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

隨著互聯(lián)網(wǎng)的發(fā)展，產(chǎn)品的分發(fā)方式也在逐步演進(jìn)。本文介紹了四種常見的產(chǎn)品分發(fā)策略，并講述如何通過數(shù)據(jù)智能的方式提升各種分發(fā)策略的效率，同時結(jié)合案例說明如何進(jìn)行推薦策略的迭代和優(yōu)化，一起來看一下吧。

隨著互聯(lián)網(wǎng)的發(fā)展，產(chǎn)品的分發(fā)方式也在逐步演進(jìn)。

本文主要介紹四種常見的產(chǎn)品分發(fā)策略，并且講述如何通過數(shù)據(jù)智能的方式提升各種分發(fā)策略的效率，助力精細(xì)化運(yùn)營；同時，結(jié)合具體案例進(jìn)一步說明如何進(jìn)行推薦策略的迭代與優(yōu)化。

一、如何理解產(chǎn)品分發(fā)？

為了更好地理解產(chǎn)品分發(fā)，我們以最常見的支付寶 APP 為例。

每個人的支付寶首頁所看到的內(nèi)容是不一樣的，有的有生活繳費(fèi)，有的有推薦卡片，有的有資訊卡片，支付寶 APP 不同模塊的產(chǎn)品和內(nèi)容的分發(fā)邏輯是不同的。

在支付寶首頁，是如何進(jìn)行分發(fā)的呢？

• “掃一掃”“收付款”“出行”“卡包”四大“金剛位”，是用戶進(jìn)入 APP 的視覺焦點(diǎn)，這四個位置只承接公司的戰(zhàn)略業(yè)務(wù)，因此基本所有人看到的都是一樣的。一旦這些位置的內(nèi)容有所調(diào)整，說明支付寶甚至阿里的經(jīng)營戰(zhàn)略可能已經(jīng)發(fā)生了變化。
• 下方的五大“羅漢位”，之前是無法編輯的，因?yàn)槌薪拥氖侵Ц秾殐H次于戰(zhàn)略業(yè)務(wù)的方向性業(yè)務(wù)，后來綜合考慮用戶的使用效果進(jìn)行了調(diào)整，因?yàn)榧词故欠较蛐詷I(yè)務(wù)，用戶不點(diǎn)擊也是流量的一種浪費(fèi)。
• 再下方的宮格位承接的是諸如餐飲、出行、繳費(fèi)等生活服務(wù)入口，其位置也可以進(jìn)行排序。
• 再下方的“消息”，并不通過規(guī)則分發(fā)，而是由業(yè)務(wù)邏輯觸發(fā)，比如商品到貨、退款到賬等。
• ……

總結(jié)來說，支付寶首頁既有完全一樣分發(fā)的戰(zhàn)略業(yè)務(wù)，又有基于規(guī)則排序的宮格位；有基于運(yùn)營和投放的 Banner，還有基于個性化推薦的 Feed，基本涵蓋了互聯(lián)網(wǎng)產(chǎn)品主流的分發(fā)邏輯。

如果某個互聯(lián)網(wǎng)產(chǎn)品所能夠提供的服務(wù)較少，核心溝通場景只有一個，原則上不用考慮分發(fā)策略，但當(dāng)產(chǎn)品開始出現(xiàn)運(yùn)營需求，就要開始考慮人工運(yùn)營的分發(fā)。

而隨著服務(wù)能力的增多，需要通過簡單的規(guī)則進(jìn)行排序，比如高點(diǎn)擊率、高曝光、高轉(zhuǎn)化的頁面排在前面；當(dāng)服務(wù)能力進(jìn)一步增強(qiáng)，內(nèi)容逐步增多，簡單的規(guī)則排序已經(jīng)不能滿足分發(fā)效率，這時可以通過搜索幫助用戶直達(dá)某項(xiàng)服務(wù)；當(dāng)用戶圈層越來越多，用戶體量越來越大，單純的搜索可能也無法滿足需求，這時可以考慮個性化推薦。

