如何借助数据智能提升产品分发效率？

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。

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。 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 运营要在首页增加理财弹窗。 通常，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。 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 SDAF 数据闭环方法论，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。但我们认为即使试验的收益是正的，也要进行归因分析。 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。