数据分析从零到精通第五课数据流量、策略、入口资源和AB实验设计

当前位置：资讯 > 柬埔寨服务器 >数据分析从零到精通第五课数据流量、策略、入口资源和AB实验设计

14 经典案例：如何搭建信息流产品数据分析指标体系

你好，我是取经儿。今天给你分享的是信息流产品的数据指标体系。我们分三步来讲解信息流的数据指标体系。

信息流产品的介绍

信息流产品是解决信息分发的平台。它将接入的信息经过数据挖掘打上丰富的标签，将其推送到感兴趣的人眼前。当内容足够丰富时，信息流产品可以为用户推荐无限多感兴趣的内容，平台也以此为基础，通过在信息流里插入广告来赚取收入。

如上图所示，信息流产品涉及三个主要角色：

内容；
平台（除了为用户匹配到感兴趣的内容，平台为了收入还会插入一定比例的广告）；
用户。

平台既要解决用户获取内容的问题，又要为内容生产者带来价值。当内容和用户达到一定规模之后，平台要考虑自身商业化的落地，信息流产品一般是通过在信息流中插入广告来获取收入。

信息流产品的内容形式可能是文字、图片、短视频或是长视频。现在主流的信息流产品有文字类的知乎；图文为主类的今日头条、腾讯新闻等；图文视频都有的微博；短视频为主的抖音、快手；长视频为主的腾讯视频、爱奇艺等。

可以思考下，这些平台的数据同学，需要用哪些数据刻画描述自家的产品现状？

信息流产品的场景

我们分别从用户、内容生产者和平台的角度，描述他们在信息流产品里的消费场景，便于理解阐述的指标体系。

用户在信息流产品里的消费的场景

小明同学，每天打开 5 次 App，刷新内容 20 次，浏览了 100 条内容，7 条广告。
100 条内容包括：10 条文字类的鸡汤小文，30条图文类的新闻报道，60条视频为主的娱乐新闻。
在这浏览的 100 条内容中，小明点赞了 10 条内容，评论了 5 条内容，转发了 2 条内容。

以上场景，对应了用户在信息流产品中的使用深度和对于平台推荐内容的互动情况。

内容生产者在产品里的消费场景

小雨同学，早上在平台里生产（上传）了一个音乐视频作品、两个美食图片作品。
晚上他涨了500个粉丝；视频作品有 1000 个人点赞、200 条评论；图片类作品只有30 个点赞、无人评论。

以上 2 个场景，分别对应了内容生产者在产品中生产量和平台为生产者提供的价值（涨粉变现，或者互动社交）。

平台的内容推荐和流量分配机制

平台为用户推荐的内容，用户是否喜欢？
内容生产者的作品（内容）是否在平台上获得了与其作品质量相匹配的流量？
平台卖出了多少广告流量，获取了多少收入？

以上 3 个场景对应平台侧考虑的推荐内容的精准性、流量分配的合理性，及实现平台自身的盈利等问题。

信息流产品的数据指标体系

注意！下面我为你来讲解本课重点：信息流数据指标体系。上一部分我们讲了信息流产品里三个角色对应的不同场景，信息流数据指标体系也由三个部分构成。

用户侧的指标

对用户侧，我们关心的是用户在信息流产品中的使用深度和对于平台推荐内容的互动情况。

1. 使用深度

用户刷新页面的次数： 用来衡量用户黏性和依赖度。好的信息流产品会为用户匹配用户感兴趣的内容，让用户刷的停不下来，比如抖音。
下发总信息量： 用户刷新页面时，服务端会下发固定数量的内容，比如 20 条内容（不同App 下发数量不同）。下发信息量，代表信息已经加载到手机待阅读的信息列表里了，不代表用户真正的都看完了这些信息。比如刷新一次微博推荐页，手机端会一次性加载5 天的内容量，但是用户可能只看了其中 2 条就会关掉 App。
真实曝光信息量： 用户刷新后，下移手机屏幕。下发的信息流，便逐个曝光到用户眼前。漏出屏幕的信息的数量即为真实曝光信息量，比如上面提到的“用户看了 2 条信息后关掉 App”，那么这次的曝光信息量就是 2。
人均阅读信息量： 用户通过点击信息流标题进入正文的数量，用来衡量用户阅读的深度。还是以微博为例来讲，用户在推荐页看的信息，是曝光，如果点击某条微博信息，就算作一次阅读。

人均阅读时长：用来衡量用户在 App 上花费的时间。它能直接量化用户对 App 的依赖度。互联网 C 端产品竞争日益激烈，用户“玩”手机的时间一定的情况下，谁占用用户总时长越多，商业价值自然越高。

2. 用户对推荐内容的互动情况

用户互动行为可能会有很多种，常见的互动指标包含了产品内所有用户与内容（或者）作者互动的行为次数。互动行为包括但不限于：关注作者、写评论、点赞、转发分享、举报、删除、不感兴趣、私信等。

生产侧的指标

我们刚说到了用户消费侧的数据指标，现在我们将以下内容生产者（作者）的数据指标。对于内容生产者而言，平台关心的数据指标为作者在产品中生产的内容数量和平台为生产者提供的价值（涨粉变现，或者互动社交）。

1. 作者在产品中生产的内容数量

生产者的数据指标，核心有两个，它们分别是每日生产内容的作者数和每日生产的内容数量（作品数）。针对这两个指标维度，（我们）还会关注一些不同维度拆分的指标。

针对作者数维度：

分新老作者关注，将指标分为当天新增的作者数、非当天新增的作者数；
分作者的重要性关注，将指标分为 KOL、普通作者数；
分作者生产内容的类型关注，将指标分为美食作者数、音乐作者数、财经作者数等。

