目标时就会失语。比如电商大促期间搜索流量和推荐流量如何分配这不是搜索团队或推荐团队独立能回答的问题必须有人站在“全局流量系统”的视角去做取舍这种视角正是搜广推策略产品经理的核心竞争力。3. 搜索策略不只是“结果排序”那么简单搜索是最容易入门、也最容易做浅的方向因为用户意图明确指标好坏很容易感知。但真正做深之后搜索策略的复杂度远超想象。3.1 搜索链路的核心环节与策略切入点搜索的完整链路是查询理解 → 召回 → 相关性判定 → 排序 → 结果展示。这条链路上每个环节都有独立的策略空间查询理解要做分词、拼写纠错、同义词扩展、意图识别决定“用户到底想问什么”召回阶段决定“候选集从哪里来”常见策略有倒排索引召回、向量召回、品牌召回、类目召回相关性判定给每个召回结果打相关性分筛掉“词匹配但意不匹配”的噪声排序阶段综合相关性、时效性、个性化、商业价值等因素给出最终顺序结果展示环节通过摘要、富媒体、聚合卡片等形式提升用户的消费效率。我在笔记里给自己画的一张核心图是搜索策略不是只调排序公式而是要对整条链路的漏斗负责。3.2 搜索产品经理最常踩的性能与体验坑搜广推的实战中策略效果经常不是被算法打败而是被细节打败。书里举过一个让我印象深刻的例子搜索结果第一屏的质量分高但第二屏之后相关度断崖式下跌原因是排序公式只优化了Top K位置没有约束整体列表的相关度下限。这种问题在真实业务里非常普遍。策略产品经理在设计实验时不能只看一个均值指标一定要同时关注分布指标、长尾指标、老用户与新用户体验等否则很容易出现“平均分上去了口碑下来了”的诡异现象。3.3 搜索侧效果评估指标怎么选核心指标通常分四层相关性层如NDCG、MRR体验层如点击率、首屏耗时、无结果率用户价值层如搜索转化率、搜索成交占比商业层如广告收入增量与自然结果的挤压关系。搜索侧尤其要关注“无结果率”和“低质结果率”。我之前在做一个小型垂直搜索业务时只盯着整体点击率提升忽略了无结果率结果整体点击率靠热词拉动上去了但用户搜冷门词时反复看到空页面留存反而往下掉。这个教训让我学会了一句话搜索体验不是均值游戏是长尾游戏。4. 广告策略eCPM之外产品经理要盯住什么广告是三个方向里商业模式最成熟、也最讲求“系统效率”的领域。很多新人一上来就学eCPM公式但书里真正有价值的部分是教你怎么理解广告系统和自然内容的共生关系。4.1 广告系统的竞价机制与角色分工广告系统里至少有四个角色媒体方流量主、广告主、广告平台、用户。策略产品经理通常站在媒体方或平台方视角核心任务是在用户价值、商业收入、广告主效果之间做均衡。计价方式从CPM、CPC到CPA、oCPX本质是风险在媒体和广告主之间的转移。书里讲oCPX时用了一个很朴素的逻辑广告主说“我只对成交付费”平台说“那我可以帮你优化但需要你把转化数据回传给我”于是系统从“卖曝光”变成“卖转化”整个拍卖逻辑都跟着变。4.2 从曝光到转化的漏斗里哪个环节最值得优化广告策略的核心不是让单次点击更贵而是让整个漏斗更流畅。一个典型的广告漏斗是请求 → 召回 → 粗排 → 精排 → 竞价 → 曝光 → 点击 → 转化。策略产品经理要能判断当前业务的瓶颈在哪一环。如果曝光量大但点击率低问题更多在创意和相关性如果点击率高但转化率低问题更多在承接页和出价模型如果转化率正常但量起不来问题可能出在预算消耗速度或定向范围上。书里给了一个我可实际操作的方法把漏斗每一步的转化率都列出来与行业基准比找出偏离最大的环节优先做这一环的实验而不是平均用力。4.3 广告侧实验要注意的宏观性与挤压效应广告实验比搜索和推荐更难做干净因为存在明显的“挤压效应”广告位增多会挤压自然结果自然结果变好又会吸引广告主提价。做广告策略评估必须同时设“全局对照组”观察生态指标而不是单看广告本身的效果数据。