抖音個(gè)性化推薦在哪里設(shè)置呢,抖音_推薦設(shè)置?
現(xiàn)在在許多產(chǎn)品中,我們都可以見到推薦機(jī)制的應(yīng)用,比如抖音、淘寶等產(chǎn)品中的推薦頁面。那么作為一名運(yùn)營,你了解推薦系統(tǒng)、或者個(gè)性化推薦嗎?你又是否能理解“推薦”和“流量”之間的關(guān)系?本文作者就對(duì)推薦一事做了詳細(xì)總結(jié),一起來看。
推薦對(duì)于非技術(shù)同學(xué)而言更像是一個(gè)黑盒,越來越多產(chǎn)品都引入了推薦,而推薦又和流量緊緊掛鉤。此文獻(xiàn)給所有的運(yùn)營同學(xué)。
這篇文章寫于1年前,希望可以系統(tǒng)又簡(jiǎn)單地給業(yè)務(wù)、運(yùn)營同學(xué)講清楚推薦的運(yùn)轉(zhuǎn)邏輯、推薦可以做什么、以及如何掌握推薦的流量密碼。
本文比較長,大約 7000 字,我把目錄放在前面,大家可以先看是否有感興趣的部分,再?zèng)Q定是否往下看,節(jié)約時(shí)間。
我對(duì)推薦好奇,可以通過這個(gè)文檔了解什么?
?? 簡(jiǎn)單理解推薦
- 什么是個(gè)性化推薦——直觀感受、產(chǎn)品參考,對(duì)推薦有個(gè)初步概念。
- 推薦系統(tǒng)解決什么問題——知道推薦這件事的價(jià)值是什么。
- 推薦怎么知道我對(duì)什么感興趣——推薦的原理,對(duì)推薦有更深入的了解。
- 推得不準(zhǔn)我怎樣讓它推準(zhǔn)點(diǎn)——推薦的原理,對(duì)推薦有更深入的了解。
- 推薦有目標(biāo)嗎——我們對(duì)于推薦的預(yù)期是什么。
- 什么是推薦能做的——推薦擅長解決哪些問題。
- 什么是推薦做不來的——哪些問題不能依賴推薦解決。
?? 深入理解推薦
- 推薦是如何運(yùn)作的?
- 推薦在咱們業(yè)務(wù)是如何運(yùn)作的?
- 為什么要有召回、粗排、精排?
- 推薦模型是如何優(yōu)化的?
- 推薦模型多久開一次實(shí)驗(yàn)?
- 為什么上了新策略沒有效果?
- 為什么要做實(shí)驗(yàn)?不能直接全量?
- 沒有收益的策略,一定不能上線嗎?
?? 我是一個(gè)運(yùn)營,我希望能掌握一些流量密碼
- 沒有流量,是什么原因?
- 為什么點(diǎn)擊率很高,曝光不高?
- 這個(gè)內(nèi)容很差,為什么曝光這么高?
- 推薦怎么給新用戶做推薦?
- 怎么多一些曝光機(jī)會(huì)?
?? and,最后,你可能會(huì)關(guān)心的問題是怎么給推薦提需求?
一、我對(duì)推薦好奇
1. 什么是個(gè)性化推薦?
你打開今日頭條、抖音時(shí)最先看到一個(gè)頁面,一般這個(gè)頁面也會(huì)命名為「推薦」。當(dāng)然,我們不能因?yàn)樗型扑]我們就把它視為推薦。還有像淘寶這種,它叫做「猜你喜歡」。你會(huì)發(fā)現(xiàn),你越看什么,就越容易刷到什么,這就是個(gè)性化推薦在起作用。
個(gè)性化推薦系統(tǒng)解決的是用戶和商品/內(nèi)容中間的關(guān)聯(lián)關(guān)系,它是二者之間的橋梁??赡苣銜?huì)好奇,我有需求會(huì)用搜索,不會(huì)用推薦啊。你用過搜索,應(yīng)該能感受到推薦和搜索的區(qū)別:搜索是人去找商品、推薦則是商品找人。推薦系統(tǒng)會(huì)根據(jù)你的興趣偏好,把你可能會(huì)感興趣的商品或內(nèi)容推到你面前、提升。
哪里有海量信息,哪里就有推薦系統(tǒng),我們每天最常用的APP都涉及到推薦功能:
- 資訊類:今日頭條、騰訊新聞等
- 電商類:淘寶、京東、拼多多、亞馬遜等
- 娛樂類:抖音、快手、愛奇藝等
- 活服務(wù)類:美團(tuán)、大眾點(diǎn)評(píng)、攜程等
- 社交類:微信、陌陌、脈脈等
2. 推薦系統(tǒng)解決什么問題?