针对作品数维度：

分作品类型关注，将指标分为图片作品数、视频作品数、文字作品数等；
分作品的内容类型关注，将指标分为美食作品数、音乐作品数、财经作品数等；
分作品质量关注，将指标分为高质量作品数、普通质量作品数、低质量作品数。

2. 平台为生产者提供的价值

生产者为平台提供内容，平台也需要为生产者提供相应的价值，才能让生产者持续地为平台提供优质内容。所以，我们也需要关注平台为生产者提供的价值。生产者提供内容的主要目的有两种，一种是通过内容变现，这部分作者对涨粉速度比较敏感（通过粉丝变现）；另一种是社交，这部分作者对内容变现没有太大欲望，他们更希望自己生产的内容被人看到，有用户跟他们互动。

1. 针对想变现的作者，我们关注：

每天有涨粉的作者数；
每天单个作者平均涨粉数；
每天新增 KOL 数（一般以粉丝数来衡量一个作者是否是 KOL）。

2. 针对想社交的作者，我们关注：

每天收到留言/评论/私信的作者数；
每天作者作品被观看的次数。

除了这些，我们还需要关注每日流失的 KOL 数量。

以上，内容生产侧的核心指标，可以帮助平台及时了解内容侧的整体情况。

平台侧的指标（偏推荐侧）

在第二节我们讲到，平台侧主要考虑的有：推荐内容的精准性、流量分配的合理性，及实现平台自身的盈利。

1. 推荐内容的准确性

准确性，简单说就是平台为用户推荐的内容，是用户喜欢的（个性化推荐）。要准确地进行个性化推荐，平台侧要解决的问题有：

第一，将信息打上丰富维度的标签，比如信息类型（文本、图像、视频）、内容类型（美食、财经、娱乐等）……

第二，用户浏览信息的行为，描述用户各种属性特征，比如性别、年龄、城市等级、内容类型偏好等。并不断根据用户行为的变化迭代，更新用户的属性特征。

第三，根据信息标签和用户行为标签，建立推荐算法模型和数据策略，为用户推送匹配的信息。

衡量准确性的数据指标有：

推荐兴趣信息的准确率 = 推荐列表里用户阅读数量 / 推荐列表的总信息数。
推荐信息的召回率 = 推荐列表里用户阅读数量 / 平台内的总信息量（含推荐列表的内容和非推荐列表的所有内容）。
推荐信息的整体信息覆盖率 = 推荐的信息数 / 平台总体信息数。

准确率， 目的是衡量平台推荐算法的准确性。如果，推荐过去的信息，用户都阅读了，那么说明推荐准备率为 100%。

召回率， 是为了检验平台推送的多样性、丰富度。假如平台内有 100 万条存量内容，推荐算法推荐给用户的内容只有 1000 条，召回率是 0.1%。这说明平台里所有用户看到的信息比较相近。

实际上，准确率和召回率是一对相互制衡的指标，往往准确率高的情况，召回率会比较低，反之亦然。举个例子：为了提高准确率，系统总是将用户最喜欢的信息推荐到用户眼前，比如，小明喜欢游戏、汽车、美女，但最痴迷游戏。系统为了提高准确性，给小明推荐的全部是游戏。

这样准确率到时提升了，但是召回率变低了，因为推荐内容仅覆盖到游戏。同样，假设为了提高召回率，系统给小明推荐了游戏、汽车、美女、教育、科技、财经等信息，覆盖了小明喜欢的全部信息，但是小明只选择前三项阅读，对于教育、科技、财经小明完全不感兴趣，没有阅读。那么，这样虽然召回率 100%，但是准确率却仅为 50%。

其实，对应准确率这部分，还有很多具体的指标。

真实曝光的阅读转化率：真实曝光的阅读转化率=用户实际阅读量 / 真实曝光信息量，用来衡量信息曝光到阅读的转化率，反应推荐信息与用户兴趣的匹配度；
人均互动次数：从曝光到互动，有些信息用户不一定会进入正文页或者本身不需要进入正文页，可以直接从标题进行转评赞的互动，比如微信、微博；
点赞率：点赞率= 点赞数 / 真实曝光数，用来衡量信息的欢迎程度；
评论率：评论率 = 评论数 / 真实曝光数，有些信息更吸引用户去评论；
转发率：转发率 = 转发数 / 真实曝光数，衡量信息传播效应；
有效播放：有效播放 = 用户主动播放且超过 3 秒或者自动播放超过10秒，用来过滤无效播放；
完播率：完播率 = 视频播放结束次数 / 视频播放次数，作为有效播放升级的指标；
关注率：关注率 = 关注数 / 真实曝光数，这个用来衡量涨粉能力；
导流率：导流率 = 短链点击数 / 真实曝光数，这个用来衡量文章的带货能力；
负反馈率：负反馈率 = 用户单击不关注数 / 真实曝光数，这个收集用户负反馈信息，标注低质量信息，优化用户推荐精准度、提高体验。

2. 流量分配的合理性

前面我们讲到，只有平台也能为生产者提供相应的价值，生产者才会持续的平台提供内容，达成一种双赢。所以，平台在流量分发时，不能单纯地只考虑短期效果（如只为优质内容提供热门流量）也要兼顾广大长尾作者。所以，平台需要监控：

KOL 的流量占比=KOL 作品的真实曝光量/平台信息真实曝光总量；
非 KOL 的生产者的流量占比=非 KOL 作品的真实曝光量/平台信息真实曝光总量。

3. 平台盈利

主要就是平台收入和利润，包括商业广告的变现或者流量到订单的转化。

总结

信息流现在是当前互联网平台信息分发最高效的方式，本课程主要分享了信息流数据指标体系，分信息消费者、生产者、平台方来介绍主要数据指标。希望能让你对信息流的基础数据指标有一定认识。欢迎在留言区提问，也欢迎大家关注我的微信公众号（数据民工来取经儿）进行学习。非常感谢你的用心学习，加油！

