中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

如何制定新用戶推薦策略是很多運營人都在思考的問題？本文作者從一個新的角度對這個問題進行了分析：用相親的方法來思考新用戶內容推薦策略。

新用戶，從字面理解，就是全新的用戶，于產品而言，猶如一片白紙。圍繞新用戶所做的一切，稱之為冷啟動。

在實際工作中，我深切感知到新用戶冷啟動與男女相親如出一轍，都是使盡渾身解數(shù)給對方（用戶）留下好印象，今天就跟我們的用戶來次相親，目標就是把他（她）留在身邊。

相親三步曲：

1. 認識對方（用戶）—知己知彼
2. 怎樣滿足對方（用戶）需求—投其所好
3. 用什么方式滿足對方（用戶）需求—用對方法

一、認識對方（用戶）—知己知彼

當我們得知要與人相親，前期需要用盡一切方法打聽對方信息，可能一無所獲，也可能有所收獲，如面貌長相、學歷、工作、家庭情況等。

運營新用戶也是如此，前期需要動用一切手段去認識了解用戶。實踐證明，認識他們真不容易呀。

1. 完全不認識，獲取不到用戶信息

產品之于用戶認知為0，系統(tǒng)推薦沒有任何信息可參考，此時就需要做好萬足準備，小心翼翼的試探，避免觸及雷區(qū)?；蜻\用通用方法論，投放所有人可能都喜愛的內容。

2. 粗粒度認識，獲取用戶部分信息

（1）利用技術手段獲取

1. 利用GPS與IP獲取用戶定位信息，知曉用戶地理位置；
2. 獲取用戶手機安裝APP list信息，猜測興趣傾向。

優(yōu)勢：可信度高，可利用程度高。

劣勢：需要人工梳理整合，操作成本高，如對APP list的人群、興趣映射標準定義。

（2）利用產品卡片，主動收集

1）設置興趣開屏（年齡+性別+興趣品類）卡片，收集用戶主動選擇的信息。

優(yōu)勢：用戶主動選擇，可利用程度高

劣勢：用戶主動選擇比例低，覆蓋用戶面低；用戶選擇可信度有待評估；

（3）利用渠道來源猜測獲取

用戶來源渠道：根據(jù)不同預裝機型用戶粗粒度畫像，對拉新用戶人工建模。如小米的用戶偏下沉、中老年，oppo用戶偏年輕女性，華為用戶偏中高端等。

用戶增長：根據(jù)不同投放素材，人工定義拉新用戶模糊畫像。如投放“廣場舞”素材，拉新用戶可能更偏中老年女性；投放“相聲”素材，拉新用戶可能更偏中老年男性。

優(yōu)勢：對于用戶群認知清晰，實操性強。

劣勢：一旦用戶認知出現(xiàn)偏差，可能出現(xiàn)不可逆后果。

3. 系統(tǒng)獲取用戶行為信息

當用戶進入產品，有了相應行為反饋，系統(tǒng)機器就可快速捕捉利用這些信息，如點擊行為、訂閱行為、搜素行為、評論行為、轉發(fā)行為、收藏行為等。

優(yōu)勢：用戶行為真實反饋，直接反應用戶心理，可利用程度高。

劣勢：是把雙刃劍，若應用不當，可能適得其反。

二、怎樣滿足對方（用戶）需求—投其所好

當我們了解對方（用戶）之后，就該想想怎樣投其所好，送什么禮物能讓她開心。那么對于新用戶來說，就需要根據(jù)產品自身定位于調性，提供能讓用戶獲得愉悅感的東西，這種東西可統(tǒng)稱為內容。

1. 不同的產品形態(tài)，內容的供給展示形態(tài)也會不同

（1）信息流資訊類產品

單圖、三圖圖文+大圖、單圖視頻（短視頻+小視頻）是主流內容形態(tài)，也是用戶消費的主流內容，可能對于不同的用戶，對于兩種內容形態(tài)偏好有所不同，比如下沉用戶對短視頻消費需求更高。

代表性產品：今日頭條、騰訊新聞、一點資訊等。

（2）社區(qū)類產品

短內容是主流內容內容形態(tài)，囊括圖文與視頻，輔以評論補充，滿足用戶對內容的消費需求。

代表性產品：最右、皮皮蝦、小紅書等。

2. 不同產品形態(tài)下，進行內容整合

（1）利用主題、話題等產品形式，對優(yōu)質內容進行整合包裝，最大化用戶一次點擊價值。

代表性產品：最右、即刻等

（2）利用不同維度榜單聚合優(yōu)質內容，提升優(yōu)質內容曝光與新用戶留存。

代表性產品：嗶哩嗶哩等

三、用什么方式滿足對方（用戶）需求—用對方法

當我們搜集到符合他（用戶）興趣需求的禮物（內容），那么我們需要通過怎樣的方式將其送到對方（用戶）面前，這是值得深究的問題。

在日常工作實踐中，“內容池”這種方式被廣泛應用，它是鏈接用戶與內容的隱形介質，它就像是一座橋，讓合適的內容與合適的用戶見面。針對不同場景的新用戶冷啟動，內容池實際策略運用有所不同。

