6.1.2 如何定义策略理想态
前文中多次提及理想态估算的例子，本节旨在谈一谈两个策略产品经理经常提到的名词：理想态和天花板。
●理想态：指某项目在完美条件下所能达到的最佳状态，比如内容产品中的推荐模型的理想态是完美解决效率匹配问题，将所有潜在用户感兴趣的内容直接送达用户，即达到效率的全局最优解、推荐模型的“全知全能”。
●天花板：指从现状出发、在到达理想态的途中受制于客观因素所能达到的最好结果，客观因素比如公司规模、用户规模、短期无法改善的人力瓶颈、分类器算法无法解决的负例等。
对于任何项目，策略产品经理都应该先定义理想态，再在追求理想态的过程中计算项目所能达到的天花板。那应该如何科学估算天花板的值呢？
笔者总结的大多数项目的天花板的估算方法有八个字：人群分层，极限推演。下面介绍两个案例。
●某个有监督学习的分类器可以判断出内容的分类，对分类器而言，需要判断的内容文本越长则准确率越高，比如在50字以上的分类判断准确率为80%，10～50字的内容分类判断准确率为60%，1～10字的内容分类判断准确率为30%，如何估算天花板呢？方法是首先对人群进行分层，比如在50字以上的分类负例占比20%，通过实例评估认为50字以上的分类判断准确率可以逼近100%（即50字以上的样本分类判断准确率80%→100%，这个过程叫作极限推演）。然后，估算10～50字和1～10字的负例中哪些可以靠模型解决，哪些可以靠规则解决，哪些无论如何都难以解决。最后，通过极限推演后的结果计算出最终比例。
●某公司的产品是一个无须登录也可以使用的应用，公司的战略目标为提升整体用户规模的“自主登录率”（非强迫手段使得未登录用户成为登录用户的比例）。公司的高层设定的目标为在某个时间点之前需要达到周活用户中的自主登录率为90%，作为策略产品经理将如何解决这个问题并管理领导的预期？一种可行的做法是抛出计算天花板的公式，首先要对人群进行分层，再对每一层的用户进行极限推演。比如在这个案例中分析目标用户群体（周活用户）的在线时长分布，因为用户的使用时长大多数服从幂律分布，绝大多数的用户使用时长较短，而极少数的用户使用时长较长。用在线时长将用户“切”成几个数据桶，分析用户在每个桶中的自主登录率现状，应该可以发现使用时长越低的用户（忠诚度越低）往往自主登录意愿最低。此时，选取临界点进行极限推演，假定使用时长小于X分钟的用户的自主登录率等于0，使用时长大于X分钟的用户自主登录率等于100%，计算得到在此假设条件下自主登录率的天花板可能是75%。实际情况一定有所差异，使用时长小于X分钟的用户的转化率不可能是0但也不会比0高很多，同时使用时长大于X分钟的用户也绝对不可能达到100%。
以上两个例子的场景和数据是笔者虚构的，但这种天花板预估的方法是笔者工作中经常使用的，主要是借鉴了复旦大学第三版《数学分析》中的关于函数极限分析的思想。在实际工作中，天花板的预估很难做到精准，但它至少相对定量地告诉我们合理的预期是什么，有了合理的数据预期，策略产品经理才能走在正确的策略设计路线上。