15 黄金流量：如何完成首页入口资源位最大价值

你好，我是取经儿。这节课给你讲一下 App 首页入口资源位的价值。

首页资源位的使用很重要

首页资源位，是指用户打开并进入 App 后，所有直接展示给用户内容，即不需要用户滑动页面就看到的内容，都是首页资源位。

移动互联网流量即王道，而 App 首页展示给用户的内容，会直接影响用户在 App 内停留的时间，继续使用 App 的可能性。所以，用户进入 App 首页后，以什么样的内容抓住用户眼球，显得尤其重要。

不同 App 首页设置的资源位数量、摆放形式、各资源位摆放的内容（我们也称之为物料）、用户点击各资源位物料后跳转的页面等，都不尽相同。这与各 App 的不同定位有关，这个问题，我们后面会详细描述。

首页资源位和主要物料（内容）类型

上面我们提到，不同 App 首页资源位摆放的物料是不同的。尽管如此，大多数 App 首页常见的物料还是那些内容。常见内容类型有热门内容、站内运营活动位/广告位置、App 二级类目入口、个性化推荐内容、搜索入口等。下面我为你具体讲解这些不同类型的物料。

二级类目入口

二级栏目是某一类类型内容的汇总，即 App 里的内容分类。比如大众点评 App 首页上方的美食、景点/门票、酒店/民宿等；淘宝 App 首页的天猫新品、今日爆款、飞猪旅行等。二级栏目是为了帮助某一类有特定需求的用户，快速找到相应的内容。

广告/活动位

App 首页流量大，是实现营收的一大宝地。比如下方的淘宝 App，双十一期间，淘宝可以向商家出售首页广告位（资源位）换取收益。快手 App 游戏首页上方的 banner 宣传也有类似作用。

个性化推荐

上面讲到的热门内容、二级栏目入口、广告/活动位，推荐的不一定都是用户喜欢的内容。App 虽然有首页资源变现的诉求，但是如果用户看不到喜欢的内容，是不会留下的。个性化推荐是指，根据用户在 App 内的历史行为，判断用户对不同内容感兴趣的程度，从而为用户推荐其最感兴趣的内容的目的。每个用户的兴趣关注点是不同的，只有个性化推荐做好了，后续的商业变现才有根基。

搜索

搜索是一个很容易被忽略的资源位。但是几乎所有的 App 首页都有搜索入口。搜索入口，可以帮助有明确诉求的用户，快速找到想要的内容。移动互联网用户的耐心只有 3 秒，如果入口较深，用户获取信息的成本有所提高，用户可能会选择直接离开 App。

以上首页资源位的物料类型，受 App 页面大小的影响，很少都同时出现。根据 App 定位、用户特征等，不同 App 首页资源位会使用其中一种或多种物料。另外，不同 App 展示同一物料的位置也会有所差异（首页资源位的设计不同）。下面我们举几个典型例子来讲解，从不同的角度解析，不同 App 摆放不同物料背后的逻辑。

典型 case

今日头条和优酷视频

今日头条和优酷视频 App 的首页都是搜索+二级类目入口+热门内容+个性化推荐内容。这些资源位的物料，除了热门内容，没有本质差异。今日头条的热门内容是全网热门内容，而优酷的是 App 内的热门内容。

这是因为它们 App 的属性不同。今日头条是“新闻”类 App，它必须具备敏锐的“新闻嗅觉”，向用户传达一种“用户可以通过今日头条了解到世界正在发生的重要事情”的价值。一旦有一次用户打开 App 是为了追热点事件，但是在今日头条上没看见，用户会质疑今日头条作为新闻 App 获取新资讯的能力。即使用户打开 App 时，并不是每次都关心这些“大事件”，App 也需要告诉用户，它是具备这种新闻能力的。优酷不同，优酷是视频类 App，受版权影响，它的内容获取成本很高。所以从成本上看，优酷，甚至说任何一家视频 App 都不可能做到购买所有内容的版权。因此优酷只能展示 App 内的热门内容。另一方面，同样出于版权高昂的考虑，这几年各家视频 App 都在推自家的自制剧，想要打通从视频内容制作、分发、到变现的完整链路，从而提高营收能力。从这个角度看，它们也很乐于在首页展示 App 内的热门内容。

大众点评和淘宝

大众点评和淘宝 App 的首页都有搜索、二级类目入口，及个性化推荐内容。不同的是，大众点评还有一些活动入口，包括每日福利、霸王餐、VIP 特权等，这些活动入口大部分是“讨好用户”的，比如“每日福利”里领积分，积分可以兑换礼品、食物、门票等；“霸王餐”里可以抽取免单名额。淘宝就没有这些”讨好用户的活动入口。原因还是这两个 App 的定位差异。

大众点评是一款为用户推荐吃喝玩乐信息的 App，用户之所以信任大众点评的推荐，是因为它上面有海量的用户评价信息。换句话说，大众点评的价值在于用户在它上面写的点评，所以它需要讨好用户，让用户在平台上输入信息。而淘宝是一个 C to C 的交易平台，主要撮合买家和卖家的成交，它在里面的立场相对立场，所以没有向大众点评那样讨好用户。

抖音和快手

上面第一个例子中，今日头条和优酷视频首页物料的类型完全相同，只有细微的差异；第二个例子中，大众点评比淘宝的资源位多了活动入口，大体也是一致的。但是抖音和快手，虽然同为短视频赛道的 TOP 玩家，但首页资源位的物料却完全不同。抖音首页是自动播放视频，而快手首页是四个视频封面，需要用户点击封面才开始播放视频。是因为二者的策略、用户心智、流量分发等机制完全不同。