书里对这个问题讲得比较深入我自己的体会是如果你所在业务是混合形态比如既有广告位又有自然内容任何广告策略实验都应该配套监控两个额外指标——自然内容消费时长变化、用户主动反馈变化如负反馈率、反馈内容这些能提前告诉你在拿短期收入换长期体验时是否已经透支。5. 推荐策略让“猜你喜欢”从玄学变成工程推荐是搜广推里最依赖数据规模的方向也是很多同学最容易产生“玄学感”的方向——因为推荐模型像一个黑盒策略产品经理经常只看到“调参改特征”这三个字说不清自己到底在调什么。5.1 推荐系统的三件套召回、粗排、精排推荐系统的主链路和搜索很像但有一个关键差别推荐的候选集更大且没有明确的相关性约束。主流架构中召回层负责从百万到千万级的物品库中拉到千级别候选粗排层用轻量模型快速筛掉明显低质的候选精排层用复杂模型对候选做精准打分。策略产品经理要理解召回决定“上限”精排决定“精度”。如果召回做得差精排模型再好也无济于事。书里还重点讲了多路召回的思想热门召回、协同过滤召回、向量召回、类目召回、作者/店铺召回等各路都拿出候选再合并去重避免单一召回策略的盲区。5.2 推荐冷了台怎么办冷启动的三个层次冷启动是推荐方向最经典的问题。书里把冷启动拆成三个层次新用户冷启动、新物品冷启动、新场景冷启动。新用户没有行为只能靠人口属性、设备信息、注册偏好来给初始兴趣新物品没有交互数据只能靠内容特征、相似物品映射、探索流量来积累信号新场景比如新上线一个频道连物品分布都不清楚需要先定义“种子池”再逐步放开。推荐策略产品经理做的很多事本质上是“设计探索机制”如何在有限流量里给新物品足够的试错机会同时不拖垮整体体验。常用的做法是分配一小部分流量给探索池并设置探索衰减策略物品一旦积累到足够行为就转入常规精排体系。5.3 推荐指标的分层看见结果也看见过程推荐指标如果只看线上点击率、转化率很多问题会到很晚才暴露。书里建议把指标分成“过程指标”和“结果指标”两层。过程指标包括推荐覆盖度、结果多样性、冷启动物品曝光占比、用户负反馈占比结果指标包括点击率、消费时长、转化率、留存。过程指标能提前预警系统性风险结果指标用来判断最终收益。我自己的习惯是每次推荐实验上线除了看核心结果指标固定盯一个“多样性偏移”指标比如结果列表中同品类内容的连续出现率避免算法为了迎合点击率把内容做成“信息茧房”。6. 策略产品经理的核心武器实验、数据与分析框架如果说链路、指标、策略点是搜广推的“地图”那实验、数据、分析框架就是策略产品经理手里真正用来打仗的武器。书里这部分内容占了相当篇幅也是我认为最值得反复读的部分。6.1 AB实验不是切流量那么简单AB实验的系统性细节非常多分流要保证用户维度的稳定性防止同一个用户在不同组之间跳跃实验要设定最小样本量提前算出需要多少流量能达到统计显著指标要看置信区间不能只看点估计。书里专门强调了“实验的辛普森悖论”这在我实际工作中也遇到过整体上实验组指标比对照组好但拆到每个细分人群里实验组却全部更差。原因是两个组的流量分布不一致比如实验组分到了更多高活跃用户。遇到这种情况一定要先检查分流的同质性再看分层结论。6.2 数据建设策略产品经理必须能自己取到数我一直主张策略产品经理至少要能独立完成“指标口径定义 → SQL查询 → 报表搭建”这条链路否则策略讨论会变成空谈。书里给了一个实用建议最先搭的报表不是策略效果报表而是“链路漏斗报表”把每个环节的转化率、耗时、覆盖人数都可视化让团队所有人都能一眼看到系统现在的问题出在哪。我照着这个思路搭过一次效果立竿见影很多原来靠拍脑袋决定的策略在漏斗数据面前瞬间有了优先级。6.3 分析框架从“数据波动”到“行动指令”很多策略产品经理拿到数据只会说“涨了”或“跌了”书里把它归纳为缺少“分析闭环”。