簡而言之，隨著互聯(lián)網(wǎng)的發(fā)展，分發(fā)規(guī)則也在逐步演進(jìn)。

通常，產(chǎn)品的分發(fā)策略總共分為 4 類：人工運(yùn)營、規(guī)則分發(fā)、搜索分發(fā)、算法分發(fā)。

1. 人工運(yùn)營：可以實(shí)現(xiàn)千人一面（即所有人看到的是相同的版本）或者百人一面（通過圈人的方式提高某些頁面的效率）
2. 規(guī)則分發(fā)：當(dāng)服務(wù)的品類變多，需要通過簡單的規(guī)則提升效率
3. 搜索分發(fā)：基于明確的需求，進(jìn)行精準(zhǔn)的召回
4. 算法分發(fā)：個性化推薦或相關(guān)推薦

那么，產(chǎn)品分發(fā)究竟是什么？產(chǎn)品分發(fā)本質(zhì)上是用戶需求的分發(fā)。

當(dāng)用戶打開一個產(chǎn)品，其需求是比較明確的，比如打開抖音就是要看短視頻、打開淘寶大概率要買東西、打開騰訊會議是要開會等，產(chǎn)品分發(fā)原則上要以最短的路徑把想看的內(nèi)容展示給用戶。對平臺而言，用什么樣的分發(fā)方式可以將用戶導(dǎo)流到業(yè)務(wù)線一、業(yè)務(wù)線二等，如何提高匹配的效率就變得比較重要。

同時效率不單只針對用戶，也要平衡平臺效率，比如當(dāng)前戰(zhàn)略目標(biāo)是做好某項(xiàng)業(yè)務(wù)，站在平臺的視角，適合什么樣的分發(fā)規(guī)則？解決匹配效率時，要實(shí)現(xiàn)產(chǎn)品戰(zhàn)略和平臺收益的最大化。

二、數(shù)據(jù)智能提升分發(fā)效率

人工運(yùn)營、規(guī)則分發(fā)、算法分發(fā)，從前到后三類分發(fā)方式的智能化程度越來越高，效率也是越來越高。接下來分別講述如何通過數(shù)據(jù)智能提升三種分發(fā)方式的效率。

1. 人工運(yùn)營

舉個例子，某金融 APP 運(yùn)營要在首頁增加理財彈窗。

通常，首頁彈窗的用戶體驗(yàn)不太好，原則上是能不彈就不彈，但如果必須進(jìn)行彈窗的話，建議只對那些對彈窗內(nèi)容感興趣的用戶進(jìn)行彈窗觸達(dá)，避免對其他用戶的打擾。

過去的做法一般是基于地域、性別或年齡對人群進(jìn)行定向篩選，比如過去購買此類理財產(chǎn)品的用戶大多為北京、年齡在 25-30 歲，那就基于這些靜態(tài)特征將這批用戶圈選進(jìn)行彈窗展示。

但更高效的分發(fā)方式其實(shí)是只給對相關(guān)活動感興趣的用戶彈窗，那么目標(biāo)就是如何找到感興趣的用戶？如果只基于用戶過往行為，比如過去參加過類似活動而展示，可能會錯失一些雖然沒參加過活動但可能同樣感興趣的潛在客戶，這時可以基于特征挖掘找到站內(nèi)相似的用戶。

如果之前平臺沒有做過類似活動，沒有相關(guān)特征該如何挖掘呢？平臺在進(jìn)行相關(guān)活動推廣時，通常會先進(jìn)行小規(guī)模放量的灰度測試，比如先切 10% 的流量給到相關(guān)活動，在這 10% 的用戶中，如果有人點(diǎn)過相關(guān)彈窗，說明他們對彈窗是感興趣的。這時便可以從 10% 的用戶中篩選出種子用戶，基于他們進(jìn)行全站特征挖掘，從而把對活動感興趣的用戶全部圈選出來。

在人工運(yùn)營的分發(fā)方式中，提效的主要路徑是從粗放式運(yùn)營到用戶分群運(yùn)營。用戶分群如何分？主要有三種：基于靜態(tài)屬性分群、基于行為分群、基于用戶行為特征挖掘分群。

2. 規(guī)則分發(fā)