抖音之前的用户群主要为城市用户，主要通过制造年轻潮流和头部热门内容，打造精品内容和爆款内容，它更利于头部 KOL/内容获取较多流量。快手则是做下沉市场，强调流量普惠，即普通人的视频也有被看见的价值，所以快手的内容更多元，但是内容的精致程度却不如抖音。

对应到策略上，在抖音那种单列模式下，首页视频自动播放，用户是无法选择的，所以会对内容会更挑剔。为了保证给用户推荐的视频质量有保证，需要从底层逻辑上过滤内容不精致的视频，结果就是质量好的视频可以获取更多流量，质量不好的得不到流量，所以抖音的内容偏头部，更容易打造爆款。而快手遵循的价值是流量普惠，这也决定了它不适合抖音的单列模式。下面图片中，快手的首页里同时展示了 4 个视频封面，用户可以凭借喜好挑选内容，平台试错空间更大，有利于快手流量普惠的价值实现。

首页资源位的价值最大化

虽然不同 App 首页资源位的物料类型是相对固定的，比如淘宝首页是搜索+二级类目入口+热门内容+个性化推荐内容。 但是同一物料里的内容也需要衡量它们的价值。比如，淘宝现在的二级类目入口有天猫新品、今日爆款、飞猪旅行等共计 10 个。这 10 个二级类目的顺序是可以调整的，调整的原则需要根据各个二级类目入口的数据表现来决定的。

以这个场景来说，首先需要对比各二级类目入口从曝光到点击的转化率，如果某个排在后面的二级类目的点击量显著高于排在前面的二级类目，那么，原则上是需要调整这两个入口的顺序。其次需要对比用户进入各入口的后续消费情况，比如页面跳出比例、页面浏览时长、订单成交金额等。页面跳出率是指进入二级类目页面后，直接退出页面的用户的比例。跳出率越高，表示页面里的内容不是用户想找的。页面浏览时长是指用户进入页面后，浏览商品的总时长，浏览时长越长，说页面里推荐给用户的内容，用户越感兴趣。订单成交额是指用户在二级页面里加入购物车后，付款成功的订单总金额。订单成交额越高，代表这个入口的价值的越大。

总结

以上，不同 App 首页资源位的使用，与 App 的定位、用户特征等高度相关。但是同一类型物料的价值是可以分析的。希望通过这节课能让你对各 App 首页资源位使用背后的逻辑有一定认识。欢迎在留言区提问，也欢迎大家关注我的微信公众号（数据民工来取经儿）进行学习。非常感谢你的用心学习，加油！

16 业务提升：数据策略如何驱动业务增长

你好，我是取经儿，前面两个模块我们分别学习了数据处理技能和业务分析思维，从本课时我们开始进入数据策略分析的学习，首先，我们来讲解互联网企业是如何利用策略来驱动业务增长的。

“策略”一词由来已久，远在春秋战国时期，就有专门制定策略的策士，为诸侯出谋划策，最有名气的就是主张“远交近攻”的秦国丞相张仪和“合纵抗秦”的六国丞相苏秦。

在我们日常生活中也能随处见到策略的影子，比如，你在逛商场时，会发现商品的打折促销信息；商城布局永远是电影院在顶层，超市大多在负一层；还有开车上班时你会发现公交专用道只是早晚高峰不能占用，经过的高速收费口总是 ETC 通道多于人工通道等等...... 这些都蕴含着相应的数据策略。

Drawing 0.png
Drawing 1.png
Drawing 2.png

相比传统企业，互联网公司对数据的依赖度更高，产品和运营会更多地通过挖掘数据来制定策略，以提升平台价值。所以互联网招聘出现了很多与策略相关的岗位，除了数据策略外，还有产品策略、运营策略、算法策略、商业策略等。其实在我看来，这些都是数据策略，也就是通过对当前业务持续的数据洞察，来发现新的业务增长潜能，从而通过数据来驱动业务创新。所以，无论是哪种策略人员，首先都要具备数据分析的能力。

好的数据策略，一定是具体可操作的，对解决业务问题行之有效。在制定“好的数据策略”的过程中，需要经过许多探索，甚至“踩”过许多“坑”。大厂之所以能够制定更优的策略，是因为它们可以方便地获取更多用户偏好信息，以近乎上帝的视角进行优化，这才能得到优秀策略。

所以，你也不用对大厂的数据策略心生畏惧，接下来我们以拼多多为例，一步步地拆解。在这个过程中，你会发现其实这些策略一直被应用在我们的日常工作中，只是自己之前没有很好得总结归纳而已。

新客冷启动

在有阿里、京东这样巨头拦路虎的情况下，想要实现新企业的生存、发展非常难。在这样的困境下，拼多多是如何破局的呢？下面我就来重点分析拼多多初期是如何通过数据策略来提高新客冷启动留存的。

新客冷启动，指的是新用户在初次来到 App 后，通过展示什么内容，能够最大可能性地留住用户继续使用 App。考核的指标主要包括：次日留存、周留存、App 使用时长等。

围绕新客冷启动问题，推荐算法、产品、运营、数据针对各自所长，都会给出自己的解决方案。

推荐算法：新用户的行为数据是空的，无法基于历史数据做相似兴趣推荐，解决冷启动最简单有效的策略就是将 App 最热门的商品推给新客户，然后根据用户对热门商品的互动行为（比如打开、加车等），为新客户打上偏好标签，从而完成新客冷启动。
产品：可以在新用户注册时，让用户选择自己喜欢的商品类型，比如服饰、化妆品、图书等。然后，提前准备好兴趣标签的热门内容。当用户完成注册后，便对其进行标签推荐。
运营：设计积分体系，让新用户完成任务领积分，最后以积分兑换商品、直接返现等形式返利。这种玩法很多，也很有效果。

