最近一直在研究用户画像中的千人千面，结合自己以往的工作经验，总结一下让人困惑的问题。
1、产品经理在团队中工作职责怎样定位？
看完图后，我们会发现，产品经理最主要的角色是统筹管理，另一个在产品的细节上，也就是产品的交互原型稿与用户的推荐逻辑方案。
2、产品经理需不需要考虑算法？
答案是肯定的 → 需要
1）我们先来了解一下到底什么是算法？
算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。
关键词：指令、策略机制、输入、输出。
3、团队的协作流程
本从接受需求、设计功能，到研究算法、跟进实施的步骤
拆分成了两块：我带的调度产品组负责调度产品，而研究员团队负责调度算法。
1）、需求提出
与互联网产品一样，需求基本来源于运营，例如：
运营的同事认为，鲜花订单的派单形式要有新的产品和算法支撑。这里讲一下背景。我们的即时物流平台会有外卖、商超、快递、鲜花等一系列类型的订单，其中外卖订单是比较核心的，我们做的也比较久，因此很多产品模块包括调度的设计，都是适应外卖场景的。当时鲜花则是相对新的业务。
2）产品经理承接需求，并抽象
我们小组的同事小 C 接到了这个需求，于是跟运营的同事多次沟通讨论需求背景，以及跟相关的其他同事（比如销售、商务的同事，以及骑手）确认实际场景。最终，抽象出算法问题。
比如，以下就是经典的算法问题描述
在时效要求不高（以天为单位，而外卖是 1 小时内送达）、起点集聚终点分散（外卖的起点终点都是分散的）、每个骑手可携带鲜花订单数量为 n （外卖的上限 m < n）的前提下，应该如何基于外卖调度逻辑来设计鲜花调度逻辑。
换一个更好理解的案例：
产品需要根据用户添加“喜欢”的内容向用户推送用户喜欢的内容，就是一个“猜”的功能，那么这个猜出来的内容是怎么算出来的，这个算法。
3）算法研究院承接算法需求，解决问题。
算法工程师在接受算法需求的时候，同样也会找产品与运营了解相关参数的权重。例如用户画像中的浏览、搜索、收藏、下单等用户行为，其实权重是不一样的。
4）整合算法，做出完成的产品需求文档方案。
4、看看滴滴完成的案例：
1）背景 （运营提出需求、产品经理/算法工程师承接）
业务场景：一个订单被派给多个司机，司机根据自己的喜好选择接受或拒绝
目标：最大化一次派单成单率
关键问题：estimate the probability of each driver's acceptance of an order
算法方案：步骤1，估计每个司机的接单概率；步骤2，将各个司机接单率作为输入，最大化派单成功率
2）司机接单率模型（数据产品经理、算法工程师、数据分析师）
订单-司机关联特征：接驾里程、订单推送给多少个司机、订单是否与司机当前驾驶方向一致
订单特征：起点到终点的距离、ETA、终点类型（医院、机场、学校、商务区等）、规划路线的路况、目的地历史上的订单频率
司机特征：历史接单率、司机活跃地点、接驾里程偏好、最近接单率等
补充特征：特征日、特征小时、司机数、附近运单数
使用LR和GBDT模型，LR模型比GBDT略好一些，北京市的准确率为0.7822，AUC是0.8680；上海市的准确率是0.7632，AUC是0.8470。
约束表示，一个司机一个时刻最多只能派一单
目标是使这一批订单这一次派单的总体成单率最高。
使用启发式算法解上述问题。
初始解：对每个司机，派给他接单率最大的订单，然后计算每一单的成单率，得到平均成单率
迭代：对运单i，找到没有被派到i的司机集合U，对U的每个司机k，如果把i派给k，平均成单率提高，则改派
3）评估方案
指标：
成单率
平均接驾时长
平均派单时长
取消率
人均单量
