Liam's Notes

在科学中，尤其是在物理和工程教育中，费米问题或费米估算是一个用来做量纲分析，估算和清晰地验证一个假设的估算问题。

费米以他通过非常少量或不精确的数据来得到比较好的估计的能力被广泛熟知，一个例子就是他在主要领导的曼哈顿计划中估算核爆炸的「当量数」。

1945 年 7 月 16 日晚上，原子弹在内华达州的沙漠引爆成功时，费米在原子弹试爆现场附近，突然跃起向空中撒了一把碎纸片，爆炸后气浪将纸片急速地卷走，他紧追纸片跑了几步，并根据纸片飞出的距离估算了核爆炸的「当量」，费米当场推算出的爆炸威力相当于一万吨 TNT 炸药，非常接近现在大众所接受的二万吨的数值，之间的误差少于十倍，即不到一个数量级。

一个经典的费米问题的例子是费米提出的「在芝加哥有多少钢琴调琴师」，一个典型的答案或包括一系列估算数据的乘法。如果估计正确，它将得到一个正确的答案。比如说，我们会采用以下的假设：

1. 大约有 9,000,000 人生活在芝加哥。
2. 在芝加哥平均每个家庭有 2 个人。
3. 大约在 20 个家庭中有 1 个家庭有定期地需要调钢琴。
4. 定期调琴的钢琴每年需要调整一次。
5. 每个调琴师大约需要 2 小时调琴，包括路上时间。
6. 每个调琴师每天工作 8 小时，一周 5 天，一年 50 周。

要读懂私域流量，首先要了解流量池的概念，流量池是流量的蓄积的容器，主要是为了防止有效流量流走而设置的数据库，比如：淘宝、百度、微博等。只要有足够的预算，可以持续不断的获客（获取新用户的渠道），被称为流量池。

而私域流量指的是品牌或个人自主拥有的、无需付费的、可反复利用的、能随时触达用户的流量。它并不是一个新生事物，只是与我们曾经接触的流量相比，更加便于商户或个人使用的流量。

比如：之前社交媒体还没普及的时候，私域流量就是客户的联系方式（手机号、邮箱、住址等），想要联系他们时，可以打电话、发短信、发邮件、甚至往他们家寄样品体验。当时这些客户信息甚至都是公司的商业机密。

随着时代的进步，如今的私域流量是一个完全属于「你」自己的私人地盘，大到年入上亿的商家，小到个人经营者。这些流量存在于公众号、微信好友、微博、社群、朋友圈、头条号、抖音等社交媒体里，它是一切你可以随时掌控的私人流量池（既私域流量），这个流量池里聚集的是你的粉丝、客户和潜在客户。

而产品则是承载用户流量的工具，即使用户分布在不同的产品里，但只要是在个人账号的，就是你的私域流量。顾名思义，私域流量就是属于自己的流量，相对公域流量而言，主要指个人或品牌自主拥有的自由流量，它需要通过沉淀和积累来获取的更精准、转化率更高的垂直领域流量。

在西方的电影里有很多见神父的场景，就是一个人走进忏悔室，述说着自己的罪行，祈求神父的宽恕。

在现实中，我接触了一些心理医生，也为其他人做过心理上的疏导。

在交流过程中，最大的障碍就是用户不坦诚。

在一定程度上，来访者不说实话是很正常的。

这里讲的「不说实话」很少是故意撒谎、歪曲事实、说假话，更有可能是像题主说的「因为羞耻」、「害怕被谴责」等原因而隐瞒咨询中需要去谈论的重要议题，或者在讨论问题的时候弱化或者夸张问题的程度，也有可能是怕和咨询师伤感情、不好意思等原因对真实咨询进展撒谎。

今日头条的走红带动了「个性化推荐」的概念，自此之后，内容型的产品，个性化算法就逐渐从卖点变为标配。

伴随着「机器学习」，「大数据」之类的热词和概念，产品的档次瞬间提高了很多。而各种推荐算法绝不仅仅是研发自己的任务，作为产品经理，必须深入到算法内部，参与算法的设计，以及结合内容对算法不断「调教」，才能让产品的推荐算法不断完善，最终与自己的内容双剑合璧。

本文以新闻产品为例，结合了我之前产品从零积累用户的经验，整理了作为 PM 需要了解的基本算法知识和实操。

个性化推荐不是产品首次发布时就能带的，无论是基于用户行为的个性化，还是基于内容相似度的个性化，都建立在大量的用户数和内容的基础上。产品发布之初，一般两边的数据都有残缺，因此个性化推荐也无法开展。

所以在产品发展的初期，推荐内容一般采用更加聚合的「热度算法」，顾名思义就是把热点的内容优先推荐给用户。虽然无法做到基于兴趣和习惯为每一个用户做到精准化的推荐，但能覆盖到大部分的内容需求，而且启动成本比个性化推荐算法低太多。

随着移动互联网的普及，我们获取知识的途径也越来越多，但是也因为这样，围绕在我们的信息也爆炸式的增长，使得我们需要对过载的信息中找到自己感兴趣的并且有用的知识却成了另一个难题。

在这种内容过剩和碎片化的情况下，人们对内容知识效率的需求急速提升。也就是说，在知识焦虑的状态下，人们会选择使用效率最高的方法去获取知识，也说明通过这种途径获取的知识是相对优质的。于是造就了当下热门的知识付费行业，让知识内容的质量更加丰富、精细和专业，大大满足了人们对知识的高效、优质追求。