以上，是有关推荐算法、产品和运营提出的自己对于新客冷启动的解决方案。这些方案目前被应用得非常广泛，在一定程度上解决了新客冷启动痛点问题。

我们接下来具体看一个拼多多冷启动的策略。

案例1: 邀请微信好友砍一刀

Drawing 3.png

相信你也有被邀请砍价或助力的经历。我们深深地感受到：拼多多砍价套路深！越往后砍得越少，以后再也不上当了。

虽然我们达成“套路深”的共识，但拼多多砍一刀的玩法并没有消失，反而来得更加凶猛密集了。时至今日，我们还是会不断收到好友的"砍价"邀请。

拼多多这样做的原因，是因为“砍价”可以降低平均拉新成本，而且传播迅速快，起量快。这一系列动作的背后是基于让利+社交+游戏的策略。

整个策略：降低平均获客成本，比如将获客成本降低到 50 元/新用户，只要满足这个预算上限，就可以一直将活动进行下去。
运营策略：被砍价的商品库的选择，须靠近用户偏好，推出让用户有动力砍价的商品。
产品策略：让用户尽量能够完成游戏目标，可以提高前几刀砍价比例，让用户不断看到希望，而越往后砍价数值越小，尽可能地“榨干”社交关系，换得更多流量。

其中，A 帮 B 砍价数值 P 的取值，起初只是在一定范围内的简单随机值，并没有充分利用好用户数据，我们可以这样建立 P 值确定的约束公式：

P = a1*最小单位 + a2*最小单位 + a3*最小单位...
其中, 最小单位 <= P <= M 
- a1: 帮砍价的A用户是否新用户，如果是为10, 如果不是为0。这里10表示要增大新客帮砍价的权重。
- a2: 如果A是老用户, 且最近N天为M个人砍过价, 则a2为0, 否则为1。目的是降低羊毛党、砍价群的权重。
- a3: 如果A是老用户, 且最近一次活跃日期是30天以前, 则a3为1, 否则为0。目的是促进老用户回流。

下面，我们看下数据策略是如何进一步优化新客冷启动的。

我们的目的是通过研究新老用户的行为数据，从而优化现有策略或者制定新的数据策略，以到达提升新客留存或使用时长的目的。

尽量从数据上还原用户流失的原因、用户留存的原因，然后去除不利因素，加强有利因素，提升新客留存，完成新客冷启动顺利过渡。

研究新客流失原因

在数据分析之前，我们最好先推测可能导致用户流失的原因，然后从数据上再逐个验证自己的这个推测，这样会更有针对性也更高效。

比如，我们可能想到的流失原因：

目标群体与用户不匹配。数据上表现可能是用户注册后，没有任何主动浏览行为，就直接流失了。往往这种情况占比还很高。
用户没有找到自己喜欢的内容。数据上表现可能是用户打开 App 浏览了几个商品，之后就再也没有打开过 App。
给用户预加载指定兴趣标签内容不精准，数据上的可能表现是注册时选取“汽车”标签的用户，流失情况相比电影、运动、教育等标签更严重。
运营同学的策略，对新用户吸引力不够，或者门槛太高。数据上的表现是用户在按照运营规则做任务，比如签到、完善个人信息、观看视频、评论等。但他们中的不少人都坚持不下去。

针对以上推测，使用数据进行验证后，有针对性地提供解决方案：

针对拉新用户匹配度不高的问题，看下是否是拉新渠道问题，是否有渠道作弊的嫌疑。尽量首先选取优质的渠道，再进行推广。
针对内容和新用户兴趣匹配度问题，需要反馈推荐的同学，完善和及时更新热门推荐物料，针对新客互动率较低的物料进行负反馈特征训练，降低推荐权重。
针对用户注册指定标签匹配度问题，这个问题更加明确，解决方法就是丰富对应标签内容候选集后，尝试更换新的候选集。
数据上发现运营策略吸引力不够的问题，最好进一步挖掘，直接从数据上给出，如果要达运营预期效果，如何设置游戏规则的各项阈值。

研究新客留存原因

同样在数据上研究新客留存的原因，最好也是先提出假设，然后从数据上逐个验证假设。

一部分新客因为当前的产品策略留存下来。从数据上如何将留存归因到产品策略，这就需要统计用户对于所选标签内容的消费情况，如：观看时长、次数、互动行为，以及次日用户仍然保持观看数量等类似视频的数据，并由此归因总结。
一部分新客因为被运营活动吸引留存下来。数据上的表现是：用户当天很高地完成了运营策划的任务，并领取到奖励，次日再次领取奖励。
一部分留存新客因为关注关系留存下来。数据上的表现是: 留存下来的用户关注用户数和其粉丝数明显高于流失用户粉丝数。针对这个发现，可以制定多种策略，比如新客在注册后几个小时内发送“被 xx 关注” 的 Push 消息，或者引导用户开启通讯录，弹出已经在该平台注册的好友。
很大一部分用户是因为热门推荐的内容而留下来的。数据上的表现是：用户使用 App 的前 N 天，打开热门消费的概率极大。

