如何成为一个优秀的产品经理如何做好一个产品经理( 三 ) _如何做好一个产品经理

其次，定义哪类内容是优质的、平台希望推荐的，如通过实际查验生产数据，认定：点赞率（点赞量/阅读量）高的UGC ，是优质UGC；点赞率高的PGC ，是优质PGC；点赞率高的OGC ，是优质OGC 。最后，我们可以归纳出结论：所有点赞率高的内容，都是优质内容。

文章插图
【一个简单的内容推荐系统，来源《内容算法》】
完全归纳法的优点明显，前提为真的情况下，结论一定为真；缺点也很突出，即适用的范围较窄，只适合对象可穷尽的推理。相对而言，下一节讲到的不完全归纳法，适用的范围更广，也更为常见。
2. 不完全归纳法
不完全归纳法指对一类对象的部分进行考察，得出关于该类对象一般性结论的推理。不同于完全归纳法，不完全归纳法是种或然性（不确定性）推理，即前提为真，结论不一定真，前提只对结论提供一定的支持关系。
常见的不完全归纳法有：简单枚举法、类比推理法、排除归纳法和统计归纳法。
其中，简单枚举法主要通过枚举例子，找到例子间的共同点，推论出一般性结论。如张三看到程序员小龙喜欢穿格子衬衫，程序员小马喜欢穿格子衬衫，程序员小军喜欢穿格子衬衫，由此推论出程序员都喜欢穿格子衬衫。
张三使用的方法就是简单枚举法。简单枚举法简单直观，但可靠性不强，如上面张三的例子，结论就是一个典型的以偏概全的归纳谬误。如果要提高简单枚举法的可靠性，则需要尽可能地扩大被考察对象的数量、范围，以及对象之间的差异性。
统计归纳法则是字面意义上基于统计的归纳，是一种通过从总体重抽取样本，总结样本规律，进而推断出总体具有的一些性质的方法。产品工作中的用研、ABTest ，使用的就是统计归纳的方法。统计归纳本质上还是种或然性推理，但可靠性要高于简单枚举法。
如果可以从抽样规模、广度和随机性方面保证样本的代表性，就能够得出关于总体的相对可靠的结论。更详细的统计学知识，可扩展阅读统计学相关的教材，本文不做进一步展开。
下面，我们重点讨论下常被误用的类比推理法，和常被使用的排除归纳法。
（1）类比推理法
类比推理是从两个或两类对象的相同点出发，根据它们在一系列属性上的相似，提出它们在另一个或另一些属性也相似的推理，进而达到触类旁通和举一反三的效果。中国传统的阴阳五行、天人感应等，就建立在类比推理之上。
在某些材料中，类比推理被专门独立出来，作为与归纳、演绎同一层级的思维方法，但根据本文的定义，还是将其归类到不完全归纳的范畴。
类比推理法的逻辑表现形式为：

前提：S1具有属性：a、b、c、d；S2具有属性：a、b、c 。
结论：S2具有属性d 。

其中， S1和S2表示进行比较的两个（或两类）对象， a、b、c表示S1与S2之间相同或相似的属性， d表示类推得到的属性。
查理·芒格在《穷查理宝典》中提到：“一个人只要掌握80到90个思维模型，就能够解决90%的问题，而这些模型里面非常重要的只有几个。 ”其中，就隐含着类比推理的理念。
类比推理的应用较为普遍（如竞品分析），然而作为初级的推理形式（亚里士多德认为类比推理只是一种“修辞术”），它的可靠性程度依赖于很多因素，如类比对象之间相似属性的数量、相似属性的相关性、不相似属性的相关性、已知相似属性与推出属性之间的相关性等等，相似属性的数量越多，相关性越强，类比推理结论的可靠性程度也就越高。
相较于其他归纳方法，类比推理的优点突出。通过类比推理，举一反三触类旁通，我们可能获得一些创造性的灵感和启发，如基于人工神经网络研究的深度学习模型。
此外，使用类比推理，还可以反驳无效的推理论证，以其人之道还治其人之身，如在关于凯恩斯主义的讨论中，反对者提出， “从长期看，市场总是能够自救的” ，以此来反对凯恩斯主义积极的经济干预政策。凯恩斯则反驳说， “长远来看，我们都死了” 。
【凯恩斯《就业、利息和货币通论》】
这里想额外提及一点。现在的产品经理，在表达的过程中都过于热衷于做类比了，但实际上，很少有人能讲出让人信服，甚至合理的类比表达，更多的是不明所以、人菜瘾大的类比失当，不是将做产品比作谈恋爱、养孩子，就是做菜、盖楼，让人如芒在背、如鲠在喉。