一个相对完整的分析框架是指标波动 → 维度拆解 → 原因定位 → 假设提出 → 实验验证 → 策略固化。举个例子推荐点击率下跌先按端、渠道、人群、位置拆维度定位是“Feed流第3位点击率下跌”还是“全部位下跌”再结合时间点事件比如版本上线、运营活动、外部热点做交叉分析针对定位到的原因提出修复假设用一个小实验去验证验证通过后再考虑全量。这个框架看起来基础但真正做到位的团队并不多。大部分情况是数据一波动就开始焦虑然后盲目堆策略最后连哪个策略带来了收益都说不清。7. 从笔记到方法论我的搜广推学习路线与建议最后这部分是我整理笔记和实际应用后的个人总结虽然书里没有专门一章这样写但对我来说这比书里任何一个单独章节都更能指导行动。7.1 三个方向的学习顺序建议我的建议是先学搜索再学推荐最后学广告。原因是搜索的意图信号最明确链路最容易理解可以帮你把“召回-排序-评估”这个骨架建立起来推荐在骨架上增加了“兴趣推断”和“探索机制”让你理解系统如何在不确定性里工作广告在骨架之上叠加“商业竞价”和“多角色博弈”让你理解产品在真实商业环境中的复杂性。如果你是广告方向入行也没关系但要刻意补足搜索和推荐的公共链路知识否则很容易只看到竞价和收入看不到用户侧的体验底盘。7.2 建立自己的策略案例库书里的知识是别人的经验最好转化成自己的武器。我建议每个策略产品经理都建一个案例库每条案例包含四段业务背景什么场景、什么用户、什么目标、策略内容做了什么调整、为什么这么做、实验设计怎么分组、看什么指标、持续多久、复盘结论有效还是无效果、原因是什么、能否迁移到其他场景。这个案例库可以放在本地笔记软件里也可以直接存成一份markdown文件再压缩归档。我现在的习惯就是每季度整理一次按“搜索、推荐、广告”三个目录归档文件名用yyyy-mm-主题.zip这种格式既方便检索也方便和同行交流时直接打包分享。7.3 我的日常学习工具箱做策略产品经理最可怕的不是不懂算法而是“不会用工具、不会看数据、不会组织知识”。我目前的日常工具箱大致是数据查询与建模SQL是绝对基础最好再掌握一份Python做数据分析和简单A/B检验文档与笔记本地优先用markdown记录所有分析与案例定期压缩归档实验平台至少理解一种主流实验平台或自研平台的分流原理知道实验的边界条件可视化BI能快速搭链路漏斗和核心指标看板让策略效果可视化阅读与认知保持对机器学习基础概念的理解至少知道LR、GBDT、深度模型这些模型在排序中扮演的角色。我说过自己最开始把学习资料压缩成zip文件一度以为“收藏了就等于学会了”后来才发现资源只有被解压、被重读、被重组才能真正变成自己的东西。这份《搜广推策略产品经理》的读书笔记我用了最笨也最有效的方式来消化画出链路图拆出策略点跑通评估指标然后再放回真实的业务场景里反复验证。如果你也拿到了类似的资料包别急着压进硬盘深处。试着打开它先把大框架画出来再挑一个眼前最头痛的业务问题对照着读应该会有不一样的收获。本文还有配套的精品资源点击获取
搜广推策略产品经理：搜索广告推荐链路、实验与实战方法
简介围绕《搜广推策略产品经理》整理的一套结构化读书笔记适合搜索广告与推荐系统领域的产品经理、市场营销人员、数据分析师以及计划转入策略产品方向的学习者。笔记将原书中策略产品经理的岗位定位、市场研究、竞品分析、需求收集、策略设计、数据监控与效果评估等关键内容拆解为分节摘要并保留了对数据分析能力、跨团队协作、合规创新等主题的要点提炼便于读者按需查阅。资源共12个文件以Markdown笔记为主附带一个HTML阅读页及Git相关配置文件整体约40KB轻量便于同步与归档docs目录结构清晰适合结合原书章节进行对照学习。