针对以上假设，并已经在数据上证明其带来的正向效果，那么就需要加强原有策略以及补充新发现的策略。

产品策略生效，那么如何进一步优化提升留存？数据上要看几点：一是哪些内容对留存贡献度最大，针对这些内容特点，挖掘更多优质内容；二是哪些内容对留存贡献度最低，可将其作为反面例子，减少类似内容曝光给用户，以此迭代产品策略。
针对有攒积分“薅羊毛”倾向用户，增加引导环节。首先，数据及时识别该类群体，然后针对该群体积分所处不同阶段，给予不同引导方式。
社交关系是极具用户黏性，一是帮助用户在平台发现自己感兴趣的人，二是增加用户或新入住 KOL 曝光量尽量增加被粉丝关注，自然可以增加留存率。针对第一点，会通过挖掘新客社交网络填补需求；针对第二点，除了平台给予新客曝光机会涨粉，也可以适当设置不同领域机器粉策略增加新客留存。
同第一条，量化热点内容对新客留存贡献度，扩充优质热门内容候选池，结合新客有限的画像特征，为新客生成优质内容落地页。

下面，我们具体看下拼多多在留存方面具体使用了什么样的策略。

拼多多采用用户每天运动的步数可以用来兑换健康金的策略，让用户通过多走路就可以换取真金白银，而拼多多平台则可以借此换来源源不断的用户访问流量，只要有访问有互动，加以引导就可能产生购买订单。

Drawing 4.png
Drawing 5.png
Drawing 6.png
Drawing 7.png

我们看看其中蕴含的数据策略：

每天步数兑换健康金, 1 万步兑换 1 元, 满 10 元可兑换无门槛优惠券。为什么是满 10 元而不是满 1 元或者 100 元？因为如果满 1 元就容易，会圈进来更多步数，这都会变成成本。如果满 100 元兑换则难度太大，容易吓退用户。
每天步数兑换上限 1.5 万步。平台的目的是通过适当让利，换来用户每天的访问。兑换步数上限设置过高会透支平台营销成本，过低则无法激发用户动力。
购买拼单商品、免费获得步数，或者让步数翻倍。这个是拼步数产品真正的目的，对于拼单可兑换的健康金数量，是可以通过平台整体成单成本来换算的。

拼多多采用这样的策略在留存上获得了很大的成功，相信以后会有更多玩法，比如，好友捐赠，朋友圈运动比赛等，并给予用户更多打开 App 的理由，创造了更多的购物场景。

以上，我们从数据上给予不同策略支持 App 顺利度过了冷启动阶段。而拼多多作为一家电商公司，核心商业逻辑是处理好商家、消费者、平台之间的关系，要让商家有生意做，要让消费者感受到占便宜，最后平台才能有钱赚。

有了原始的数据积累后，如何才能实现三赢的目标，我们首先思考两个问题：

商家的运营核心是什么？
用户的运营核心是什么？

带着这两个疑问，我们来逐步拆解拼多多的业务，我们先来看下拼多多平台的业务脑图，可以看到平台为商户和用户制定了不同的策略。

Drawing 8.png

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/df509d1a5ec7b9817587b32f84e180f8.png#pic_center)

虽然制定了不同的扶持、维护、拉新、促活等策略，但是大道至简，我们可以在繁杂的信息中将问题归一化，最终商户和用户运营的核心策略都是如何在不断拉新的同时实现促活和复购。

想要实现这样的目标，就不得不从推荐、搜索、平台活动、商品类目几个方便入手来分析数据策略是如何发挥作用的。

1. 推荐

从一个用户打开平台开始，推荐系统就开始运转了。平台会通过用户的浏览、收藏、加车、购买等数据，计算出成千上万的用户标签，来尽可能刻画每个用户的购物偏好。下面是拼多多推荐架构图，你可以看到从用户打开 App 到呈现最终商品列表的整个数据流。

Drawing 9.png
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/25bcb5d3111744a85dc31e1e4bbef98a.png#pic_center)

Drawing 10.png

假设，一个用户带有汽车、宠物、美食标签。当他打开了拼多多时，推荐系统会先命中标签列表。比如，系统筛选出 100 万个相关商品，然后再根据历史数据进行初始排序，即每个方向按最近 30 天销售额筛选出 Top 1000 的商品。随后，再从这 3000 个商品中，根据地域、店铺级别、商品评价等进行精排。最后每个方向选出 100 个宝贝进行展示。而整个过程，都是在毫秒级时间内完成的，完全做到了用户的无感知。

推荐系统除了靠机器学习算法外，还需要许多数据策略进行补充，才能让其运行得更好。 而且，在很多特别的场景下，如果不采用进行策略补充，平台体验会被“冷酷无比”的算法误伤。比如，消费者购买了比较私密的产品，等下次打开拼多多，会满屏都是该商品。这在某种意义上就不是一种最佳的解决方案了。

2. 搜索

搜索作为用户即时兴趣的反应，能为商家店铺提供最准确的商机线索， 重要性不言而喻。

用户输入“商品词”，在其被拆分后，由机器匹配最相似的宝贝，随后进行排序，最后给出用户想要的结果。不要小看这个 List，想想谷歌、百度就靠一个搜索框，在解决用户信息差痛点的同时，日进斗金。

电商平台，需要考虑如何通过算法给出一个最优 List，而“最优”的衡量标准可以是成交概率，也可以是成交金额。不同的目标，会对应不同的优化策略。

另外，搜索的结果里面会加入广告宝贝，就是商家花钱来买自家商品的曝光量，以争取更多订单转化。付费推广的宝贝和未付费推广的宝贝，如何混合排序，这里面又会牵涉很多策略，比如：

资源位策略：搜索结果页，每间隔多少个商品插入一条广告？最多可以有几个广告位？
多样性策略：在一次搜索下，被展示的商家的多样性如何满足？说白了就是不能因为出价高，让一个商家霸屏用户搜索页。
频控策略：控制同一个用户被展示相同商家相同商品的频次。
负反馈策略：针对用户点击不感兴趣的商品，之后是真的永远不再展示了？还是沉默一段时间在复现？