于用戶而言,推薦既要解決互聯(lián)網(wǎng)信息過載、用戶篩選信息乏力的問題,又要關(guān)注用戶沒有目標(biāo)但想“隨便看看”的場(chǎng)景。
于平臺(tái)而言,推薦還需要減少馬太效應(yīng)和長尾效應(yīng)的影響,使商品/內(nèi)容的利用率更高,盈利增長。簡(jiǎn)單來說,推薦是為了不占用用戶太多時(shí)間的基礎(chǔ)上把商品賣給他/讓他消費(fèi)內(nèi)容。
推薦系統(tǒng)20世紀(jì)90年代就被提出來了,但真正進(jìn)入大眾視野以及在各大互聯(lián)網(wǎng)公司中流行起來,還是最近幾年的事情。
隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展,越來越多的信息開始在互聯(lián)網(wǎng)上傳播,產(chǎn)生了嚴(yán)重的信息過載。因此,如何從眾多信息中找到用戶感興趣的信息,這個(gè)便是推薦系統(tǒng)的價(jià)值。精準(zhǔn)推薦解決了用戶痛點(diǎn),提升了用戶體驗(yàn),最終便能留住用戶。
推薦系統(tǒng)本質(zhì)上就是一個(gè)信息過濾系統(tǒng),通常分為:召回、排序、重排序這3個(gè)環(huán)節(jié),每個(gè)環(huán)節(jié)逐層過濾,最終從海量的物料庫中篩選出幾十個(gè)用戶可能感興趣的物品推薦給用戶。
3. 推薦怎么知道我對(duì)什么感興趣?
推薦系統(tǒng)會(huì)收集你的歷史行為數(shù)據(jù),可能會(huì)有這些:
- 你買過的商品,推薦系統(tǒng)會(huì)獲取到價(jià)格、類目、風(fēng)格/類型、機(jī)構(gòu)/商家,并推薦相關(guān)的商品給你。
- 你瀏覽的商品,你點(diǎn)擊了、或沒有點(diǎn)擊,推薦會(huì)把點(diǎn)擊過的都標(biāo)記為你感興趣,滑過去的暫時(shí)不感興趣。
- 你搜索的關(guān)鍵詞,推薦系統(tǒng)會(huì)認(rèn)為與這個(gè)關(guān)鍵詞相關(guān)的商品你都可能會(huì)感興趣。
- 還有一些其他的行為,比如收藏、分享、評(píng)價(jià)……
4. 推得不準(zhǔn),我怎樣讓它推準(zhǔn)點(diǎn)?
感覺推得不準(zhǔn)可能有兩方面原因:一是推薦模型還不完善,二是你喂給推薦的數(shù)據(jù)不夠多。如果你想讓推薦推得更準(zhǔn),可以嘗試進(jìn)行以下兩個(gè)操作:
- 主動(dòng)表達(dá)興趣:點(diǎn)擊、收藏你喜歡的商品/內(nèi)容;搜索你你感興趣的關(guān)鍵詞;設(shè)置你的興趣偏好。
- 主動(dòng)反饋問題:通過 dislike 告訴推薦你不喜歡的商品/內(nèi)容、類型,推薦就會(huì)少推這些。
注意,dislike 只能盡量過濾掉你不喜歡的內(nèi)容,無法幫你找到喜歡的內(nèi)容,所以如果想訓(xùn)練你的推薦模型,盡量進(jìn)行操作一 [主動(dòng)表達(dá)興趣] 。
5. 推薦有目標(biāo)嗎?
