惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Google DeepMind News
Google DeepMind News
爱范儿
爱范儿
J
Java Code Geeks
L
LangChain Blog
V
V2EX
大猫的无限游戏
大猫的无限游戏
S
SegmentFault 最新的问题
博客园 - Franky
Microsoft Azure Blog
Microsoft Azure Blog
Jina AI
Jina AI
Blog — PlanetScale
Blog — PlanetScale
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
The Cloudflare Blog
博客园 - 司徒正美
B
Blog
G
Google Developers Blog
Stack Overflow Blog
Stack Overflow Blog
罗磊的独立博客
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
Apple Machine Learning Research
Apple Machine Learning Research
Engineering at Meta
Engineering at Meta
MyScale Blog
MyScale Blog
有赞技术团队
有赞技术团队
Hugging Face - Blog
Hugging Face - Blog

人人都是产品经理

为什么你的产品找不到差异化?90%的失败都卡在第一步上(下) – 人人都是产品经理, 3年从30万到1300万用户、获2200万美元融资,这个AI教育产品用“抽卡”破解了获客难题 – 人人都是产品经理, 园区招商系统怎么做才能真正帮到去化?我加了这一个功能,推广链接转发400次阅读过万 – 人人都是产品经理, AI大事件:OpenAI发完网络安全模型又搞药物研发,小鹏汽车要抓”DeepSeek时刻” – 人人都是产品经理, 电商不是卖货,是一场更残酷的产品经理实战 – 人人都是产品经理, 没想到,活动营销又回来了! – 人人都是产品经理, 为何All-in海外KOC:一场关于AI时代窗口期的豪赌 – 人人都是产品经理, 重新理解企业的内部协作 – 人人都是产品经理, 苹果的 AI 战略到底是什么? – 人人都是产品经理, 医疗智能体·第2讲——合规护城河:等保、PIPL与HIPAA的架构实战 – 人人都是产品经理, 向量知识库五步法:从“答非所问”到“精准回复” – 人人都是产品经理, 鸿蒙PC三方库构建总指挥HPKBUILD(sha)库为例 – 人人都是产品经理, 何时该用LLM?AI产品经理的LLM设计指南 – 人人都是产品经理, 医疗信息领域的需求方、决策方、准入方以及关注点(二) – 人人都是产品经理, 即梦涨价:一场被误读的「傲慢」 – 人人都是产品经理, 面试AI PM必答题:Hermes和OpenClaw的区别,如何讲清楚业务价值 – 人人都是产品经理, AI的下一张船票:世界模型——AI产品经理必须理解的技术拐点 – 人人都是产品经理, 小红书做GEO,怎么让AI信你?记住这 3 个重要信息 – 人人都是产品经理, 5 家印度 AI 初创公司,看看印度 AI 再做什么 – 人人都是产品经理, AI项目跨团队协作:产品技术业务如何不打架 – 人人都是产品经理, Agentic Workflow(智能体工作流):让AI从”答案生成器”变成”数字员工” – 人人都是产品经理, lycium_plusplus 项目全景解读:OpenHarmony 三方库构建的“大管家” – 人人都是产品经理, 从爆单救火到前置履约:两套预采策略,把生鲜大促履约效率拉满 – 人人都是产品经理, 什么时候该补货?我用一轮数据做了一个决定 – 人人都是产品经理, 从“机械兜底”到“动态分流”:AI客服重复进线治理的4大底层逻辑 – 人人都是产品经理, 抖音拼效率,红书拼洞察 – 人人都是产品经理, 全民狂欢与退潮——为什么龙虾这波热潮冷却得如此之快? – 人人都是产品经理, Stripe押注!MPP重塑全球支付 – 人人都是产品经理, 小红书GEO:AI引用你的内容,不是因为你对,而是因为你看起来可信 – 人人都是产品经理, 前百度副总裁押注办公Agent,日韩付费爆发,Manus迎来强劲对手 – 人人都是产品经理,
费米估算在风控场景中的应用
熊老板日记 · 2022-08-22 · via 人人都是产品经理

在建设风控,需要用一些工具来帮助业务决策,这里常用的是用费米估算在风控场景中的应用。本文以北京胡同口一天能卖出多少煎饼为例,分析如何应用费米估算,以期帮助大家提升自我数据思维。

