1. 业务模型与指标对齐的核心概念
1.1 用户场景与业务问题
某 AI 内容推荐平台，产品经理向业务方演示新版“兴趣探索”推荐模型。业务方问：“你们说模型召回率提升了 18%，但为什么日均用户推荐点击反而下降了 6%？”
PM 回答“因为召回率覆盖了更多长尾内容，用户可能需要更多时间浏览”，业务方追问：“那你原来承诺的‘点击率提升 15%’还算数吗？”
无法对等的沟通背后，本质是 业务模型定义 与 指标对齐 出现了断裂。
1.2 业务模型定义
业务模型是产品团队与业务方对“产品如何创造可度量的业务价值”的共同认知结构。一个完整的业务模型至少包含三个层次：
| 层次 | 说明 | AI 产品示例 |
|---|---|---|
| 输入层（行为驱动） | 用户 / 系统产生哪些关键行为 | 曝光、点击、浏览时长、购买 |
| 加工层（模型能力） | AI 模型如何转化输入并产生推荐 | 召回 → 排序 → 重排 → 推送 |
| 结果层（业务价值） | 对业务目标的可量化贡献 | GMV、留存率、用户次日活跃度 |
关键洞察：业务模型不是产品架构图，也不是模型训练流程图。它是所有人对齐“什么是价值”的契约。
1.3 指标对齐的目标
指标对齐的本质是让技术评价尺度与业务评价尺度在同一个坐标系下可换算。
- 方向一致：模型指标（如 AUC、NDCG、召回率）的改善方向，必须与业务指标（如转化率、使用时长、留存）改善方向同步。
- 阈值可解释：业务方可以说“点击率必须 ≥ 5% 才算达标”，技术方也能同等理解为“模型精确率需 ≥ 0.78；召回率需 ≥ 0.65”。
- 归因可追溯：当业务指标波动时，能快速定位是由模型变更、数据漂移还是运营策略导致。
1.4 对齐失败的常见后果
- 评估错位：技术验收通过（模型指标达标），业务验收拒绝（业务指标下跌）。
- 资源浪费：团队耗费大量精力优化边缘指标，而业务方关注的真实价值毫无提升。
- 信任破裂：一次对齐失败后，业务方对模型迭代的信任度持续下降，后续验收流程愈发冗长。
| 失败场景 | 典型表现 | 根本原因 |
|---|---|---|
| 指标口径冲突 | 业务用“点击用户占比”，技术用“点击次数 / 曝光次数” | 未在业务模型层面定义指标分母 |
| 维度不对齐 | 业务看大盘日报，技术只看分群 A/B 实验 | 无统一维度拆解框架 |
| 阈值无关联 | 模型离线召回率 85%，线上业务转化率反而下降 | 未做离线 → 在线的阈值映射验证 |
实践教训：某团队在产品验收前一周才发现，模型优化的 Recall@10 与业务追求的“用户首次付费转化率”存在反向关系。最终重构指标映射体系，产品推迟上线 3 周。
1.5 核心概念关系图谱
1.6 指标看板型思路引入
为支撑业务模型与指标的持续对齐，本课程在后续章节统一使用指标看板型结构。看板至少包含三个维度：
- 指标口径：分子 / 分母 / 统计周期 / 去重逻辑
- 维度拆解：时间（日/周/月）、用户群（新/老）、渠道、模型版本
- 看板结构：模型指标分区 vs 业务指标分区，并附带离线-在线对照关系
本章交付物模板（口头对齐）：在进入正式文档前，PM 可用一段结构化话术与业务方完成首轮对齐：“我们的业务模型是【输入层行为】→【加工层模型能力】→【结果层业务价值】。模型优化的核心方向是【A方向】，对应业务指标是【B值】，验收标准为【C值】。如果在【D场景】下出现偏离，我们使用【E机制】进行归因和回调。”