随着互联网的发展,产品的分发方式也在逐步演进。
本文主要介绍四种常见的产品分发策略,并且讲述如何通过数据智能的方式提升各种分发策略的效率,助力精细化运营;同时,结合具体案例进一步说明如何进行推荐策略的迭代与优化。
关注神策数据公众号,回复“演讲ppt”即可免费下载完整版演讲ppt。
一、如何理解产品分发?
为了更好地理解产品分发,我们以最常见的支付宝 app 为例。
每个人的支付宝凯发凯发官网首页官网首页所看到的内容是不一样的,有的有生活缴费,有的有推荐卡片,有的有资讯卡片,支付宝 app 不同模块的产品和内容的分发逻辑是不同的。
在支付宝凯发凯发官网首页官网首页,是如何进行分发的呢?
“扫一扫”“收付款”“出行”“卡包”四大“金刚位”,是用户进入 app 的视觉焦点,这四个位置只承接公司的战略业务,因此基本所有人看到的都是一样的。一旦这些位置的内容有所调整,说明支付宝甚至阿里的经营战略可能已经发生了变化
下方的五大“罗汉位”,之前是无法编辑的,因为承接的是支付宝仅次于战略业务的方向性业务,后来综合考虑用户的使用效果进行了调整,因为即使是方向性业务,用户不点击也是流量的一种浪费
再下方的宫格位承接的是诸如餐饮、出行、缴费等生活服务入口,其位置也可以进行排序。
再下方的“消息”,并不通过规则分发,而是由业务逻辑触发,比如商品到货、退款到账等
……
总结来说,支付宝凯发凯发官网首页官网首页既有完全一样分发的战略业务,又有基于规则排序的宫格位;有基于运营和投放的 banner,还有基于个性化推荐的 feed,基本涵盖了互联网产品主流的分发逻辑。
关注神策数据公众号,回复“演讲ppt”即可免费下载完整版演讲ppt。
如果某个互联网产品所能够提供的服务较少,核心沟通场景只有一个,原则上不用考虑分发策略,但当产品开始出现运营需求,就要开始考虑人工运营的分发。
而随着服务能力的增多,需要通过简单的规则进行排序,比如高点击率、高曝光、高转化的页面排在前面;当服务能力进一步增强,内容逐步增多,简单的规则排序已经不能满足分发效率,这时可以通过搜索帮助用户直达某项服务;当用户圈层越来越多,用户体量越来越大,单纯的搜索可能也无法满足需求,这时可以考虑个性化推荐。
简而言之,随着互联网的发展,分发规则也在逐步演进。
通常,产品的分发策略总共分为 4 类:人工运营、规则分发、搜索分发、算法分发。
人工运营:可以实现千人一面(即所有人看到的是相同的版本)或者百人一面(通过圈人的方式提高某些页面的效率)
规则分发:当服务的品类变多,需要通过简单的规则提升效率
搜索分发:基于明确的需求,进行精准的召回
算法分发:个性化推荐或相关推荐
那么,产品分发究竟是什么?产品分发本质上是用户需求的分发。
当用户打开一个产品,其需求是比较明确的,比如打开抖音就是要看短视频、打开淘宝大概率要买东西、打开腾讯会议是要开会等,产品分发原则上要以最短的路径把想看的内容展示给用户。对平台而言,用什么样的分发方式可以将用户导流到业务线一、业务线二等,如何提高匹配的效率就变得比较重要。
同时效率不单只针对用户,也要平衡平台效率,比如当前战略目标是做好某项业务,站在平台的视角,适合什么样的分发规则?解决匹配效率时,要实现产品战略和平台收益的最大化。
二、数据智能提升分发效率
人工运营、规则分发、算法分发,从前到后三类分发方式的智能化程度越来越高,效率也是越来越高。接下来分别讲述如何通过数据智能提升三种分发方式的效率。
1、人工运营
举个例子,某金融 app 运营要在凯发凯发官网首页官网首页增加理财弹窗。
通常,凯发凯发官网首页官网首页弹窗的用户体验不太好,原则上是能不弹就不弹,但如果必须进行弹窗的话,建议只对那些对弹窗内容感兴趣的用户进行弹窗触达,避免对其他用户的打扰。
过去的做法一般是基于地域、性别或年龄对人群进行定向筛选,比如过去购买此类理财产品的用户大多为北京、年龄在 25-30 岁,那就基于这些静态特征将这批用户圈选进行弹窗展示。
但更高效的分发方式其实是只给对相关活动感兴趣的用户弹窗,那么目标就是如何找到感兴趣的用户?如果只基于用户过往行为,比如过去参加过类似活动而展示,可能会错失一些虽然没参加过活动但可能同样感兴趣的潜在客户,这时可以基于特征挖掘找到站内相似的用户。
如果之前平台没有做过类似活动,没有相关特征该如何挖掘呢?平台在进行相关活动推广时,通常会先进行小规模放量的灰度测试,比如先切 10% 的流量给到相关活动,在这 10% 的用户中,如果有人点过相关弹窗,说明他们对弹窗是感兴趣的。这时便可以从 10% 的用户中筛选出种子用户,基于他们进行全站特征挖掘,从而把对活动感兴趣的用户全部圈选出来。
在人工运营的分发方式中,提效的主要路径是从粗放式运营到用户分群运营。用户分群如何分?主要有三种:基于静态属性分群、基于行为分群、基于用户行为特征挖掘分群。
2、规则分发
规则分发该如何提效?