我們平臺(tái)推薦的目標(biāo)是提升付費(fèi)率,希望推得更準(zhǔn),用戶愿意點(diǎn)、愿意買。付費(fèi)率是核心目標(biāo),拆解下來也會(huì)看點(diǎn)擊率、人均點(diǎn)擊數(shù)、人均瀏覽數(shù)等等,這些中間指標(biāo)也能衡量推薦推的準(zhǔn)不準(zhǔn)。
為什么要拆中間指標(biāo)?點(diǎn)擊率=你推給用戶他是否愿意點(diǎn),更能代表推的是否準(zhǔn);人均點(diǎn)擊數(shù)=點(diǎn)得越多,越能證明推薦猜你喜好猜得準(zhǔn)。用戶進(jìn)入商品詳情頁后面的事情推薦管不到,所以用付費(fèi)率不能完全代表推的是否準(zhǔn)。
6. 什么是推薦能做的?
用更多的 [特征] 來訓(xùn)練模型,讓模型猜得更準(zhǔn)。特征值得是這個(gè)用戶的信息標(biāo)簽,比如你的瀏覽信息、搜索信息、購買信息、分享信息、評(píng)價(jià)信息……這些都是特征,是區(qū)別給你推什么、給我推什么的關(guān)鍵信息。
除此之外,還可以通過一些 [策略] 來滿足業(yè)務(wù)其他訴求,如通過 boost 規(guī)則給指定商品/內(nèi)容曝光(關(guān)于如何使用 boost 規(guī)則見本文第20條)。
7. 什么是推薦做不來的?
如果你在逛推薦時(shí)遇到一些問題,需要注意以下幾類問題不能依賴推薦解決:
1)畫風(fēng)不好
畫風(fēng)是一個(gè)主觀感知,用戶 A 覺得這個(gè)畫風(fēng)不好(標(biāo)題、文案、封面、音樂等使人不適),可能用戶 B 會(huì)覺得不錯(cuò),即便用戶 A 反饋了畫風(fēng)不好的問題,也不意味著用戶 B 就不喜歡。
推薦不解決主觀感受,只解決“這個(gè)商品/內(nèi)容本身你是否會(huì)感興趣,而不是這個(gè)畫風(fēng)你是否會(huì)喜歡”。畫風(fēng)問題依賴審核和推薦審核,同時(shí)我們也會(huì)通過 dislike 收集關(guān)于封面體驗(yàn)不好的問題,并交給供給側(cè)去優(yōu)化。
2)標(biāo)題不好
不要試圖希望推薦推一些標(biāo)題更好的商品/內(nèi)容,因?yàn)樗恢朗裁词呛脴?biāo)題。如果一個(gè)商品/內(nèi)容的標(biāo)題很差、但點(diǎn)擊、付費(fèi)率很高,它在推薦里就會(huì)很容易被推出。審核和推薦審核是非常重要的。
3)質(zhì)量不好
解決不了有一些盜版內(nèi)容、分銷課程(在多個(gè)機(jī)構(gòu)上傳)、換多個(gè)標(biāo)題都是同一門課/內(nèi)容的問題。從推薦來看,如果本身點(diǎn)擊率很高,推薦通過用戶歷史行為、預(yù)估這些課程都是用戶可能會(huì)感興趣的,都會(huì)展現(xiàn),但對(duì)于用戶而言同一個(gè)商品/內(nèi)容看到好多遍,體驗(yàn)必然不好。這個(gè)還是需要審核去解決。
二、深入理解推薦
1. 推薦是如何運(yùn)作的?