規(guī)則分發(fā)該如何提效？

假設(shè)用戶點(diǎn)開某金融 APP 后，同時命中 10 個彈窗規(guī)則，到底應(yīng)該彈哪個？

通常針對這種情況都會制定相關(guān)規(guī)則，比如點(diǎn)擊率（CTR）最高、上線最久或是即將下線等等，但這往往會陷入一個邏輯陷阱：所有排序的規(guī)則大都基于不同彈窗的表現(xiàn)情況，而并沒有考慮用戶偏好。

如果想找到用戶愛看的彈窗，首先要對用戶進(jìn)行更細(xì)顆粒度地洞察，比如過往是否買了理財、是否貸過款、是否領(lǐng)過贈險……根據(jù)過往的行為，為用戶打上偏好標(biāo)簽，從而對他們有進(jìn)一步的認(rèn)知，然后基于標(biāo)簽匹配進(jìn)行規(guī)則分發(fā)，比如為有理財偏好的用戶彈出理財體驗(yàn)金；為已通過授信但尚未提現(xiàn)的用戶彈出免息券等?？傊?strong>通過更細(xì)顆粒度的用戶標(biāo)簽為規(guī)則分發(fā)提效。

3. 算法分發(fā)

如果相關(guān)分發(fā)規(guī)則顆粒度更細(xì)，其實(shí)就進(jìn)入到個性化算法分發(fā)模式。我們對用戶的理解越細(xì)致，分發(fā)的效果就越好。

通常個性化算法分發(fā)比較依賴數(shù)據(jù)，用戶是誰？有什么特點(diǎn)？用戶特征如何？這些是做運(yùn)營，甚至是做個性化推薦的基礎(chǔ)。

用戶特征通常分為兩類，一類是靜態(tài)特征，一類是動態(tài)特征。

1）靜態(tài)特征

一段時間內(nèi)不會發(fā)生變化的特點(diǎn)，比如性別、年齡、地域、渠道等。

2）動態(tài)特征

基于用戶行為來提取的特征，他和用戶當(dāng)前場景下的興趣和愛好息息相關(guān)。比如：

• 用戶手動輸入的信息：包括用戶在搜索引擎中輸入的關(guān)鍵詞，用戶反饋的信息，對推薦對象的喜好程度等；
• 用戶基于 Item 的行為：包括瀏覽、點(diǎn)擊、停留時長以及互動行為（轉(zhuǎn)評贊等）；
• 負(fù)反饋：不喜歡、不感興趣。

除了對用戶特征的刻畫，還需要對物品特征進(jìn)行刻畫。比如對視頻內(nèi)容、運(yùn)營物料等有所了解，這些稱之為 Item，Item 也分為靜態(tài)和動態(tài)特征。

• 物品靜態(tài)特征：指內(nèi)容自身的屬性特征。例如：視頻時長、圖片寬高比、安全等級、風(fēng)控等級、作者、內(nèi)容字?jǐn)?shù)、一級分類、二級分類……
• 物品動態(tài)特征：指的是基于用戶行為抽象的特征，動態(tài)特征又分為正反饋和負(fù)反饋。例如：點(diǎn)擊率、完播率、點(diǎn)贊率、分享率、評論率、收藏率、負(fù)反饋……

知道了用戶和物品的特征后，只有做好中間的匹配，才能做好個性化分發(fā)。

三、推薦策略的迭代與優(yōu)化

1. 個性化分發(fā)的邏輯框架

個性化算法分發(fā)涉及的邏輯結(jié)構(gòu)主要有三個：召回、排序、重排。

1）召回

比如某個新聞資訊 APP 對站內(nèi)內(nèi)容按照熱門來排序，高點(diǎn)擊率的內(nèi)容放在前面，即熱門召回；比如有的 APP 會基于用戶偏好進(jìn)行排序，即基于用戶偏好召回；此外還有基于地域的召回等。

召回指的是基于什么樣的規(guī)則或特征，把內(nèi)容從庫里檢索出來進(jìn)行排序分發(fā)。

2）排序

排序的目標(biāo)要結(jié)合具體的業(yè)務(wù)場景確定，即業(yè)務(wù)上達(dá)成什么樣的目標(biāo)，最有可能實(shí)現(xiàn)目標(biāo)的物料會被排到前面。

