隨著互聯網的發展,產品的分發方式也在逐步演進。
本文主要介紹四種常見的產品分發策略,并且講述如何通過數據智能的方式提升各種分發策略的效率,助力精細化運營;同時,結合具體案例進一步說明如何進行推薦策略的迭代與優化。
關注神策數據公眾號,回復“演講PPT”即可免費下載完整版演講PPT。
一、如何理解產品分發?
為了更好地理解產品分發,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容是不一樣的,有的有生活繳費,有的有推薦卡片,有的有資訊卡片,支付寶 APP 不同模塊的產品和內容的分發邏輯是不同的。
在支付寶首頁,是如何進行分發的呢?
“掃一掃”“收付款”“出行”“卡包”四大“金剛位”,是用戶進入 APP 的視覺焦點,這四個位置只承接公司的戰略業務,因此基本所有人看到的都是一樣的。一旦這些位置的內容有所調整,說明支付寶甚至阿里的經營戰略可能已經發生了變化
下方的五大“羅漢位”,之前是無法編輯的,因為承接的是支付寶僅次于戰略業務的方向性業務,后來綜合考慮用戶的使用效果進行了調整,因為即使是方向性業務,用戶不點擊也是流量的一種浪費
再下方的宮格位承接的是諸如餐飲、出行、繳費等生活服務入口,其位置也可以進行排序。
再下方的“消息”,并不通過規則分發,而是由業務邏輯觸發,比如商品到貨、退款到賬等
……
總結來說,支付寶首頁既有完全一樣分發的戰略業務,又有基于規則排序的宮格位;有基于運營和投放的 Banner,還有基于個性化推薦的 Feed,基本涵蓋了互聯網產品主流的分發邏輯。
關注神策數據公眾號,回復“演講PPT”即可免費下載完整版演講PPT。
如果某個互聯網產品所能夠提供的服務較少,核心溝通場景只有一個,原則上不用考慮分發策略,但當產品開始出現運營需求,就要開始考慮人工運營的分發。
而隨著服務能力的增多,需要通過簡單的規則進行排序,比如高點擊率、高曝光、高轉化的頁面排在前面;當服務能力進一步增強,內容逐步增多,簡單的規則排序已經不能滿足分發效率,這時可以通過搜索幫助用戶直達某項服務;當用戶圈層越來越多,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,隨著互聯網的發展,分發規則也在逐步演進。
通常,產品的分發策略總共分為 4 類:人工運營、規則分發、搜索分發、算法分發。
人工運營:可以實現千人一面(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)
規則分發:當服務的品類變多,需要通過簡單的規則提升效率
搜索分發:基于明確的需求,進行精準的召回
算法分發:個性化推薦或相關推薦
那么,產品分發究竟是什么?產品分發本質上是用戶需求的分發。
當用戶打開一個產品,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,產品分發原則上要以最短的路徑把想看的內容展示給用戶。對平臺而言,用什么樣的分發方式可以將用戶導流到業務線一、業務線二等,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,比如當前戰略目標是做好某項業務,站在平臺的視角,適合什么樣的分發規則?解決匹配效率時,要實現產品戰略和平臺收益的最大化。
二、數據智能提升分發效率
人工運營、規則分發、算法分發,從前到后三類分發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據智能提升三種分發方式的效率。
1、人工運營
舉個例子,某金融 APP 運營要在首頁增加理財彈窗。
通常,首頁彈窗的用戶體驗不太好,原則上是能不彈就不彈,但如果必須進行彈窗的話,建議只對那些對彈窗內容感興趣的用戶進行彈窗觸達,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行定向篩選,比如過去購買此類理財產品的用戶大多為北京、年齡在 25-30 歲,那就基于這些靜態特征將這批用戶圈選進行彈窗展示。
但更高效的分發方式其實是只給對相關活動感興趣的用戶彈窗,那么目標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相似的用戶。
如果之前平臺沒有做過類似活動,沒有相關特征該如何挖掘呢?平臺在進行相關活動推廣時,通常會先進行小規模放量的灰度測試,比如先切 10% 的流量給到相關活動,在這 10% 的用戶中,如果有人點過相關彈窗,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。
在人工運營的分發方式中,提效的主要路徑是從粗放式運營到用戶分群運營。用戶分群如何分?主要有三種:基于靜態屬性分群、基于行為分群、基于用戶行為特征挖掘分群。
2、規則分發
規則分發該如何提效?
