聚类|产品思考：问题拆解中的问题( 二 ) 辞职|邓扬|董事|陈少杰|唯品会

文章插图
一个期望结果（目的）的陈述，包含：

文章插图
回到开头的两个问题：
1）颗粒度：方法中并未提到，仅有“higher purpose”这一描述表明尽可能抽象。jobs（需求）拆解的维度主要有两个，一个是功能维度，一个是情感维度。避免陷入非常抽象的需求定义，并为类似“让我更成功”的问题提出解决方案——需要定义用户正在以功能方式完成的jobs。
情感是非常有价值的，但是不能作为最主要的产品设计核心。例如你正在参加音乐会或者party，希望能够被朋友感知并被视为成功的，这是我们可以设计产品的。但如果说“设计一个产品，让某人感到成功”这句话缺乏情境，没有与之相关联的功能，这是我们需要避免的。
2）优先级：Likert Scale + MixDiff；Likert Scale 是基本常识；MixDiff定义可见https://www.questionpro.com/max-diff/；但文中并未指出基于哪些特征进行筛选。
二、统计学：k-means降维【聚类|产品思考：问题拆解中的问题】诸多统计模型中，判别模型（直接从特征X出发，推导X与Y的函数关系）对于数据处理的思路就值得借鉴。将诸多数据抽象为函数关系，与将现象抽象为本质问题的思路解法是有相通之处的。
在k-means聚类中，通过卡特尔碎石检验，观测不同聚类个数下组内平方总和的下降趋势，来选择聚类的个数。简单来说，就是抽象出的特征，多大程度上反映总体数据。如果继续抽象多的特征，对总体的表征没有显著提升的话，也没必要继续抽象了。
另一种选择特征个数的思路是基于众多评判指标的推荐选择（R—NBCluster包），是一种投票的思路逻辑。
1）颗粒度：聚类个数取决于累计方差贡献率的提升速率。是求斜率（求导）的逻辑思路。
2）优先级：提取的公因子基于对总体的累计方差贡献率，是相关的逻辑思路。
本文由 @斯金纳的咕原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Pixabay，基于 CC0 协议