现实如何抽象?一个没有尽头的订单

2021年Q1入职新团队,4月份在一次团队产品评审会议上。各位产品伙伴对于订单的一个流程进行了激烈的讨论,大致问题是:

“关于退货库存返还和退款时机的讨论,线上订单流程很清晰,退货会等顾客寄回实物,收到实物入库之后,运营人员再触发退款流程进行退款。这样确保了真实世界不可逆的数字化。

然而线下门店是临场操作,顾客、商品、收银员,商品还回、交接查验、入库、退款,几个信息单元、行为点密集的发生在很短的时间点上。这个短暂的时间,还要面临事件的多变性,历史的设计逻辑是,收银员从系统上面点击了售后申请、然后返还增加库存、然后退款给客户。

如此一来,会出现有的客户在没有拿到退款之前,对于售后行为的返水,突然想了下,我不售后了。系统就出现了,取消售后。对于单据和库存的交互逻辑来说,已经完成了基于订单轴线的正向销售出库、逆向退货入库,如果要应对客户取消售后需要再次实现基于售后订单的出库,一个订单的数据结构就会如下图所示——一个没有尽头的订单:

ispiik.cn 没有尽头的订单

所以,对于线上订单的节点容易区分,是线性的信息流推进:客户发起售后意愿–>顾客寄回实物–>收货库存增加–>退还相应金额

对于即时交易的线下订单难以处理,因为是逻辑上有依赖关系的信息并发处理,打乱时序就造成混乱。这种情况:客户发起售后意愿–>收银员接受信息–>顾客归还实物–>收银员退还相应金额–>库存增加

线下的当面交易,把客户接收退款作为流程的不可逆节点,最后执行库存数据的返还。

iSpiik快记048:数学微积分解决产品问题,问题降粒度|方法扩大粒度

看到阿里旺旺的反垃圾系统产品案例,前期是关键词+手工处理,直到2011年才上线真正的反垃圾系统,分为3个溢出池:

最底一级的——【离线系统】天为单位的对历史数据智能学习、抓取、比对识别,处理掉这个时间维度的异常并向未来世界提供宝贵的特征库,解决大部分准确性和覆盖率

中间级的——【准实时系统】小时为单位对天累积数据进行上面动作,站在正在发生的维度,提供在线系统的参考值,面向未来时间实现可能的支撑

表层级的——【在线系统】实时的对消息进行基于底层系统的特征值比对识别

这个产品设计的拆分,处理主体:id、动作和消息,然后需要比对特征库,一个问题拆分城3个问题解决,将准确性、覆盖率、及时性综合实现。

思路非常巧妙,试想如果不进行拆分,那意味着随时对历史数据累积跑批,然后处理特征值,实时消息即时比对,资源估计被吃的够呛。

这可是类似于微积分的模式了,而一分三,则像是对一条曲线覆盖面积求解时候,采用直方的模式进行划分计算,不用大量的积分动作、同时划分清晰、数量可观,在满足需求的精度范围就可以收工。其实上面那个反垃圾系统最小可控时间单位是小时。

iSpiik快记045:抽象世界 vs现实世界信息差

产品是建立真实世界的虚拟世界映射,能够将现实的东西数字化的呈现,无疑是消除了巨大的信息 不对称。

之前关于线上消费时候有个切身感受:
少年时期生活的环境,没有今天很多的mall也没有很多专卖店连锁店,那时候的体会就是买卖要看买家和卖家的沟通水平,能砍价的能忽悠的能周旋的,这些才是影响买卖质量的因素(价格拿的好不好、货拿的好不好),你不晓得自己是不是比别人买的贵买的差。

但是线上购物很大程度我可以不用砍价,特别是垂直类的B2C,不担心货品,同样的以前的线下购物需要将眼前商品和自己的知识库比对,线上购物则是眼前商品和所有同类商品比对,参照的信息坐标更全面了。

拥有了更广阔的信息,更优质的体验,这就是我个人购物选大店,垂直类B2C消费倾向的原因,极大降低了决策成本。
——————
回到人们对于世界的理解,我们对抽象出来的东西感到内心确定性的满足,但本质上抽象也意味着信息丢失,就像《三体》地球往事中所说,质子从低维向高维还原的过程中存在的信息丢失一样。我们面对抽象的信息同时意味着信息缺失造成的不对称,比如:我说5分钟后见面,这是个极具抽象的概念,背后有大量的经验经历知识作为基础,距离是多少?交通工具是什么?平均速度?加速度?阻力?干扰因素?

你对背后的信息一无所知,这就是不对称,更何况当你面对一个对背后信息一无所知达成的既定状态结果 根据结果去推断未来行为的时候。内心又会充满不确定感。

复杂的心里路程!落到产品设计中,好了,对于这个标的,给与feature和rule回应吧。