假設用戶點開某金融 APP 后,同時命中 10 個彈窗規則,到底應該彈哪個?
通常針對這種情況都會制定相關規則,比如點擊率(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:所有排序的規則大都基于不同彈窗的表現情況,而并沒有考慮用戶偏好。
如果想找到用戶愛看的彈窗,首先要對用戶進行更細顆粒度地洞察,比如過往是否買了理財、是否貸過款、是否領過贈險……根據過往的行為,為用戶打上偏好標簽,從而對他們有進一步的認知,然后基于標簽匹配進行規則分發,比如為有理財偏好的用戶彈出理財體驗金;為已通過授信但尚未提現的用戶彈出免息券等。總之,通過更細顆粒度的用戶標簽為規則分發提效。
關注神策數據公眾號,回復“演講PPT”即可免費下載完整版演講PPT。
3、算法分發
如果相關分發規則顆粒度更細,其實就進入到個性化算法分發模式。我們對用戶的理解越細致,分發的效果就越好。
通常個性化算法分發比較依賴數據,用戶是誰?有什么特點?用戶特征如何?這些是做運營,甚至是做個性化推薦的基礎。
用戶特征通常分為兩類,一類是靜態特征,一類是動態特征。
靜態特征:一段時間內不會發生變化的特點,比如性別、年齡、地域、渠道等。
動態特征:基于用戶行為來提取的特征,他和用戶當前場景下的興趣和愛好息息相關。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、點擊、停留時長以及互動行為(轉評贊等);
負反饋: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行刻畫。比如對視頻內容、運營物料等有所了解,這些稱之為 Item,Item 也分為靜態和動態特征。
物品靜態特征:指內容自身的屬性特征。例如:視頻時長、圖片寬高比、安全等級、風控等級、作者、內容字數、一級分類、二級分類……
物品動態特征:指的是基于用戶行為抽象的特征,動態特征又分為正反饋和負反饋。例如:點擊率、完播率、點贊率、分享率、評論率、收藏率、負反饋……
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。
三、推薦策略的迭代與優化
1、個性化分發的邏輯框架
個性化算法分發涉及的邏輯結構主要有三個:召回、排序、重排。
召回
比如某個新聞資訊 APP 對站內內容按照熱門來排序,高點擊率的內容放在前面,即熱門召回;比如有的 APP 會基于用戶偏好進行排序,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則或特征,把內容從庫里檢索出來進行排序分發。
排序
排序的目標要結合具體的業務場景確定,即業務上達成什么樣的目標,最有可能實現目標的物料會被排到前面。
比如業務目標是提高新聞資訊流 CTR,那么就按照 CTR 預估排序,用戶最可能點哪個,就把哪個放前面;比如電商的推薦目標是提升購買轉化率,哪個對用戶來說最可能成單,哪個就排前面。
重排
因為召回和排序的過程是一個算法黑盒,沒有辦法控制。當算法排序結果不符合預期時,可以進行策略干預,這被稱為重排序。
比如某個作者比較熱門,其內容表現都很好,如果按照正常運算的排序,很可能多次刷到的都是他一個人的內容,而平臺希望用戶看到更多元和豐富的內容,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化?