目前已有641人学习下载适合通勤、碎片时间复习也可作为日常工作的案头参考。 拿到《搜广推策略产品经理》的电子版书稿时我顺手把PDF和一堆零散标注压缩成了一个search-ads-rec-policy-pm-notes.zip存在本地当备份。结果这份zip文件一直躺了半个月直到一个深夜重新解压、逐章重读我才意识到自己犯了一个典型错误把“搜索、广告、推荐”当成了三座孤岛而这本书真正想讲的是一套可以互通的策略产品方法论。这份读书笔记就是我重新梳理三个方向之后沉淀下来的东西。如果你正处在“知道搜索、广告、推荐大概是什么但说不清策略产品经理到底做什么”的阶段或者已经入行但感觉每天被数据和实验牵着走、缺少系统框架这篇文章应该能帮你建立一张自己的作战地图。我会先讲清楚三个方向为什么能放在一本书里讲再逐个拆解搜索、广告、推荐各自的链路与策略切入点最后落到策略产品经理绕不开的实验、数据与分析方法上并附上我整理笔记时用的具体方法和工具路径。1. 一份学习笔记包带来的三个问题——先聊聊我为什么写这份笔记我把这份笔记压缩成zip文件本意只是图省事一个文件好归档、好传阅等到真正要读的时候再解压。但这恰恰暴露了我在整理知识时的坏习惯——只做了收藏没做消化。1.1 搜广推到底是不是三个岗位书里开篇就把这个问题点破了搜索、广告、推荐在业务形态上是三个岗位但在底层能力上是同一类人。搜索是用户带着明确意图来产品要帮他在海量内容里找到最匹配的那一个推荐是用户没有明确意图产品要通过行为信号预判他可能喜欢什么广告则是把商业意图叠加在搜索或推荐场景里在用户的自然需求中插入一条恰当时机的商业供给。三者的共同点在于都有一套“候选集 打分排序”的引擎都需要策略产品经理去定义“什么是好结果”再通过数据和实验持续逼近这个定义。我当初把这本书记成三个独立部分去读方向就偏了。1.2 策略产品经理凭什么被称为“策略”很多刚接触这个方向的同学会问策略产品经理和普通产品经理的区别到底在哪我的理解是普通产品经理通常在定功能、定流程、定交互核心产出是“需求文档 上线功能”策略产品经理则在定规则、定目标、定反馈闭环核心产出是“策略逻辑 实验验证 持续迭代”。书里反复强调一个观点策略产品经理不直接写模型但要清楚模型输入什么、输出什么、业务指标如何随阈值变化。这也是我在笔记里给自己立的第一条规矩——所有概念必须能画成链路图所有指标必须能写清计算公式。1.3 读书笔记的组织方式先解压再重装我在zip里塞过很多版本的学习资料真正有用的只有这一次先通读全书画出整体框架再把每个方向拆成“链路、指标、策略点、工具”四列来记最后按自己的项目场景重新组装。这篇文章延续了同样的思路。我不会按书里的章节顺序复述而是按“底层逻辑 → 搜索 → 广告 → 推荐 → 能力工具 → 学习路径”的顺序重新组织因为这是我自己踩完坑之后觉得最顺的理解路径。2. 从“三件套”到“一个系统”搜索、广告、推荐的底层运转逻辑先把最容易误导人的部分讲清楚搜索、广告、推荐不是三条平行的线而是一套系统的三种工况。2.1 统一的漏斗曝光 → 点击 → 消费无论哪个方向用户与系统交互的链路都逃不开一个基本漏斗候选内容从海量集合里被筛选出来召回按相关性或商业价值打上分数排序最终只展示有限的结果曝光用户点击后产生消费行为点击与转化。策略产品经理最重要的第一课就是能在任何一个具体业务里画出这条漏斗并标出每一步的转化率。书里有一个很形象的类比搜索是“用户点菜”推荐是“服务员猜你想吃什么”广告是“菜单上的推荐位给愿意多付钱的商家”。每句话单看都有道理但结合起来看它们的本质都是在“资源有限、注意力有限”的前提下让最合适的内容出现在最合适的用户面前。