1. 針對完全不認識的新用戶

思考點：系統(tǒng)機器沒有任何信息可用，那么著重點應該放在內容本身。

什么樣的內容大家都愛看？

廣義上看，就是通常所說頭部內容，普適性內容，如社會熱點、娛樂八卦、搞笑幽默、休閑消遣、歷史文化、情感正能量等等。

細粒度來看，可能更偏通俗、優(yōu)質精品，如從標題、封面圖、內容調性、豐富性、完整性、可讀性等維度進行區(qū)分，摒棄標題黨、涉性低俗低質內容，擁抱好標題、內容豐富、可讀性強的優(yōu)質內容。

再往深層次思考，內容消費也是滿足人性底層需求的過程，只有透過現(xiàn)象看本質，抓住人性底層需求，才能真正滿足需求?。

我們來看兩個例子：

由此我們再進行重復推演，可將人性底層需求大致分為七種：

1. 逐利心理
2. 兩性心理
3. 懶惰
4. 虛榮心
5. 共情需要
6. 社交貨幣
7. 安全感

我們可根據(jù)人性的底層需求，結合內容本身質量標準，挖掘優(yōu)質內容，滿足用戶內容消費需求。（這一塊不詳寫，后續(xù)想再單獨寫寫這塊，歡迎大家一起交流）

實際應用案例一：百看不厭內容實驗

我們曾在冷啟動項目中做過一次嘗試，單純從通用精品內容切入，挖掘用戶百看不厭的內容。用內容池進行聚合，借助算法機器按照一定的策略規(guī)則推薦到用戶面前。

我們采用保底池的方式，新用戶前10刷生效，一刷出2-3條內容，圖文與視頻按照2:1的比例推薦（因為feed流圖文與視頻有固定坑位比），從數(shù)據(jù)效果看，人均點擊等過程指標較好，用戶會點擊這部分內容，但是次日留存等結果指標較差，究其原因可能有這么幾點：

1）實驗策略設計：沒有剔除其他干擾因素，用純凈的環(huán)境進行實驗測試

feed流中一刷推薦10條左右內容，實驗覆蓋只有2-3條，剩下6-7條被廣告、其他渠道召回內容占據(jù)，造成的后果就是，用戶點擊實驗內容池推薦內容，但其他渠道召回推薦內容低質，引起用戶反感，整體用戶體驗差?。

2）內容選材上：孤立看待數(shù)據(jù)與內容質量，且對內容消費深層需求研究不夠

內容挖掘整體思路與上方如出一轍，從人工經驗視角出發(fā)去挖掘優(yōu)質內容，從實操過程來看，大家在找內容很容易陷入思維局限怪圈。

大家找內容思路沒錯，但在實操過程中，單純依靠編輯經驗，過于關注數(shù)據(jù)，過于關注文章質量，將二者孤立看待，沒有更深層次思考什么內容能更好滿足底層人性需求。

點擊率等數(shù)據(jù)好的內容，是機器分發(fā)的后驗數(shù)據(jù)，但它只是抓住了人性一部分弱點，如兩性心理（推薦低俗、色情內容），我們需要跳出機器推薦的局限，更全面的看待人性需求，比如人性共情需求，是體會他人生活中感受，那么滿足此類需求的內容就很多，如人物勵志、逆襲類內容、正能量類內容等等。在內容爆炸的互聯(lián)網(wǎng)時代，怎樣抓住人性需求，為其提供高品質內容，這是?決勝王道。

實際應用案例二：興趣試探

興趣試探，顧名思義就是試探性為用戶推薦不同品類內容，這是一種比較通用的冷啟動內容推薦策略。

興趣試探實驗，我們采用保底池+興趣試探池的方式進行，內容池可分為四個狀態(tài)，分別是出生、激活、正常、死亡。

出生：內容池初始狀態(tài)

激活：當針對不同用戶，不同品類內容被推薦出來時，內容池就進入激活狀態(tài)，不斷輸出內容。

正常：當用戶對試探內容有行為反饋（點擊、評論、分享等），內容池開始進入正常狀態(tài)，進一步擴大試探品類。

死亡：隨著試探深入，以及機器推薦及時反饋，用戶反饋也越發(fā)正向，進入正向循環(huán)，內容池也就開始進入死亡狀態(tài)，逐漸進入機器個性化推薦序列。