假设用户点开某金融 app 后,同时命中 10 个弹窗规则,到底应该弹哪个?
通常针对这种情况都会制定相关规则,比如点击率(ctr)最高、上线最久或是即将下线等等,但这往往会陷入一个逻辑陷阱:所有排序的规则大都基于不同弹窗的表现情况,而并没有考虑用户偏好。
如果想找到用户爱看的弹窗,首先要对用户进行更细颗粒度地洞察,比如过往是否买了理财、是否贷过款、是否领过赠险……根据过往的行为,为用户打上偏好标签,从而对他们有进一步的认知,然后基于标签匹配进行规则分发,比如为有理财偏好的用户弹出理财体验金;为已通过授信但尚未提现的用户弹出免息券等。总之,通过更细颗粒度的用户标签为规则分发提效。
关注神策数据公众号,回复“演讲ppt”即可免费下载完整版演讲ppt。
3、算法分发
如果相关分发规则颗粒度更细,其实就进入到个性化算法分发模式。我们对用户的理解越细致,分发的效果就越好。
通常个性化算法分发比较依赖数据,用户是谁?有什么特点?用户特征如何?这些是做运营,甚至是做个性化推荐的基础。
用户特征通常分为两类,一类是静态特征,一类是动态特征。
静态特征:一段时间内不会发生变化的特点,比如性别、年龄、地域、渠道等。
动态特征:基于用户行为来提取的特征,他和用户当前场景下的兴趣和爱好息息相关。比如:
用户手动输入的信息:包括用户在搜索引擎中输入的关键词,用户反馈的信息,对推荐对象的喜好程度等;
用户基于 item 的行为:包括浏览、点击、停留时长以及互动行为(转评赞等);
负反馈:不喜欢、不感兴趣。
除了对用户特征的刻画,还需要对物品特征进行刻画。比如对视频内容、运营物料等有所了解,这些称之为 item,item 也分为静态和动态特征。
物品静态特征:指内容自身的属性特征。例如:视频时长、图片宽高比、安全等级、风控等级、作者、内容字数、一级分类、二级分类……
物品动态特征:指的是基于用户行为抽象的特征,动态特征又分为正反馈和负反馈。例如:点击率、完播率、点赞率、分享率、评论率、收藏率、负反馈……
知道了用户和物品的特征后,只有做好中间的匹配,才能做好个性化分发。
三、推荐策略的迭代与优化
1、个性化分发的逻辑框架
个性化算法分发涉及的逻辑结构主要有三个:召回、排序、重排。
召回
比如某个新闻资讯 app 对站内内容按照热门来排序,高点击率的内容放在前面,即热门召回;比如有的 app 会基于用户偏好进行排序,即基于用户偏好召回;此外还有基于地域的召回等。
召回指的是基于什么样的规则或特征,把内容从库里检索出来进行排序分发。
排序
排序的目标要结合具体的业务场景确定,即业务上达成什么样的目标,最有可能实现目标的物料会被排到前面。
比如业务目标是提高新闻资讯流 ctr,那么就按照 ctr 预估排序,用户最可能点哪个,就把哪个放前面;比如电商的推荐目标是提升购买转化率,哪个对用户来说最可能成单,哪个就排前面。
重排
因为召回和排序的过程是一个算法黑盒,没有办法控制。当算法排序结果不符合预期时,可以进行策略干预,这被称为重排序。
比如某个作者比较热门,其内容表现都很好,如果按照正常运算的排序,很可能多次刷到的都是他一个人的内容,而平台希望用户看到更多元和丰富的内容,这时就需要打散重排。
2、策略迭代的 sdaf 原则
个性化算法该怎么优化?
