二、坚持你的远见 但灵活的把握细节
作为领导者，在远见上只有依靠自己，至少在你自己负责的业务范围之内。你是老板，意味着整个公司；你是经理，意味着整个部门。为你卖命的兄弟姐妹们是依靠你来给他们提供远见。什么是远见？就是对最终状态的一种描述。是让你的团队在疯狂的飞行之后最终着陆的地方。是辛辛苦苦忙忙碌碌之后的新生活。它是北极星，它来指明方向。
举一个例子，当我一开始建立支付安全部门的时候，我们只有人工规则引擎。规则是人写的。一条人工规则是有少数变量的简单逻辑，比如“如果（注册在30天之内和支出大于100美元和是首次支付和用户来自印度尼西亚），那么（拒绝交易）”但这里有个问题-人写的东西容易出错。人很难有效的处理10个以上的变量。我们需要一个更有可扩张性（scalable）的解决方案。我们希望把很多事情自动化，让机器人做更多机器擅长的事情。因此我们建立了一个共识-将我们绝大部分的规则逐步替换为机器学习获得的判断模型。这一远见让我们组新加了一位机器学习领域的博士和另一位之前有过机器学习体系开发经验的工程师。赌注巨大，但是一个更好的未来需要下这个注。但你需要对细节灵活把握，永远都有条条大路通罗马。你需要给团队足够的空间来施展拳脚，只要他们在朝着正确的方向以合适的速度前进。
另一个故事：在classification算法上一度我对决策树的兴趣比回归要大。但玩算法的工程师告诉它们之间的差别可以忽略。我可以坚持己见（当时我是真心觉得决策树要更合适）但我信任他并让他放手去选合适的算法。同设计师（Facebook的整个研发有设计师，产品经理，工程师三类物种）合作的过程中也有趣事发生，他们对于字体，颜色，行距等等都很龟毛。我通常都会忍让，只要服务于产品的主要功能。我们精力有限，吵架要选择正确的战争，关乎全局的战争，而不是纠缠于某个局部战斗。
三、重视数据而不盲从数据
决定产品方向时，要的是想象力，激情和胆量，而不是数据。数据能让你的团队沿着正确的方向前进而不出轨，也有助于产品从“一开始是什么样”到“最后应该是什么样”的逐渐优化成型。但数据不能帮你决定方向。当我们在人工智能（机器学习）上压上我们团队所有的资源的时候，我们忐忑不安。但是我们坚信一点，现有的基于人工规则引擎的防欺诈系统会很快成为死胡同，因为它太死板而且不易规模化以处理大数据。所以，就像在电影指环王中Frodo明知通向Mordor的道路很黑很冷很危险，但那是一条他必须要选择去走的路；我们选择了在机器学习上压上所有的宝。
失败，整个团队会很难看；但我们决定走艰难但我们认为是正确的路。这种思路同样应用在如何设计用于用户报告（外部工具）和案例审查（内部工具）的工具来应对潜在的欺骗行为。我们最后决定的方向是“进行自动处理”和“建立反馈机制”。直接抛给人工来处理总是很容易被选的一条路，因为只要建立一个人多人傻的客户支持团队即可。Lame!我们希望通过自动处理来解决大部分的欺诈案例，而把精力则放在那些确实需要单独处理的特殊案例上，同时把从业务支持团队（即客户支持部门）的处理意见自动采集并集成到下一轮的机器学习中去。由此，我们的机器判断会越加精确和聪明且与时俱进。
但你不能忽视数据。没有数据的支撑而一味靠直觉走黑路，很容易走岔道，甚至大错特错。有一段时间我们认为爬行工具（通过分析关联的cookie,信用卡）可能可以找到很多欺诈的同伙。通过实验结果却发现，这种预期是否成立很大程度上取决于当前流行的欺诈行为的特点。比如，当失窃或贩卖信用卡的案例非常普遍的时候，关联分析是一种有效的方法。但如主要情况是帐户被黑或小宝们冒用妈妈的信用卡去网游消费时，关联分析就作用不大。直觉在现实前面碰了一脸的灰。不过幸运的是我们很快意识到这点且把这个项目叫停了，所以没有浪费太多的资源。
另外，顺带提一下A/B测试。A/B测试并不会告诉你去做什么产品，但它可以帮你确定实现产品时的哪个细微版本更能揪住用户大爷们的心。
相关资讯 [ 关键词： facebook ]