以上策略极其重要，从顶层决定了商业收入的上限，也决定了用户体验的下限。

3. 活动

如果说最喜欢搞节日活动的企业，那么电商行业要是说第二，应该没有其他行业敢说第一。没有节日，也要创造节日，这样才能赚取更多入场费用。本质上，这和商场搞活动、城镇办集市没什么两样。

打开拼多多首页，每个坑位都是活动的“资源位”。这些资源位展示的商品是如何从数百万店铺中选取出来的呢？这里可是需要进行重度运营的地方。

一种是设计好活动规则，让商家来报名参加。运营策划从选品开始，产品设计从玩法着手，活动策划需要完成一个预期结果。这就肯定需要争取到平台内部资源，才可以拉更多商家加入。
另一种是运营通过数据，挖掘优质垂类中的中小潜力宝贝，定向给予首页进行流量曝光。

Drawing 11.png

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/830f79212c7ad931d1710504f432d627.png#pic_center)

4. 类目

类目是拼多多商品流量最大的入口。拼多多用户更多是“三四城市”用户，不似淘宝用户习惯搜索关键词，拼多多用户更偏向于从“类目”中找到自己想要的宝贝。

Drawing 12.png

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/a8f13a626f1e3b434581f4520c7bc0e4.png#pic_center)

通过这一系列的数据策略组合，拼多多成立虽只有 4 年左右，年度 GMV 却已超过万亿，截至2019年底，年活跃商家数超过 510 万。毋庸置疑，庞大的商家构成了未来拼多多的收入基本盘，让更多商家涌进拼多多，让进入拼多多的商品在合适的时间合适的位置展现给需要的消费者，让商家每天卖出更多货。

拼多多的年度活跃买家在 6.28 亿，通过避其锋芒的策略，将目标用户锚定在三四线下沉市场，实现了用户的快速增长，也很大程度上解决了这部分用户的需求，便宜、够用，分享朋友圈还可能领到 100 元红包，拼多多让用户觉得很“香”。

正如我们开始时所说的，制定策略时要经过很多探索，踩过很多“坑”，那我们如何科学快速判断一个策略好坏呢？

最常用也是最实用的方法就是 A/B 实验，即从大盘流量中拆分出相同特征的若干个用户群，然后从后端上线不同策略，最后看生效不同策略的用户群的核心指标变化，来判断策略的效果。

这就是 A/B 实验，也就是我们下节课要讲的内容。下节课我们将继续一起学习，A/B 实验方法。

关于策略的问题欢迎在留言区提问，也欢迎大家关注我的微信公众号（数据民工来取经儿）进行学习。非常感谢你的用心学习，加油！

17 科学验证：快速入门 AB 实验设计和评估

你好，我是取经儿。今天给你分享的是如何快速入门 A/B 实验设计和评估。

为什么要进行 A/B 实验？

决策无处不在，小到一个活动标题、一个 icon 的颜色，大到产品的交互形式、甚至是战略。每个决策都会影响一部分用户的使用体验。长远看，他们都将或大或小影响产品价值。我们该如何做决策、如何量化收益？这些问题，我们无法通过产品、UI设计、运营等同学的主观判断来得到答案。与此同时，任何一个功能从开发到上线，我们也无法保证整个过程中不出任何 BUG。如果直接对全量用户推全新功能，而新功能存在 BUG 的话，影响将非常大。为了避免此类情况发生，我们有必要先小流量测试一下。这就是我们进行 A/B 实验的原因。

什么是 A/B 实验？

A/B 实验中，将用户随机分为至少两组。如果样本足够大，那么我们可以认为不同组别的用户无差异。在某个时间节点，对他们施加不同的方案或策略（一般只设定一个唯一的变量，除此之外，不同组别的其他条件完全一样）。不施加其他影响的组为对照组（A 组），实施新方案（策略）的组为实验组（B 组）。A/B 实验就是通过对比 A 组和 B 组的差异，评估所施加的方案（策略）的收益，达到帮助业务决策的目的。

A/B 实验的基本原理为假设检验。假设的形式为：原假设 H0、备择假设 H1。一般在工作中用的场景是双尾检验，即 H0 为 A 组 B 组的数据指标无统计学意义上的差异（包括用户数、用户画像、用户活跃度分布等）。其原理基础为小概率事件。即事件 A（小概率事件）在一次试验中几乎不可能发生的，如果在一次实验中 A 就发生了，那么我们应当合理怀疑该假设的真实性，拒绝原假设。常用的方法有 F 检验法、T 检验法、χ2检验法(卡方检验)等。

A/B 实验适用场景

理论上，方案不唯一的场景，都可以通过 A/B 实验来解决。我们平时会接触到的 A/B 场景可以归为以下 3 类。

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/72225844dda7d18d2051b0bd04359570.png#pic_center)

产品功能优化

产品功能优化细分可以有几大类：一是功能的去留决策，新功能是否上线、旧功能是否下线，比如前段时间微信上线的视频号就是一个新功能；二是功能策略优化，比如微信公账号里，打赏作者的几种默认打赏金额；三是产品功能的 UI 优化，比如微信聊天里的默认表情包的优化、甚至 App LOGO 的优化；四是产品文案的优化，比如微信红包的默认文案以及红包文案节假日时的变更。

运营策略优化

运营策略也有很多种。一是运营策略设置，比如很多 app 都有打卡奖励活动，打卡的频次设置、奖励金额设置；电商 App 里给用户送优惠券，优惠券的额度、满减标准、发放人群等。二是活动文案优化，标题的重要性不言而喻，会直接影响参与活动的用户数，标题的选择也可以通过小流量 A/B 决定。三是 Push 促活等优化，Push 的发送时间段、发送频次、Push 内容等等，这些也可以通过 A/B 实验，选择用户转化率最高的方案。