基于神策 sdaf 原则,所有策略优化都要基于数据洞察,明确要优化的方向和目标,进行策略方案迭代,通过 a/b 试验展开行动,最终基于试验结果进行归因。
sense:问题感知
对于推荐策略的数据洞察,包含三部分:数据异常、主动优化、阶段目标调整。
数据异常:包括核心指标 ctr 下降,要去看为什么会下降,与哪些因素有关等。
主动优化:比如想把当前 ctr 由 15% 提升到 30%,优化哪些维度可以实现。
阶段性目标调整:当完成 ctr 优化后,接下来想优化互动率这个指标,那么排序的目标就要从 ctr 转为互动率,这影响的是底层的算法逻辑。
decision:明确策略迭代方案
以电商为例,如果只优化 ctr,对曝光和点击进行埋点即可;而如果要优化成交率的话,那么就要看与成交相关的行为,比如收藏、加购等,这些都需要进行埋点,获取数据后进入到模型训练流,只有获取到数据,模型才能基于目标进行优化。
数据洞察的主要目标是拒绝拍脑门的需求,每个需求在进行 a/b 实验前都需要拿数据先验证一轮。基于数据洞察,提出具体的优化策略。
action:设计 a/b 实验
设计 a/b 实验时要遵循三个原则:科学的实验分组、分组流量可置信、实验组之间变量唯一。
feedback:实验效果回收/归因
当实验结果不符合预期,要进行归因分析。但神策认为即使试验的收益是正的,也要进行归因分析。
关注神策数据公众号,回复“演讲ppt”即可免费下载完整版演讲ppt。
案例 1:某 ugc 平台要求仅召回高评论内容
某 ugc 平台要求召回高评论的内容。在评估这个需求时,我们可以思考两个问题:是否进行了数据洞察?高评论内容一定是好内容吗?
好内容具有 ctr 高、消费表现好、互动率高的特点,而高评论只是互动率这个指标的体现,并不是整体好内容的指标,因此评估高评论内容的消费表现,需要进行数据洞察。
假设优化了高评论的排序后,能够提升社区消费的深度,那么就要把高评论的内容选取出来,并对他们的消费表现进行数据洞察,如果比大盘表现好,那么就可以进行优化。
但这里还有一个问题需要明确,即什么是高评论的内容?它的标准是评论数量超过 20 还是 100,还是评论率超过 20% 等,需要明确清楚,因为不同标准的表现也不同。
假设确定完高评论的标准后,还要看符合标准的内容到底有多少,比如要召回的评论数量要大于 200,那大于 200 的内容到底有多少,如果只有 20 条,那这样排序是否还有必要?
经过以上指标拆解和数据洞察,就能大概判断改变策略之后的效果。
案例 2:陌生人交友平台回复率优化
某陌生人交友平台,通过用户的动态匹配提高用户沟通成功率,从而帮助用户建立关系。具体来说,这个动态匹配的过程大致分为五步:
第一步,系统以男用户的身份给女用户发送一条消息;
第二步,消息曝光,女用户看到消息;
第三步,女用户回复该条消息;
第四步,男用户看到女用户回复的消息,即回复的消息被曝光;
第五步,男用户回复这条消息。
为了提升双向沟通的概率,通过对这个链条进行漏斗分析,发现在第二步的漏斗转化率偏低,即大部分女用户都没有看到这条消息。
通过数据洞察发现:
系统为女用户推荐男用户时,女用户大多数都处于未登录状态
用户平均使用 app 的时长为 15 分钟
基于这样的洞察,提出策略优化方案:召回最近登录时间在 15 分钟之内的女用户,即给最近登录时间在 15 分钟之内的用户发送系统默认消息。
有了这个迭代策略后,随后随机抽取 25% 的用户进行 1 天实验观察。通过实验组和对照组效果对比,发现第二步的漏斗转化率有明显提升。
为了继续优化第五步/第一步的转化率,按小时查看最终转化率发现:下午的转化率明显下降。
此时,通过数据洞察发现:
? 由于推荐策略中限制了每个女用户最多只能收到 50 个男用户的推送,而上午已经完成 50 个用户的推送,因此下午没有新的男用户可推荐给女用户
? 女用户 push 次数与第五步成功率成正比
于是,可提出策略优化方案:15 分钟内最多只推 5 个男用户,并取消 50 个推送限制。接下来,随机抽取 25% 的用户进行 2 天实验,经过实验组与对照组效果对比,发现策略调整后全时段回复率均有提升,达成预期。
总结起来,进行个性化策略迭代的方法论是:首先根据数据洞察得到策略迭代的方向,进行 a/b 实验,再基于试验结论进行正向和负向归因。