然而知识付费的兴起，却没有想象中那么让人满意。为什么？以下是我对出现这种现象的看法：

• 碎片化的知识吸收场景。
• 网络信息量的负载让我们产生了选择压力。
• 信息同质化严重，且质量参差不齐。
• 对一门学科的学习没有一个完整的学习规划，即使学习了，知识点也十分零散，无法系统地转化为自身的知识。
• 即使是当下的知识付费课程，对知识的演说因需要顾及大部分受众，导致知识的讲解程度深度不足。
• ……

在互联网里我们从来不缺信息、资源，而我们之所以没有高效利用这些资源，是因为缺少自己的方法论。

牛顿冷却定律（Newton’s law of cooling)：温度高于周围环境的物体向周围媒质传递热量逐渐冷却时所遵循的规律。当物体表面与周围存在温度差时，单位时间从单位面积散失的热量与温度差成正比，比例系数称为热传递系数。牛顿冷却定律是牛顿在 1701 年用实验确定的，在强制对流时与实际符合较好，在自然对流时只在温度差不太大时才成立。是传热学的基本定律之一，用于计算对流热量的多少。

首先说一点，评选热门文章或者热门评论这种事首先可以是人为的，因为有人付了钱那平台就一定愿意干，比如微博的热搜，表面上是按照浏览量来算的，其实如果你上一秒刚看到一条 10000 的热搜，下一秒刷新页面就变成了 9000 的一条热搜占据了原来的位置，我天，虽然大家都心照不宣，但是微博这骗人都已经这么明目张胆了，不信的小伙伴自己去试试吧。

不过今天说的热门文章的推荐方法不考虑人为因素，如果完全按照程序算法去选择文章该如何定义规则呢？

我们第一点想到的既然是热门文章，那就要有热度，看的人越多越热门，所以让前端哥哥埋个代码，统计一下标题的点击数量，按照点击量降序排列就可以了；

如果觉得不过瘾，还可以把文章的收藏量、评论量也加进去，甚至你能想到的看完率、页面停留时长等等。然后给每个你能想到影响因素加上权重；比如：

一直觉得复盘这个词的力量要比总结来的要更大一些。为什么小编会有这样的主观判断呢？我们一起通过本文的思维导图，看看项目复盘到底具有哪些逻辑上的根本优势吧！

项目复盘的思路，项目复盘的九步法，这里统统都有！

Goal（目标回顾）、Result（结果陈述）、Analysis（过程分析）、Insight（归类总结）。

回顾目标、评估结果、分析原因、总结规律。当然这 4 个具体做法有可能太笼统，并不够细致。放心，我们接下来就是基本上涵盖了各个环节具体的方法。

怎么给有视觉障碍的人设计自行车？这是挺有趣的一个题目。

很多人的第一个反应，怎么设计自行车的形状，或者怎么规划一下交通路线。

但是第一个要问的问题是为什么要给有视觉障碍的人设计自行车。

他是需要出行，还是体验，还是锻炼？

思考问题的角度一定要放大，不能局限于功能点。

清单能帮助我们记忆如何处理复杂的工作，帮助我们整理众多事情中的优先级，帮助我们不遗漏重要的工作环节，并且促使我们进行团队合作。

我们所掌握的知识的数量和复杂程度已经超过了个人正确、安全和稳定地发挥其功效的能力范围。知识的确拯救了我们，但也让我们不堪重负。我们需要开展一场伟大的变革来防止错误与失败，这一变革立足于已有的经验，既能充分利用我们所掌握的知识，又能弥补人类不可避免的缺陷和不足。

这一变革并非艰难之举，而且简单至极，特别是对那些花了多年时间来培养和磨炼高超技艺的专业人士来说，投身这一变革简直让人贻笑大方。这个变革就是：清单革命！

——《清单革命》

作为一名产品汪，日常的工作非常繁杂琐碎：处理需求、制定方案及逻辑、输出需求文档、协调各方资源、推动需求按时上线、产品培训及使用说明、分析数据、调研用户、调研竞品、了解行业、洞察用户需求、项目管理、规划产品迭代节奏、跨端跨部门合作、对接业务方……

下面以项目为例，给出了一个项目从无到上线所要经历的流程：

如此众多类型的工作，对产品经理的能力要求也各不相同。在日常工作中，除了上述的工作内容之外，还会经常被各种琐碎的事情「打扰」，以至手头上的工作经常被临时搁置。

我们平常在形形色色的应用上都会被推荐各种内容，我现在每天听歌都是只听推荐音乐，举几个栗子，除了听歌的时候有推荐音乐，还有看视频有推荐视频，看新闻有推荐新闻，买东西有推荐商品，基本上推荐这种功能我们都已经习以为常了。

最近做了一个和内容有关的产品，开始关心各种推荐机制是怎么实现的，基本上我把主要的推荐方式列为了以下几种：

1. 基于热度的算法
2. 协同过滤算法
3. 基于内容的算法
4. 基于模型的算法

第一种方式比较容易理解，例如微博的热搜、音乐视频应用的排行榜、电商的各种排行等等，就是根据各种比较容易获取的数据来直接向用户推荐。

协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应（如评分）并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要。