2.2 三者的差异信号强度不同搜索优化的核心是相关性因为用户用关键词直接表达了自己想要什么推荐优化的核心是兴趣匹配因为用户没有直接说系统只能从历史行为推断广告优化的核心是在相关性与商业收益之间求平衡因为每一次曝光都对应一个竞价价格。书里给出的判断方法我觉得特别实用先看用户在场景里的“意图信号”是强是弱再决定策略优先级。搜“iphone 15 价格”的搜索用户意图比在信息流里划到一条数码测评的用户强得多前者看相关性后者看兴趣模型。2.3 为什么这三个方向必须放一起学一句话回答因为现代互联网产品几乎都是混合形态。搜索页里有广告推荐流里有插入广告电商平台同时存在显式搜索框和隐式推荐流。如果只懂其中一个方向讨论跨场景目标时就会失语。比如电商大促期间搜索流量和推荐流量如何分配这不是搜索团队或推荐团队独立能回答的问题必须有人站在“全局流量系统”的视角去做取舍这种视角正是搜广推策略产品经理的核心竞争力。3. 搜索策略不只是“结果排序”那么简单搜索是最容易入门、也最容易做浅的方向因为用户意图明确指标好坏很容易感知。但真正做深之后搜索策略的复杂度远超想象。3.1 搜索链路的核心环节与策略切入点搜索的完整链路是查询理解 → 召回 → 相关性判定 → 排序 → 结果展示。这条链路上每个环节都有独立的策略空间查询理解要做分词、拼写纠错、同义词扩展、意图识别决定“用户到底想问什么”召回阶段决定“候选集从哪里来”常见策略有倒排索引召回、向量召回、品牌召回、类目召回相关性判定给每个召回结果打相关性分筛掉“词匹配但意不匹配”的噪声排序阶段综合相关性、时效性、个性化、商业价值等因素给出最终顺序结果展示环节通过摘要、富媒体、聚合卡片等形式提升用户的消费效率。我在笔记里给自己画的一张核心图是搜索策略不是只调排序公式而是要对整条链路的漏斗负责。3.2 搜索产品经理最常踩的性能与体验坑搜广推的实战中策略效果经常不是被算法打败而是被细节打败。书里举过一个让我印象深刻的例子搜索结果第一屏的质量分高但第二屏之后相关度断崖式下跌原因是排序公式只优化了Top K位置没有约束整体列表的相关度下限。这种问题在真实业务里非常普遍。策略产品经理在设计实验时不能只看一个均值指标一定要同时关注分布指标、长尾指标、老用户与新用户体验等否则很容易出现“平均分上去了口碑下来了”的诡异现象。3.3 搜索侧效果评估指标怎么选核心指标通常分四层相关性层如NDCG、MRR体验层如点击率、首屏耗时、无结果率用户价值层如搜索转化率、搜索成交占比商业层如广告收入增量与自然结果的挤压关系。搜索侧尤其要关注“无结果率”和“低质结果率”。我之前在做一个小型垂直搜索业务时只盯着整体点击率提升忽略了无结果率结果整体点击率靠热词拉动上去了但用户搜冷门词时反复看到空页面留存反而往下掉。这个教训让我学会了一句话搜索体验不是均值游戏是长尾游戏。4. 广告策略eCPM之外产品经理要盯住什么广告是三个方向里商业模式最成熟、也最讲求“系统效率”的领域。很多新人一上来就学eCPM公式但书里真正有价值的部分是教你怎么理解广告系统和自然内容的共生关系。4.1 广告系统的竞价机制与角色分工广告系统里至少有四个角色媒体方流量主、广告主、广告平台、用户。策略产品经理通常站在媒体方或平台方视角核心任务是在用户价值、商业收入、广告主效果之间做均衡。计价方式从CPM、CPC到CPA、oCPX本质是风险在媒体和广告主之间的转移。书里讲oCPX时用了一个很朴素的逻辑广告主说“我只对成交付费”平台说“那我可以帮你优化但需要你把转化数据回传给我”于是系统从“卖曝光”变成“卖转化”整个拍卖逻辑都跟着变。4.2 从曝光到转化的漏斗里哪个环节最值得优化广告策略的核心不是让单次点击更贵而是让整个漏斗更流畅。