用戶打開App,刷新首頁(下拉刷新 or 重啟app刷新),客戶端會(huì)請(qǐng)求服務(wù)端(數(shù)據(jù)),服務(wù)端會(huì)請(qǐng)求推薦(模型),這個(gè)時(shí)候推薦會(huì)返回幾條數(shù)據(jù)給服務(wù)端,服務(wù)端傳給客戶端,最終在用戶的手機(jī)上展示。
那么,推薦是如何選擇內(nèi)容的呢?為什么用戶最后看到的是這些?選擇-呈現(xiàn)過程是這樣的:
- 召回:運(yùn)營從所有商品/內(nèi)容里挑選出 {用戶可能感興趣} 且{質(zhì)量符合平臺(tái)標(biāo)準(zhǔn)}的商品/內(nèi)容放至{推薦池}。
- 粗排:用一個(gè)簡(jiǎn)單的模型預(yù)測(cè)用戶有可能感興趣的內(nèi)容、模擬每個(gè)商品/內(nèi)容的得分,從高到低排序。
- 精排:在粗排的結(jié)果上,預(yù)估用戶的點(diǎn)擊率、付費(fèi)率等,得出預(yù)估分,從高到低排序。
- 規(guī)則:考慮到用戶體驗(yàn) or 運(yùn)營訴求,在精排的基礎(chǔ)上會(huì)應(yīng)用一些規(guī)則,如打散、強(qiáng)插、boost 等。
- 收集反饋:把課程推給用戶后,基于用戶的點(diǎn)擊、購買、dislike 行為,會(huì)收集起來用于優(yōu)化模型。
2. 推薦在咱們業(yè)務(wù)是怎么作業(yè)的?
這個(gè)部分是我原來業(yè)務(wù)的推薦運(yùn)轉(zhuǎn)流程,保留這個(gè)部分是為了還原一個(gè)推薦應(yīng)用場(chǎng)景,幫助大家理解后面的東西。
1)召回
運(yùn)營同學(xué)建立《推薦課程審核標(biāo)準(zhǔn)》,從所有課程中按照推薦標(biāo)準(zhǔn),將符合標(biāo)準(zhǔn)的課程審核召回至推薦池。即:在售課程池(全量)?推薦課程池(部分),能被推薦的只有推薦課程池的課程。
2)粗排
推薦取了所有召回課程的歷史點(diǎn)擊率、轉(zhuǎn)化率、銷量數(shù)據(jù),盡可能的模擬精排模型的打分,在所有召回的課程中選出得分靠前的幾百個(gè)視頻送給精排。粗排是大數(shù)據(jù)結(jié)果,也就是根據(jù)所有用戶產(chǎn)生的數(shù)據(jù)做了一個(gè)預(yù)估,最終呈現(xiàn)給其他用戶的也是大數(shù)據(jù)的結(jié)果。
比如ABCD都買A課,那么XYZ來了我優(yōu)先推A課、他的付費(fèi)概率更高。粗排召回更適用于新用戶,因?yàn)樾掠脩魶]有任何行為,推薦模型沒辦法預(yù)估他可能喜歡什么類型的課程,這個(gè)時(shí)候就用大數(shù)據(jù)的預(yù)估(大家都買什么、點(diǎn)什么)來推給用戶。一句話解釋:你可以理解為粗排相當(dāng)于一個(gè)熱銷榜。
3)精排
對(duì)于已經(jīng)有消費(fèi)行為的用戶(付費(fèi)、點(diǎn)擊、收藏等),我們會(huì)把他的這些行為特征收集起來,去預(yù)估他可能還會(huì)對(duì)什么課程感興趣。精排是在粗排的基礎(chǔ)上做的,粗排的作用是把得分靠前的課程遞給精排。一句話解釋:如果你有行為,最終推給你的課就跟推給我的不一樣。
4)規(guī)則
在精排的基礎(chǔ)上應(yīng)用幾個(gè)規(guī)則,比如
- 5 分鐘 send 消重:5 分鐘內(nèi)服務(wù)端下發(fā)過的數(shù)據(jù)不會(huì)下發(fā)第二次;
- 3 天 show 消重:客戶端展示過的課程3天內(nèi)不會(huì)再展示;
- 打散策略:每一次請(qǐng)求數(shù)據(jù),20~30個(gè)課程,同三級(jí)類目最多出 2 個(gè)。