比如業(yè)務(wù)目標(biāo)是提高新聞資訊流 CTR，那么就按照 CTR 預(yù)估排序，用戶最可能點(diǎn)哪個，就把哪個放前面；比如電商的推薦目標(biāo)是提升購買轉(zhuǎn)化率，哪個對用戶來說最可能成單，哪個就排前面。

3）重排

因?yàn)檎倩睾团判虻倪^程是一個算法黑盒，沒有辦法控制。當(dāng)算法排序結(jié)果不符合預(yù)期時，可以進(jìn)行策略干預(yù)，這被稱為重排序。

比如某個作者比較熱門，其內(nèi)容表現(xiàn)都很好，如果按照正常運(yùn)算的排序，很可能多次刷到的都是他一個人的內(nèi)容，而平臺希望用戶看到更多元和豐富的內(nèi)容，這時就需要打散重排。

2. 策略迭代的 SDAF 原則

個性化算法該怎么優(yōu)化？

基于神策 SDAF 原則，所有策略優(yōu)化都要基于數(shù)據(jù)洞察，明確要優(yōu)化的方向和目標(biāo)，進(jìn)行策略方案迭代，通過 A/B 試驗(yàn)展開行動，最終基于試驗(yàn)結(jié)果進(jìn)行歸因。

1）Sense：問題感知

對于推薦策略的數(shù)據(jù)洞察，包含三部分：數(shù)據(jù)異常、主動優(yōu)化、階段目標(biāo)調(diào)整。

數(shù)據(jù)異常：包括核心指標(biāo) CTR 下降，要去看為什么會下降，與哪些因素有關(guān)等。

主動優(yōu)化：比如想把當(dāng)前 CTR 由 15% 提升到 30%，優(yōu)化哪些維度可以實(shí)現(xiàn)。

階段性目標(biāo)調(diào)整：當(dāng)完成 CTR 優(yōu)化后，接下來想優(yōu)化互動率這個指標(biāo)，那么排序的目標(biāo)就要從 CTR 轉(zhuǎn)為互動率，這影響的是底層的算法邏輯。

2）Decision：明確策略迭代方案

以電商為例，如果只優(yōu)化 CTR，對曝光和點(diǎn)擊進(jìn)行埋點(diǎn)即可；而如果要優(yōu)化成交率的話，那么就要看與成交相關(guān)的行為，比如收藏、加購等，這些都需要進(jìn)行埋點(diǎn)，獲取數(shù)據(jù)后進(jìn)入到模型訓(xùn)練流，只有獲取到數(shù)據(jù)，模型才能基于目標(biāo)進(jìn)行優(yōu)化。

數(shù)據(jù)洞察的主要目標(biāo)是拒絕拍腦門的需求，每個需求在進(jìn)行 A/B 實(shí)驗(yàn)前都需要拿數(shù)據(jù)先驗(yàn)證一輪。基于數(shù)據(jù)洞察，提出具體的優(yōu)化策略。

3）Action：設(shè)計(jì) A/B 實(shí)驗(yàn)

設(shè)計(jì) A/B 實(shí)驗(yàn)時要遵循三個原則：科學(xué)的實(shí)驗(yàn)分組、分組流量可置信、實(shí)驗(yàn)組之間變量唯一。

4）Feedback：實(shí)驗(yàn)效果回收/歸因

當(dāng)實(shí)驗(yàn)結(jié)果不符合預(yù)期，要進(jìn)行歸因分析。但神策認(rèn)為即使試驗(yàn)的收益是正的，也要進(jìn)行歸因分析。

案例 1：某 UGC 平臺要求僅召回高評論內(nèi)容

某 UGC 平臺要求召回高評論的內(nèi)容。在評估這個需求時，我們可以思考兩個問題：是否進(jìn)行了數(shù)據(jù)洞察？高評論內(nèi)容一定是好內(nèi)容嗎？

好內(nèi)容具有 CTR 高、消費(fèi)表現(xiàn)好、互動率高的特點(diǎn)，而高評論只是互動率這個指標(biāo)的體現(xiàn)，并不是整體好內(nèi)容的指標(biāo)，因此評估高評論內(nèi)容的消費(fèi)表現(xiàn)，需要進(jìn)行數(shù)據(jù)洞察。