通常新业务在进入快速发展期,业务同学更关注的是用户拉新、业务增长等直接业务指标。

对于场景中的刷单用户数、订单数等健康度指标关注相对较少。

回过头来看的时候,发现平台已经被薅取了很多的营销资金,便开始着手去建立风控治理能力。

在什么时候开始建设风控,需要一些工具来帮助业务进行决策。

一、费米估算

百度上解释:费米估算指的是解决未知结果的估算问题,将复杂的问题拆解成小的、可知结果的部分。

直白一点,就是把复杂的大问题,拆分成一个个复杂的小问题。

同时将小问题的求解逻辑,转变为熟悉的业务因子和计算逻辑。

将已知的业务因子进行代入,即可计算出该问题的估算值。

说的很绕口,要入门的同学,可百度搜索:芝加哥有多少个钢琴调音师。

基本看一遍就知道咋用了。

二、北京胡同口一天能卖出多少煎饼

了解基本用法后,用一个习题来进行巩固:北京胡同口一天能卖出多少个煎饼?

解题思路:

从需求侧出发:

煎饼数量 = 购买人数 * 购买数量;

购买人数 = 胡同口覆盖人数 * 购买率

因胡同主要集中在北京中心区,胡同口覆盖人数 = 北京中心区可购买人数 * (胡同数量 / 道路数量)/ 胡同数量

可购买人数 = 北京中心区人数 * (1 – 婴幼儿比例)

按照21年高德统计数据,北京总人口为2188W,胡同数量1004条,道路数量14848条,北京中心区人口占比50%,婴幼儿占比20%;

通常一个人每周吃煎饼的次数,最多不会超过7次,最少不会超过1次,平均下来一周7天吃3次,购买率 = 3 / 7 = 43%

煎饼的季节性干扰很低,但时间段干扰较严重,通常集中在早饭,且一个为主。因此购买数量 = 1;

以上数据,可得出:

可购买人数 = 2188W * 50% *(1 – 20%)= 875W;

胡同口覆盖人数 = 875W * (1004 / 14848) / 1004 = 569;

购买人数 = 569 * 43% = 244个;

煎饼数量 = 244 * 1 = 244个;

从供给侧出发:

煎饼数量 = 摊主工作时长 / 每个煎饼耗时

煎饼的售卖集中在早上6:00 – 9:00,3个小时 = 10800秒;

每个煎饼的制作时间约为30秒;

以上数据,可得出:煎饼数量 = 10800秒 / 30秒 = 360个;

煎饼生意明显是个供大于需的生意,因此主要是需求侧来驱动,整体量级会接近需求侧量级。

三、业务场景中存在多少的刷单

到这里,我们可以借用费米估算,来估算交易场景中存在多少的刷单订单,以此来辅助业务进行决策。

解题思路:

从需求侧出发:

  • 刷单订单数 = 刷单用户数 * 户均刷单数
  • 刷单用户数 = 新客刷单数 + 老客刷单数
  • 新客刷单数 = 新客注册数 * (1 – 新客正常流失率)
  • 老客刷单数 = 老客活跃数 * (1 – 老客正常流失率)
  • 户均刷单数 = (总订单数 – 正常订单数)/ 完单用户数
  • 正常订单数 = 预估订单数 * (1 + 预估浮动比例)
  • 预估订单数 = 预估完单用户数 * 户均订单数

从供给侧出发:

  • 刷单订单数 = 总订单数 * 实际优惠补贴差值
  • 实际优惠补贴差值 = 实际优惠率 – 预估优惠率

这是一个需求侧驱动场景?还是供给侧驱动场景?

四、总结

这里,培养的是数据分析思路。

在实际业务场景中,经常会碰到很多问题:比如常见的“DAU下降问题”、“支付转化率下降问题”等。

其实每个答案都不是唯一,重要的是思考的逻辑和数据的推理。

即便有些事情看上去无法确定,但可以通过分析拆解,逐步逼近结果。面对不确定性,我们不应停滞不前,而是要懂得抓住身边有价值信息,快速决策。

最后,留个习题:中国有多少个出租车司机?

本文由 @话多的熊仔 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 Unsplash,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。