一个典型的广告漏斗是请求 → 召回 → 粗排 → 精排 → 竞价 → 曝光 → 点击 → 转化。策略产品经理要能判断当前业务的瓶颈在哪一环。如果曝光量大但点击率低问题更多在创意和相关性如果点击率高但转化率低问题更多在承接页和出价模型如果转化率正常但量起不来问题可能出在预算消耗速度或定向范围上。书里给了一个我可实际操作的方法把漏斗每一步的转化率都列出来与行业基准比找出偏离最大的环节优先做这一环的实验而不是平均用力。4.3 广告侧实验要注意的宏观性与挤压效应广告实验比搜索和推荐更难做干净因为存在明显的“挤压效应”广告位增多会挤压自然结果自然结果变好又会吸引广告主提价。做广告策略评估必须同时设“全局对照组”观察生态指标而不是单看广告本身的效果数据。书里对这个问题讲得比较深入我自己的体会是如果你所在业务是混合形态比如既有广告位又有自然内容任何广告策略实验都应该配套监控两个额外指标——自然内容消费时长变化、用户主动反馈变化如负反馈率、反馈内容这些能提前告诉你在拿短期收入换长期体验时是否已经透支。5. 推荐策略让“猜你喜欢”从玄学变成工程推荐是搜广推里最依赖数据规模的方向也是很多同学最容易产生“玄学感”的方向——因为推荐模型像一个黑盒策略产品经理经常只看到“调参改特征”这三个字说不清自己到底在调什么。5.1 推荐系统的三件套召回、粗排、精排推荐系统的主链路和搜索很像但有一个关键差别推荐的候选集更大且没有明确的相关性约束。主流架构中召回层负责从百万到千万级的物品库中拉到千级别候选粗排层用轻量模型快速筛掉明显低质的候选精排层用复杂模型对候选做精准打分。策略产品经理要理解召回决定“上限”精排决定“精度”。如果召回做得差精排模型再好也无济于事。书里还重点讲了多路召回的思想热门召回、协同过滤召回、向量召回、类目召回、作者/店铺召回等各路都拿出候选再合并去重避免单一召回策略的盲区。5.2 推荐冷了台怎么办冷启动的三个层次冷启动是推荐方向最经典的问题。书里把冷启动拆成三个层次新用户冷启动、新物品冷启动、新场景冷启动。新用户没有行为只能靠人口属性、设备信息、注册偏好来给初始兴趣新物品没有交互数据只能靠内容特征、相似物品映射、探索流量来积累信号新场景比如新上线一个频道连物品分布都不清楚需要先定义“种子池”再逐步放开。推荐策略产品经理做的很多事本质上是“设计探索机制”如何在有限流量里给新物品足够的试错机会同时不拖垮整体体验。常用的做法是分配一小部分流量给探索池并设置探索衰减策略物品一旦积累到足够行为就转入常规精排体系。5.3 推荐指标的分层看见结果也看见过程推荐指标如果只看线上点击率、转化率很多问题会到很晚才暴露。书里建议把指标分成“过程指标”和“结果指标”两层。过程指标包括推荐覆盖度、结果多样性、冷启动物品曝光占比、用户负反馈占比结果指标包括点击率、消费时长、转化率、留存。过程指标能提前预警系统性风险结果指标用来判断最终收益。我自己的习惯是每次推荐实验上线除了看核心结果指标固定盯一个“多样性偏移”指标比如结果列表中同品类内容的连续出现率避免算法为了迎合点击率把内容做成“信息茧房”。6. 策略产品经理的核心武器实验、数据与分析框架如果说链路、指标、策略点是搜广推的“地图”那实验、数据、分析框架就是策略产品经理手里真正用来打仗的武器。书里这部分内容占了相当篇幅也是我认为最值得反复读的部分。6.1 AB实验不是切流量那么简单AB实验的系统性细节非常多分流要保证用户维度的稳定性防止同一个用户在不同组之间跳跃实验要设定最小样本量提前算出需要多少流量能达到统计显著指标要看置信区间不能只看点估计。书里专门强调了“实验的辛普森悖论”这在我实际工作中也遇到过整体上实验组指标比对照组好但拆到每个细分人群里实验组却全部更差。原因是两个组的流量分布不一致比如实验组分到了更多高活跃用户。