策略产品实践笔记

博主微信公众号：价值老猿，博主整理的产品、投资方面的深度思考和实习、秋招相关信息将会持续发布到上面，敬请关注！！！

：内容产品的推荐策略

推荐系统就是筛选排序（筛你喜欢的，排序推送），推荐模型就是通过已知输入输出信息学习规律，进而用输入数据预测未知信息的模型（比如已知用户数与年龄分布为输入，用户收入为输出，学习出一个20岁以上收入增加10，进而根据新的用户数及年龄，预测他们的总收入），推荐系统就是基于推测模型预测用户喜好及优先顺序。

推荐系统策略是其次，数据是关键，美团收购摩拜实现数据的闭环，用户在美团搜索理发店及路径，乘公交车换成单车到底理发店，用美团结算。

推荐系统的指标体系：产品形态，用户，融资、发展阶段不同都会有不同的体系。

一级指标以客观指标为主，次日留存，日活，人均收入，CPM，技术系统时延等，一般1~2个一级指标；

二级指标在客观基础上需要加入主观评估指标，包括内部评估指标（基于平台价值观）和外部评估指标（基于用户价值观）？？？，一般3~7个

三级指标是细分页面的非大盘指标。

推荐系统的能力边界在哪里？取决于候选集数量，而如何产生更多的候选集数量，则依赖于生产端策略；

推荐系统要想发挥做用的前提：信息过载，用户需求不明。

推荐系统的输入：用户行为，分为显示反馈和隐士反馈，浏览购买点击评分评论等

推荐冷启动：用户冷启动（新用户推什么）、内容冷启动（新内容推给谁）

用户冷启动方法：

（1）定制列表：千人一面热门榜单

（2）注册信息，IP属性，下载渠道，手机型号，注册信息的年龄性别

（3）关系链：通讯录，社交网站好友列表

（4）兴趣页面。

内容冷启动呢？

推荐系统的推荐模式，优劣及适用场景

基于用户协同推荐：找到有相似爱好的用户集合，将这些用户喜欢的推荐给目标用户；内容冷启动很好（上新后只要有用户访问过，就能推荐出去），可解释性较差，并且用户列表增加后开销增大；适用于用户兴趣趋同（新闻兴趣是热点），用户数少于内容数（为什么？）

基于物品协同推荐：找用户喜欢物品相似的物品推荐，注意不是基于物品画像判断相似，而是通过行为画像，判断喜欢A的人大概率喜欢B，可解释性好，开开销相对小，适用于用户个性化强（电商购物兴趣个性化显著），用户数多于内容数（为什么？）

基于兴趣特征推荐：首先得到用户兴趣分类，对应寻找喜欢的物品；模型效果好但是开销大，难以在线推荐

基于上下文推荐：包括时间，地点也算上下文，实时性要求开销大，适用于深度使用的高频产品；

基于物品画像推荐：比如对内容分类进行推荐；标签建立需要大工作量，可解释性和冷启动都很好。

标签体系的搭建方式、设计原则、评估指标：

搭建方式：专家系统标签、用户生产标签。

专家系统标签推荐效果、可解释性更好，但是需要大量资源投入，且实时性不强；

用户生产标签弥补了实时性问题，让流行内容快速纳入标签体系，但是受限于用户自己的语言习惯，可解释性较差。

所以用户标签有一个清理规范问题：主要分为人工审查+用户自查（设定可生产标签的用户等级，设立纪律委员会）

原则：MECE+控制每一层数量不要过多。

如何评估标签系统：两个层次得指标：

召回率和准确率：可以理解为，遗漏率和准确率，就是有多少物品能被打上标签；这些物品打的标签是否准确（双盲一致率）

推荐系统指标：对比使用新标签后的系统表现

芝麻信用分等社交资本的设计思路？

内容产品什么事优质内容？稀缺性如何度量？

高低质量评论的策略设计？

用户对连载内容喜欢程度的度量？

字节电商平台去劣存优的策略设计？

策略设计基本原则：策略做粗，特征做细，先预估后计算（预估目标天花板，拆解目标，计算ROI），先规模后完善，先上游后下游。

什么是策略做粗？比如如何给连载漫画APP做冷启动？

什么是特征做细？内容和用户画像：构建特征-评估特征-维护特征；构建阶段：自动+标注；评估：准确率召回率；维护：设计后台和数据流程，定义监控特征完备度的描述量，为实现平台共享融入中台做准备；

先上游：上海某小区外卖超时率超过其他小区；原因是该小区修路需要绕道，即POI定位不准确导致的，首先要衡量解决POI定位的ROI，再去想其他策略。

先预估：天花板预估方法：分层。比如阅读时长往往是幂律分布，按照0~50小时人数转化率100%。100小时以上人数转化率是0%,进行整体转化率预估。