基于神策 SDAF 原則,所有策略優化都要基于數據洞察,明確要優化的方向和目標,進行策略方案迭代,通過 A/B 試驗展開行動,最終基于試驗結果進行歸因。
Sense:問題感知
對于推薦策略的數據洞察,包含三部分:數據異常、主動優化、階段目標調整。
數據異常:包括核心指標 CTR 下降,要去看為什么會下降,與哪些因素有關等。
主動優化:比如想把當前 CTR 由 15% 提升到 30%,優化哪些維度可以實現。
階段性目標調整:當完成 CTR 優化后,接下來想優化互動率這個指標,那么排序的目標就要從 CTR 轉為互動率,這影響的是底層的算法邏輯。
Decision:明確策略迭代方案
以電商為例,如果只優化 CTR,對曝光和點擊進行埋點即可;而如果要優化成交率的話,那么就要看與成交相關的行為,比如收藏、加購等,這些都需要進行埋點,獲取數據后進入到模型訓練流,只有獲取到數據,模型才能基于目標進行優化。
數據洞察的主要目標是拒絕拍腦門的需求,每個需求在進行 A/B 實驗前都需要拿數據先驗證一輪。基于數據洞察,提出具體的優化策略。
Action:設計 A/B 實驗
設計 A/B 實驗時要遵循三個原則:科學的實驗分組、分組流量可置信、實驗組之間變量唯一。
Feedback:實驗效果回收/歸因
當實驗結果不符合預期,要進行歸因分析。但神策認為即使試驗的收益是正的,也要進行歸因分析。
關注神策數據公眾號,回復“演講PPT”即可免費下載完整版演講PPT。
案例 1:某 UGC 平臺要求僅召回高評論內容
某 UGC 平臺要求召回高評論的內容。在評估這個需求時,我們可以思考兩個問題:是否進行了數據洞察?高評論內容一定是好內容嗎?
好內容具有 CTR 高、消費表現好、互動率高的特點,而高評論只是互動率這個指標的體現,并不是整體好內容的指標,因此評估高評論內容的消費表現,需要進行數據洞察。
假設優化了高評論的排序后,能夠提升社區消費的深度,那么就要把高評論的內容選取出來,并對他們的消費表現進行數據洞察,如果比大盤表現好,那么就可以進行優化。
但這里還有一個問題需要明確,即什么是高評論的內容?它的標準是評論數量超過 20 還是 100,還是評論率超過 20% 等,需要明確清楚,因為不同標準的表現也不同。
假設確定完高評論的標準后,還要看符合標準的內容到底有多少,比如要召回的評論數量要大于 200,那大于 200 的內容到底有多少,如果只有 20 條,那這樣排序是否還有必要?
經過以上指標拆解和數據洞察,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率優化
某陌生人交友平臺,通過用戶的動態匹配提高用戶溝通成功率,從而幫助用戶建立關系。具體來說,這個動態匹配的過程大致分為五步:
第一步,系統以男用戶的身份給女用戶發送一條消息;
第二步,消息曝光,女用戶看到消息;
第三步,女用戶回復該條消息;
第四步,男用戶看到女用戶回復的消息,即回復的消息被曝光;
第五步,男用戶回復這條消息。
為了提升雙向溝通的概率,通過對這個鏈條進行漏斗分析,發現在第二步的漏斗轉化率偏低,即大部分女用戶都沒有看到這條消息。
通過數據洞察發現:
系統為女用戶推薦男用戶時,女用戶大多數都處于未登錄狀態
用戶平均使用 APP 的時長為 15 分鐘
基于這樣的洞察,提出策略優化方案:召回最近登錄時間在 15 分鐘之內的女用戶,即給最近登錄時間在 15 分鐘之內的用戶發送系統默認消息。
有了這個迭代策略后,隨后隨機抽取 25% 的用戶進行 1 天實驗觀察。通過實驗組和對照組效果對比,發現第二步的漏斗轉化率有明顯提升。
為了繼續優化第五步/第一步的轉化率,按小時查看最終轉化率發現:下午的轉化率明顯下降。
此時,通過數據洞察發現:
? 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 次數與第五步成功率成正比
于是,可提出策略優化方案:15 分鐘內最多只推 5 個男用戶,并取消 50 個推送限制。接下來,隨機抽取 25% 的用戶進行 2 天實驗,經過實驗組與對照組效果對比,發現策略調整后全時段回復率均有提升,達成預期。
總結起來,進行個性化策略迭代的方法論是:首先根據數據洞察得到策略迭代的方向,進行 A/B 實驗,再基于試驗結論進行正向和負向歸因。