把這些規(guī)則應(yīng)用完之后,會(huì)把排在前面的課程展現(xiàn)給用戶。
打散策略是為了避免相同類型的課程扎堆,容易引發(fā)用戶不好的體驗(yàn):刷來刷去都是講學(xué)習(xí)音標(biāo)的,平臺(tái)的內(nèi)容會(huì)不會(huì)太少了些。
而 send 消重和 show 消重的區(qū)別是:
- send 消重是服務(wù)端下發(fā)了,只是用戶還沒刷到(服務(wù)端一次下發(fā) 20-30 條數(shù)據(jù),用戶每屏只能看到5-6個(gè)課程)。下發(fā)了、用戶沒看到,5分鐘后依然可以推。
- show 消重是用戶在手機(jī)屏幕上看到了這個(gè)課,滑過去了沒有點(diǎn)擊,那么代表用戶不感興趣,一段時(shí)間內(nèi)不再推。
5)收集反饋
你點(diǎn)擊了短視頻剪輯課程,推薦認(rèn)為你對(duì)短視頻課程更感興趣,則后面短視頻剪輯的課程得分就更高,更容易優(yōu)先展示給你。也就是你越用,推薦模型就可能預(yù)估得越精準(zhǔn),推給你的內(nèi)容你越感興趣。
3. 為什么要有召回、粗排、精排?不能直接用精排嗎?
性能因素。直接用一個(gè)復(fù)雜的模型從大量數(shù)據(jù)中找?guī)资畻l內(nèi)容速度會(huì)非常慢。所以先召回幾千條,再用粗排找到幾百條,再從幾百條里找到幾十個(gè)推給用戶。
4. 推薦模型是如何優(yōu)化的?
推薦模型的優(yōu)化由兩部分驅(qū)動(dòng):模型本身訓(xùn)練、調(diào)優(yōu)需求,業(yè)務(wù)側(cè)新需求。
模型訓(xùn)練調(diào)優(yōu)主要是指性能優(yōu)化、新增用戶特征讓模型猜的更準(zhǔn),如模型結(jié)構(gòu)的改進(jìn)、增加更多用戶/商品特征、擴(kuò)大候選集(召回)、提高數(shù)據(jù)反饋時(shí)效(模型更及時(shí)的得到數(shù)據(jù)反饋);業(yè)務(wù)側(cè)也會(huì)有控制價(jià)格出現(xiàn)比例、給精選課程增加 boost 等優(yōu)化體驗(yàn)需求和運(yùn)營需求。
但,無論是模型調(diào)優(yōu)需求還是業(yè)務(wù)需求,每一次修改(稱作一個(gè)策略)都需要遵循下述流程:
- 明確目標(biāo):這個(gè)動(dòng)作的目標(biāo)是什么?想要得到什么結(jié)果?
- 制定策略:根據(jù)目標(biāo),提出解決方案,一般會(huì)有多個(gè)策略可以達(dá)成目標(biāo),需要業(yè)務(wù)&推薦一起評(píng)估實(shí)驗(yàn)成本、效果,最終排出優(yōu)先級(jí)進(jìn)行開發(fā)。
- 設(shè)計(jì)實(shí)驗(yàn):明確實(shí)驗(yàn)開啟方式、觀測(cè)的核心指標(biāo)和預(yù)期收益。
- 檢查實(shí)驗(yàn)結(jié)果:如果符合預(yù)期,判斷是否全量上線;如果不符合預(yù)期,需要判斷放大流量繼續(xù)觀察或分析實(shí)驗(yàn),根據(jù)分析結(jié)果判斷是放棄該策略、還是優(yōu)化該策略。
- 上線/關(guān)閉:如果符合預(yù)期,上線。繼續(xù)下一個(gè)策略。
5. 推薦模型多久開一次實(shí)驗(yàn)?
推薦實(shí)驗(yàn)是非常高頻的。并不是一個(gè)實(shí)驗(yàn)/策略有了結(jié)果才可以開啟新實(shí)驗(yàn),可以多個(gè)實(shí)驗(yàn)并行、同時(shí)驗(yàn)證多個(gè)策略,最終選擇效果更好的策略全量上線。比如我們兩個(gè)月就開了 30 多組實(shí)驗(yàn)。
6. 為什么上了新策略沒有效果?