這里有一點需要注意，從激活到正常這個階段，我們實操時采用了激進策略，當用戶點擊試探品類內容，算法機器及時給出點擊反饋，且反饋的內容權重較高，造成用戶興趣逐漸單一化，刷不出其他品類試探內容，也造成實驗結果不達預期。

我們當時研究了今日頭條的試探機制，總結如下：

試探機制可進行拆分理解：

現(xiàn)有試探品類A、B、C、D等頭部品類，1、2、3、4等垂類品類。頭部品類與垂類品類內容覆蓋顆粒度由粗到細，保證內容豐富性。

用戶第一刷：頭部品類內容占比50%、垂類品類內容占比50%（具體比例可根據(jù)實際效果靈活調整），先出各品類頭部內容?。

隨著刷新深入，會有兩種用戶行為表現(xiàn)：

1）若用戶有行為反饋，則及時作出點擊反饋，也需繼續(xù)試探未推薦品類內容，以及推薦過但用戶未點擊的品類內容。

1. 試探未推薦品類內容，保證每刷占比30%-40%左右（具體比例可根據(jù)實際效果靈活調整），且試探推薦的內容顆粒度可逐漸由粗到細，?試探用戶的興趣極限。
2. 推薦未點擊品類內容，若用戶連續(xù)2-3刷未有行為反饋，則需降低推薦權重，甚至停止推薦。

2）若用戶沒有行為反饋，也許用戶刷2-3刷也就走了（根據(jù)對新用戶研究，用戶平均只會給2-3刷的機會），所以在前2-3刷做好試探品類配比，以及各品類內容挑選極為重要。

2. 針對用戶有粗粒度認識

人工對獲取到的用戶信息進行加工，將其轉化成可用的信息，比如將拿到的APP list、用戶增長投放素材轉化成人群信息，然后再對人群內容偏好進行研究，可通過市場上研究報告，平臺已有的用戶畫像信息等方式進行梳理收集，然后再進行目標內容聚合，進行策略實驗，效果回歸，通用的實驗流程如下：?

實際應用案例：利用相聲素材投放進行用戶拉新，按照上面的通用實驗流程可以這樣拆解：

信息加工與轉化：愛看相聲相聲小品人群更偏中老年男性

人群內容偏好研究：

1）研究方法—利用平臺已有畫像+市場上人群研究報告進行梳理總結。

1. 畫像側可從大小類、關鍵詞、內容源、實體等維度切入
2. 研究報告可從具體的信息點總結

2）研究結果：中老年男性人群內容偏好，在內容品類上更偏軍事歷史、健康養(yǎng)生、種花養(yǎng)草、農村生活、社會正能量、社戶熱點、情感婚姻等等。

目標內容聚合：

1）內容池通過各個品類優(yōu)質內容源、頻道等召回內容

2）內容池分為人群內容池A——聚合喜愛相聲人群可能愛看的內容；相聲強相關內容池B——聚合優(yōu)質相聲視頻內容。

建設兩個內容池的訴求：

1）相聲強相關內容池用來滿足用戶對相聲視頻的內容消費需求，通過相聲投放素材拉新的用戶，是對相聲有著強需求。

2）當滿足用戶對相聲的強需求后，再用人群內容池進一步滿足對其他內容的需求。

3）兩個內容池在實際策略中，A+B組合推薦，協(xié)同滿足用戶內容消費需求。

線上策略實驗：為A+B兩個內容池設定推薦位置，生效刷數(shù)等，比如相聲強相關內容池B推薦位置為2、4、6、8，人群內容池A推薦位置為5、7、9、10。針對相聲素材拉新用戶前10刷生效（具體刷數(shù)與位置可根據(jù)實際效果靈活調整）

數(shù)據(jù)效果回歸：

1）整體數(shù)據(jù)表現(xiàn)：重點關注策略實際覆蓋用戶量、人均點擊、人均停留、滲透率、次日、2日、3日等天數(shù)留存等。

2）內容池表現(xiàn)數(shù)據(jù)：重點關注內容池內容實際曝光、點擊、停留時長等。

走通整個流程，根據(jù)數(shù)據(jù)效果，再靈活調整內容池內容，以及線上推薦策略調優(yōu)，提升新用戶留存。

最后借用我們領導說過的一句話，結束此文，新用戶就是個迷，想要弄懂它，太難了，只有不停摸索總結，在實踐中尋求方法論真理。

我們與人相親也是如此，想要真正弄懂一個人，也很難，得經過長時間相處磨合，不停摸索總結，才能收獲真心。

愿所有人，都能找到真愛！愿所有產品的新用戶，都能穩(wěn)穩(wěn)的留?。?/p>

本文由 @珂然 原創(chuàng)發(fā)布于人人都是產品經理，未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協(xié)議