做推荐型产品的经验

微观上,没有唯一答案才是推荐系统唯一的答案

在相当长的一段时间里,百度搜索的pm们有一项基本功就是搜索结果满意度的评估。搜索的结果是固定集合,每个query的结果千人一面。每个PM都有上帝能力,在不看用户行为的时候能大体判断出哪个是更好的结果。

从搜索切换到推荐,从固定query(一个词)切换到了富含上下文的模糊query(时间、地点、人物偏好、阅读历史、网络环境),也就从千人一面唯一答案 切换至了千人千面的多元答案。

例子:

在雾霾当道的环境里,给关心亲子内容的用户推荐怎样的内容是好的?
是雾霾口罩,还是英语教育?

主观判断是雾霾口罩吧(这正是传统网站编辑的选择)。但是细拆一下就会发现,坐标在云南、西藏的人,他们是将雾霾当社会问题来看的,而不是亲子健康问题来看的。他们不那么关心雾霾口罩、空气净化器的选购。

进一步,推荐给身在北京的家长可好?细拆一下还是有问题,如果一个用户已经看了足够多的雾霾相关内容,他还会不会看更多的同类内容呢?新的内容是换个角度论述,还是包含更多的信息?

一连串的拆分做下来,你会发现在千人千面的场景下,主观判断颓然无力。你也许还有能力判断什么是极差的,但很难判断什么是更好的。

放下了主观预判,接受每个用户的个体差异性,才能够更好的通过后验数据来验证自己的想法,把提案权留给自己,把决定权交给用户。让每一个策略、规则、产品形态、交互方式,都成为经过已有用户群体检验的合格品。

宏观上,围绕满意度和留存优化,才能更可持续的发展。

在微观上放弃了主观臆断,才能够在宏观上,在统计数据和产品方向上去设定目标,产出方案,检验效果。

常见的指标如点击率,多样性等不用多说,是最敏感且易测的指标。但推荐产品经理需要跳脱局部指标的KPI导向,站在整个产品来看:只有用户(无论是C端还是B端)满意度【反馈、问卷】 和 留存指标,才是可持续发展的根本。

以视频为例,如果为了凑VV,可以做自动播放、可以偏向于推荐较短的内容、可以推高热的内容、可以不做兴趣探索等等,常见的指标不一定 甚至说 一定不会下降。但这样,从长期来看丧失了更好的发现C端新需求的机会,也对B端作者的分发不够友好。这种变化也会慢慢体现在C端或B端的留存指标上。

围绕敏感指标做优化的时候,你不仅需要是一个用户【站在如新用户、老用户的角度来考虑】,还需要是一个自媒体【站在我是一个自媒体,这个新策略对我的内容分发量有什么影响】,换位思考满意度,从而预估这个操作是否会对留存产生影响。

举个例子,在打击某类内容的时候,最直观想到的是全局指标。一个数填进报表里,从多少降低到多少,这个双月的OKR就达成了。
但是这个指标是否会出现某个用户身上出现密集?造成用户个体的体验变差?那就需要引入用户个体指标,在用户层增加强规则打散;
解决了全局指标和个体指标,那是否会存在某个内容漏网获得极大的展示量,从而引发B端的破窗效应?那就接着要引入内容个体指标,确保这样的内容不会有太高的展示量。

把平台、C端、B端都想一遍,得出的产品才不会偏得太远。

操作性:将方向量化成指标,PK指标重要度,指导解决方案选取

我现在在做粉丝方向的,我很痛苦。

因为对于粉丝的内容进行强Boost,是一个很明确有损点击、有损停留时长的事情,甚至于仅从C端用户的阅读需求上来说,几乎没有什么正收益。

那,为什么还要做?

  • 可能刺激C端做更多的互动,享受更多内容之外的服务。
  • 帮助B端更好的变现,从而增强B端的留存。

点击、停留时长都是看得见的数字。

为了推进粉丝向的事情,就必须补充可量化的B端指标如跟其他平台发文量的对齐,回复粉丝评论的情况,C端指标如外链点击率、粉丝互动率等等。

指标间可能是冲突的,进一步PK指标的重要程度,达成一个为了实现指标A可以损失百分之几指标B的折衷,从而在此范围内进行迭代。

作者 闫泽华

关键字:产品经理

版权声明

本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符,请点击 举报 进行投诉反馈!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部