假設(shè)優(yōu)化了高評論的排序后，能夠提升社區(qū)消費(fèi)的深度，那么就要把高評論的內(nèi)容選取出來，并對他們的消費(fèi)表現(xiàn)進(jìn)行數(shù)據(jù)洞察，如果比大盤表現(xiàn)好，那么就可以進(jìn)行優(yōu)化。

但這里還有一個問題需要明確，即什么是高評論的內(nèi)容？它的標(biāo)準(zhǔn)是評論數(shù)量超過 20 還是 100，還是評論率超過 20% 等，需要明確清楚，因?yàn)椴煌瑯?biāo)準(zhǔn)的表現(xiàn)也不同。

假設(shè)確定完高評論的標(biāo)準(zhǔn)后，還要看符合標(biāo)準(zhǔn)的內(nèi)容到底有多少，比如要召回的評論數(shù)量要大于 200，那大于 200 的內(nèi)容到底有多少，如果只有 20 條，那這樣排序是否還有必要？

經(jīng)過以上指標(biāo)拆解和數(shù)據(jù)洞察，就能大概判斷改變策略之后的效果。

案例 2：陌生人交友平臺回復(fù)率優(yōu)化

某陌生人交友平臺，通過用戶的動態(tài)匹配提高用戶溝通成功率，從而幫助用戶建立關(guān)系。具體來說，這個動態(tài)匹配的過程大致分為五步：

第一步，系統(tǒng)以男用戶的身份給女用戶發(fā)送一條消息；

第二步，消息曝光，女用戶看到消息；

第三步，女用戶回復(fù)該條消息；

第四步，男用戶看到女用戶回復(fù)的消息，即回復(fù)的消息被曝光；

第五步，男用戶回復(fù)這條消息。

為了提升雙向溝通的概率，通過對這個鏈條進(jìn)行漏斗分析，發(fā)現(xiàn)在第二步的漏斗轉(zhuǎn)化率偏低，即大部分女用戶都沒有看到這條消息。

通過數(shù)據(jù)洞察發(fā)現(xiàn)：

• 系統(tǒng)為女用戶推薦男用戶時，女用戶大多數(shù)都處于未登錄狀態(tài)
• 用戶平均使用 APP 的時長為 15 分鐘

基于這樣的洞察，提出策略優(yōu)化方案：召回最近登錄時間在 15 分鐘之內(nèi)的女用戶，即給最近登錄時間在 15 分鐘之內(nèi)的用戶發(fā)送系統(tǒng)默認(rèn)消息。

有了這個迭代策略后，隨后隨機(jī)抽取 25% 的用戶進(jìn)行 1 天實(shí)驗(yàn)觀察。通過實(shí)驗(yàn)組和對照組效果對比，發(fā)現(xiàn)第二步的漏斗轉(zhuǎn)化率有明顯提升。

為了繼續(xù)優(yōu)化第五步/第一步的轉(zhuǎn)化率，按小時查看最終轉(zhuǎn)化率發(fā)現(xiàn)：下午的轉(zhuǎn)化率明顯下降。

此時，通過數(shù)據(jù)洞察發(fā)現(xiàn)：

• 由于推薦策略中限制了每個女用戶最多只能收到 50 個男用戶的推送，而上午已經(jīng)完成?50 個用戶的推送，因此下午沒有新的男用戶可推薦給女用戶
• 女用戶 push 次數(shù)與第五步成功率成正比

于是，可提出策略優(yōu)化方案：15 分鐘內(nèi)最多只推 5 個男用戶，并取消 50 個推送限制。接下來，隨機(jī)抽取 25% 的用戶進(jìn)行 2 天實(shí)驗(yàn)，經(jīng)過實(shí)驗(yàn)組與對照組效果對比，發(fā)現(xiàn)策略調(diào)整后全時段回復(fù)率均有提升，達(dá)成預(yù)期。

總結(jié)起來，進(jìn)行個性化策略迭代的方法論是：首先根據(jù)數(shù)據(jù)洞察得到策略迭代的方向，進(jìn)行 A/B 實(shí)驗(yàn)，再基于試驗(yàn)結(jié)論進(jìn)行正向和負(fù)向歸因。