推薦是一個(gè)長周期的事情,不是一朝一夕就訓(xùn)練好的。推薦相信的是長期有收益,且模型的養(yǎng)成是需要數(shù)據(jù)喂養(yǎng)的,喂得越多就推得越準(zhǔn)。
所以一個(gè)新的推薦策略上線,肯定不會(huì)馬上有效果。就像我們要增肥,不是今天吃一頓明天就能胖了,身體需要吸收、持續(xù)吸收。
7. 為什么要做實(shí)驗(yàn)不能直接全量?
經(jīng)驗(yàn)上,預(yù)期的效果和實(shí)際的效果可能會(huì)有非常大的差異。不做AB實(shí)驗(yàn)直接上線,可能會(huì)帶來嚴(yán)重的影響。不是每一個(gè)策略都是正向的,推薦模型只是預(yù)估用戶更可能喜歡什么,這不意味著用戶真的喜歡。所以新的策略上線后,有一定概率是負(fù)向的,也就是用戶覺得推得更不準(zhǔn)了。
一般,實(shí)驗(yàn)需要觀測(cè) 1-2 周來看數(shù)據(jù)是否穩(wěn)定。如果有正向收益or損失不大,但相信長期有收益,即可上線。
8. 沒有收益的策略,一定不能上線嗎?
AB 實(shí)驗(yàn)沒有顯著正向或略負(fù)向也可以上線。必須滿足以下大前提:
- 判斷需要長期迭代,必須在此基礎(chǔ)上疊加其他策略,可以接受短期無收益。
- 推薦需要逐步積累用戶數(shù)據(jù),此策略才能發(fā)揮作用,數(shù)據(jù)越多,訓(xùn)練周期越短。
三、我希望了解流量密碼
1. 課程沒有流量,是什么原因?
沒有流量的原因有很多。一般來說會(huì)有以下幾種可能,不僅僅是推薦的原因:
- 商品/內(nèi)容已經(jīng)上架,但未審入推薦池。
- 相似、同質(zhì)的商品/內(nèi)容比較多,大家數(shù)據(jù)都很好的情況下,展現(xiàn)的概率就更低。
- 商品歷史銷量、點(diǎn)擊、轉(zhuǎn)化率都不高,在推薦候選中的排序本身就比較靠后。
- dislike 較多反饋了標(biāo)題、封面差等問題。
- 為什么有些商品/內(nèi)容一開始曝光數(shù)很高,后面就沒有了?
推薦會(huì)把商品/內(nèi)容推薦給可能對(duì)它感興趣的用戶。一開始推的多,是因?yàn)轭A(yù)估可能感興趣的用戶多,在推了1萬次之后,大家都不點(diǎn)擊,推薦就會(huì)認(rèn)為這部分用戶對(duì)這個(gè)商品/內(nèi)容不感興趣、該商品/內(nèi)容的得分就會(huì)越來越低(推薦排序就會(huì)靠后),那么越往后就越推不出來了。
2. 為什么課程點(diǎn)擊率很高,曝光數(shù)不高?
點(diǎn)擊率高是因?yàn)橥频帽容^準(zhǔn),推過去后用戶更愛點(diǎn)。曝光數(shù)不高的可能性有很多:
- 喜歡這個(gè)商品/內(nèi)容的用戶是有限的。
- 相似、同質(zhì)的商品/內(nèi)容比較多,推薦時(shí)不一定能勝出。
- dislike 較多反饋了標(biāo)題、封面差等問題。
3. 這個(gè)內(nèi)容很差,為什么曝光這么高?
判斷比較主觀,推薦看的不是一個(gè)人的主觀判斷,而是用戶的行為選擇。
4. 推薦怎么給新用戶做推薦?
冷啟動(dòng)包括新用戶冷啟動(dòng)和商品冷啟動(dòng)。新用戶冷啟動(dòng)是當(dāng)一個(gè)用戶沒有任何行為數(shù)據(jù)和輔助信息的情況下,如何給他做好推薦?商品的冷啟動(dòng)即長尾問題——如何將新的物品快速推薦給可能對(duì)它感興趣的用戶?