遇到这种情况一定要先检查分流的同质性再看分层结论。6.2 数据建设策略产品经理必须能自己取到数我一直主张策略产品经理至少要能独立完成“指标口径定义 → SQL查询 → 报表搭建”这条链路否则策略讨论会变成空谈。书里给了一个实用建议最先搭的报表不是策略效果报表而是“链路漏斗报表”把每个环节的转化率、耗时、覆盖人数都可视化让团队所有人都能一眼看到系统现在的问题出在哪。我照着这个思路搭过一次效果立竿见影很多原来靠拍脑袋决定的策略在漏斗数据面前瞬间有了优先级。6.3 分析框架从“数据波动”到“行动指令”很多策略产品经理拿到数据只会说“涨了”或“跌了”书里把它归纳为缺少“分析闭环”。一个相对完整的分析框架是指标波动 → 维度拆解 → 原因定位 → 假设提出 → 实验验证 → 策略固化。举个例子推荐点击率下跌先按端、渠道、人群、位置拆维度定位是“Feed流第3位点击率下跌”还是“全部位下跌”再结合时间点事件比如版本上线、运营活动、外部热点做交叉分析针对定位到的原因提出修复假设用一个小实验去验证验证通过后再考虑全量。这个框架看起来基础但真正做到位的团队并不多。大部分情况是数据一波动就开始焦虑然后盲目堆策略最后连哪个策略带来了收益都说不清。7. 从笔记到方法论我的搜广推学习路线与建议最后这部分是我整理笔记和实际应用后的个人总结虽然书里没有专门一章这样写但对我来说这比书里任何一个单独章节都更能指导行动。7.1 三个方向的学习顺序建议我的建议是先学搜索再学推荐最后学广告。原因是搜索的意图信号最明确链路最容易理解可以帮你把“召回-排序-评估”这个骨架建立起来推荐在骨架上增加了“兴趣推断”和“探索机制”让你理解系统如何在不确定性里工作广告在骨架之上叠加“商业竞价”和“多角色博弈”让你理解产品在真实商业环境中的复杂性。如果你是广告方向入行也没关系但要刻意补足搜索和推荐的公共链路知识否则很容易只看到竞价和收入看不到用户侧的体验底盘。7.2 建立自己的策略案例库书里的知识是别人的经验最好转化成自己的武器。我建议每个策略产品经理都建一个案例库每条案例包含四段业务背景什么场景、什么用户、什么目标、策略内容做了什么调整、为什么这么做、实验设计怎么分组、看什么指标、持续多久、复盘结论有效还是无效果、原因是什么、能否迁移到其他场景。这个案例库可以放在本地笔记软件里也可以直接存成一份markdown文件再压缩归档。我现在的习惯就是每季度整理一次按“搜索、推荐、广告”三个目录归档文件名用yyyy-mm-主题.zip这种格式既方便检索也方便和同行交流时直接打包分享。7.3 我的日常学习工具箱做策略产品经理最可怕的不是不懂算法而是“不会用工具、不会看数据、不会组织知识”。我目前的日常工具箱大致是数据查询与建模SQL是绝对基础最好再掌握一份Python做数据分析和简单A/B检验文档与笔记本地优先用markdown记录所有分析与案例定期压缩归档实验平台至少理解一种主流实验平台或自研平台的分流原理知道实验的边界条件可视化BI能快速搭链路漏斗和核心指标看板让策略效果可视化阅读与认知保持对机器学习基础概念的理解至少知道LR、GBDT、深度模型这些模型在排序中扮演的角色。我说过自己最开始把学习资料压缩成zip文件一度以为“收藏了就等于学会了”后来才发现资源只有被解压、被重读、被重组才能真正变成自己的东西。这份《搜广推策略产品经理》的读书笔记我用了最笨也最有效的方式来消化画出链路图拆出策略点跑通评估指标然后再放回真实的业务场景里反复验证。如果你也拿到了类似的资料包别急着压进硬盘深处。试着打开它先把大框架画出来再挑一个眼前最头痛的业务问题对照着读应该会有不一样的收获。本文还有配套的精品资源点击获取