- 一個(gè)新內(nèi)容,推薦無法判斷誰可能會(huì)喜歡它。推薦會(huì)根據(jù)跟它相似的課程可能會(huì)被用戶喜歡來做嘗試。如果想要推得更準(zhǔn),就需要給內(nèi)容增加更多特征、讓推薦可以猜測(cè)得更準(zhǔn)一些。
- 一個(gè)新用戶,推薦無法判斷他可能會(huì)喜歡什么。會(huì)嘗試把“大家認(rèn)為的好內(nèi)容”推給用戶,如果想要推的更準(zhǔn)就需要借助用戶主動(dòng)選擇興趣、加快用戶動(dòng)作反饋等方法來提高推薦對(duì)新用戶的作用效率。
新用戶是沒有歷史行為數(shù)據(jù)的,那個(gè)性化推薦模型就無法對(duì)其產(chǎn)生作用,我們?nèi)绾巫鐾扑]呢?
一種方法是新用戶主動(dòng)選擇興趣偏好,讓用戶自己去選自己對(duì)什么感興趣;另一種是先按照統(tǒng)計(jì)模型(Thompson 湯普森采樣 – 可以理解為按照一個(gè)標(biāo)準(zhǔn))去推。也就是如果從第一天開始,所有新用戶看到的都是一樣的,但同時(shí)我加快動(dòng)作的反饋,也就是當(dāng)用戶一旦有了點(diǎn)擊、收藏、付費(fèi)等行為,那么下一次請(qǐng)求數(shù)據(jù)的時(shí)候,推薦就可以起作用了。
5. 怎么給老師多一些曝光機(jī)會(huì)?
這個(gè)問題需要先理解另外兩個(gè)問題:為什么推薦不多給老師一些曝光機(jī)會(huì)?如何理解boost?
為什么不多給老師一些曝光機(jī)會(huì)?
推薦的目標(biāo)是讓用戶滿意(買課的人),一般不會(huì)考慮老師的滿意度。當(dāng)然,從平臺(tái)生態(tài)的角度來考慮,只有讓老師滿意,老師才會(huì)傳更多的課到平臺(tái),平臺(tái)才有更多的課提供給用戶(推薦去推)。
所以,在讓用戶滿意的基礎(chǔ)上(推得更準(zhǔn)),也會(huì)加一些規(guī)則去保證老師的利益。比如課程冷啟動(dòng)規(guī)則(給一些新課固定的曝光資源)、運(yùn)營精選boost(給一些優(yōu)質(zhì)課加權(quán)重)、已購老師boost(購買過的老師的課程加權(quán)重)。當(dāng)然,后續(xù)可能也會(huì)有一些其他新策略,既讓推薦推的更準(zhǔn),也能給到老師一些資源保證。
如何理解 boost ?
從推薦視角來看,是反對(duì) boost 的,因?yàn)槿魏?boost 都是人的主觀意愿:我認(rèn)為用戶對(duì)這個(gè)更感興趣、我希望用戶能看到這個(gè)內(nèi)容。實(shí)際上,boost 并不能讓推薦推得更準(zhǔn),過多的 boost 干擾還可能影響推薦的策略。
那為什么我們還會(huì)加一些 boost 的策略呢?
- 適當(dāng)、合理的 boost 可能會(huì)提高推薦準(zhǔn)確度,注意,只是可能。比如我們從數(shù)據(jù)發(fā)現(xiàn),一半的用戶都第二次下單都是買的原來老師的課程,那我們就加了相同老師(已購老師)的 boost ,讓這個(gè)用戶購買過的老師的課更容易展現(xiàn)給你。
- 對(duì)于老師而言,適當(dāng)?shù)?boost 是為了平臺(tái)的老師生態(tài),包括新課 boost 和精選 boost 。
如果運(yùn)營側(cè)有給老師曝光的訴求、想用流量作為運(yùn)營老師的激勵(lì)點(diǎn),或者為了讓一些尾部但優(yōu)質(zhì)的課程有售出機(jī)會(huì),需要在推薦模型的基礎(chǔ)上加干預(yù)規(guī)則,那么可以把你的訴求提給產(chǎn)品,產(chǎn)品和推薦同學(xué)會(huì)在不傷害用戶體驗(yàn)、推薦仍然有作用空間、且能實(shí)現(xiàn)運(yùn)營目標(biāo)的基礎(chǔ)上共同制定策略。
四、我怎么給推薦提需求
可以以這樣的姿勢(shì)給推薦同學(xué)提需求:需求目的是什么?想要解決什么問題?預(yù)期效果是什么?對(duì)用戶會(huì)有什么影響?你要相信,推薦同學(xué)了解的推薦策略會(huì)比你多很多,把你的問題交給他,他們會(huì)選出更能幫你實(shí)現(xiàn)目標(biāo)的策略。
? 錯(cuò)誤的方式:我想在推薦強(qiáng)插某老師課程。
? 正確的方式:我們想要給優(yōu)質(zhì)課程更多的曝光機(jī)會(huì),一方面是這些課程質(zhì)量很好應(yīng)該不會(huì)對(duì)用戶體驗(yàn)造成損傷,另一方面也可以作為老師運(yùn)營的抓手,能激勵(lì)老師產(chǎn)生更多優(yōu)質(zhì)課程。
? 錯(cuò)誤的方式:我想在模型里加個(gè)特征。
? 正確的方式:我發(fā)現(xiàn)最近給我推的課程價(jià)格都偏高,調(diào)研了幾個(gè)用戶也是如此。如果我們持續(xù)推高于用戶消費(fèi)水平的課程,付費(fèi)率可能會(huì)越來越低。我們看下是通過推薦價(jià)格占比、還是引入用戶歷史/最近一次消費(fèi)金額,來減少大量推高單價(jià)的情況。
? 錯(cuò)誤的方式:能不能給新課加 boost。
? 正確的方式:老師拉新團(tuán)隊(duì)最近拉了很多新老師入駐,但是這些老師的課程都沒有曝光量,這影響了老師傳課的積極性,長期來看我們會(huì)做大量的老師拉新工作、如果新老師的新課沒有流量會(huì)影響整個(gè)平臺(tái)的老師生態(tài)。有沒有什么方法,可以給這些老師/課程一些曝光的機(jī)會(huì)?
五、我為什么要寫這個(gè)
這篇文章不能說把推薦講得非常透徹、但也盡力從業(yè)務(wù)視角把一個(gè)技術(shù)邏輯講得更易懂。
我們是個(gè)平臺(tái)產(chǎn)品,既有C端用戶也有B端用戶。負(fù)責(zé)B端拓展的同學(xué)就希望流量有傾斜,運(yùn)營同學(xué)對(duì)各項(xiàng)指標(biāo)負(fù)責(zé)又希望基于他的目標(biāo)做策略調(diào)整,產(chǎn)品考慮用戶體驗(yàn)也會(huì)有體驗(yàn)向的需求,不同角色的需求經(jīng)常會(huì)相悖。而推薦本身也有自己的運(yùn)轉(zhuǎn)邏輯,一定會(huì)有不能滿足、或者滿足的不好的地方。
想要取得好的溝通效果、達(dá)成目標(biāo),就要先了解對(duì)方的邏輯(推薦),以及如何利用資源(推薦機(jī)制),這篇文章原本是寫給我合作的運(yùn)營同學(xué),借此也獻(xiàn)給所有會(huì)關(guān)注推薦和流量的運(yùn)營伙伴。
專欄作家
燒包鹿,微信公眾號(hào):燒包鹿(hishaobaolu),所有的文字都為了傳遞如何思考,人人都是產(chǎn)品經(jīng)理專欄作家。
本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載
題圖來自 Unsplash,基于CC0協(xié)議
該文觀點(diǎn)僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
如若轉(zhuǎn)載,請(qǐng)注明出處:http://www.cananla.cn/15218.html