A/B 实验优缺点

通过上述阐述，我们知道，A/B 实验可以量化不同方案的影响程度，从而回答不同方案的优劣。但是 A/B 实验也是有局限的，它并不能告诉我们最优答案，只能对比不同方案的区别；它也不能告诉我们直接的因果关系。我们能通过 A/B 实验等到结果，但是结果产生的原因却不能通过数据得到。另外，A/B 实验也不能回答战略性选择的问题，比如一个实验会导致活跃用户数下降，但是也能提升用户使用 App 的时长和打开 App 的次数。这种偏战略的数据结果，我们很难通过数据来决策。

目前 A/B 实验的方法已经比较普及了，甚至一些公司出现过分依赖 A/B 实验，造成 A/B 实验滥用的现象。我们知道 A/B 实验有诸多优点，但是 A/B 实验也是有成本的。多种方案就意味着，对应的产品、UI 设计、开发、测试、数据分析等等，都需要相应的资源来支持，另外，A/B 实验是需要流量的，也会出现用户产品体验不一致的问题。所以，现实中我们要辅以对业务的专业判断，及历史累计的经验来综合决策，避免 A/B 实验造成的资源浪费。

尽管有以上问题，我们不能因此忽视 A/B 实验优势。那么如何设计和评估 A/B 实验呢？

如何完成一个 A/B 实验？

我们以产品功能优化为例来说，根据业务流程，产品方案 → 功能开发→功能上线→产品决策，来说说数据分析师在各环节应该准备的 A/B 流程有哪些。

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/0f8bb75bf98043094259c7c5290e0beb.png#pic_center)

A/B 实验设计（产品方案阶段）

在产品方案预评审阶段，我们基本可以知道功能的优化点或是新上线的功能形式。基于对业务的判断，和产品共同决策是否需要实行 A/B 实验，如果需要的话，前期我们需要完成以下准备工作。

首先，数据分析师需要根据功能特征，制定功能上线后的评估指标。预先做好评估方案，一是可以与各方业务达成一致的数据预期，作为后续功能上线、扩量等决策的依据；二是根据评估指标Check 目前的日志或者埋点数据，判断是否满足我们的需求。如果缺少数据，需要一并提交开发需求，以保证 A/B 实验的可评估性。

其次，我们要确定 A/B 实验的流量选取方案。流量的选取最好满足以下条件：一是每组用户的数量相当，且可以确保 A/B 实验的结果是可读的（量级太大会扩大影响范围、量级太小得不到置信结果）；二是保证各组用户是随机分组产生的，即每组用户无显著差异，以此保证后续试验时，实验组（B 组）和对照组（A 组）只有唯一变量；最后，依照通常情况，每种方案最好选取 2 组用户，这样可以排除不同组别用户的随机波动影响。你可能会问，如果满足以上全部条件，一个方案至少需要 4 组用户（AABB 组）。那么在活跃用户数一定的情况下，如果同时有多个 A/B 实验需要并行，那如何保证有足够的流量使得不同实验之间相互不影响呢？这就涉及一个实验设计的概念：用户（流量）分层正交。

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/9bafc1d59efa60a7f811f882bdbd0fd4.png#pic_center)

我们假设，根据目前 App 活跃用户数的量级来看，需要每组至少 10% 的流量才能得到统计学相对置信的结果。此时我们可以随机将用户分为 10 组，每组 10% 的流量，即 A1、B1、C1……这样的分组结果，可以支持我们同时进行 2 个 A/B 实验（每个 A/B 实验，有 AABB 共 4 组用户）。如果，此时想同时进行第三个、第四个实验怎么办呢？此时，我们把刚刚分为 A1、B1、C1 等的 10 组称为第一层，再将第一层的用户随机分到第二层的 10 个组里，即将 A1 组 10% 的流量随机分为 10 个 1% 的流量分到第二层的 A2、B2、C3 等组中。同理 B1、C1 等也各自随机分到第二层每个组中，以此可以得到第二层 10 个 10% 流量的实验组。以此内推，可以得到第三层、第四层等。通过上述的分层规则，我们可以看到，不同层之间的实验是相互不影响的，即不同层的用户是正交的。通过这种方式，我们可以实现多个 A/B 实验的同时进行。

埋点验证（功能开发阶段）

进入开发阶段，如果有新增埋点，我们需要检验上报埋点的准确性。如果等到功能上线再来介入，可能会因为埋点的缺失或者不准确，导致 A/B 实验的结果无法评估。所以埋点验证需要在前置到开发阶段进行，以此保证后续数据的可用性。

实验分析（功能上线阶段）

功能上线后，一般需要用户更新安装新版本后，才能体验到新功能。所以，为了保证一定量级的用户体验到新功能，必须保证新版本的用户渗透率达到一定水平。也因为这个原因，A/B 实验通常需要一段观察周期。观察周期的长短与产品形态有关，像微信、微博这种高频 App，通常一周时间就够了；像淘宝这种相对低频的 App，需要的时间周期更长一些。

在评估指标时，有一点我们需要注意：我们必须排除实验前 AB 组差异的影响，即排除 preAA 的差异。下图为每组日活用户数的曲线图，假如实验在第 9 天上线，如果只看上线后的趋势图，我们会得出，B2 组的活跃用户数明显低于 A1 和 A2 组。因此会得出，实验组 B2 的方案会造成 DAU 下降。但是，如果我们多观察实验上线前的数据会发现，B2 的 DAU 在实验上线前就低于 A1 和 A2 组，他们之间的 diff 并非实验造成。

Drawing 3.png

![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/b477507f6c6c361741e964202f999636.png#pic_center)

实验决策（功能决策阶段）

通过上一步，我们可以得到实验组各项指标收益与对照组的对比情况。这就需要针对实验方案作出决策。我们知道 A/B 实验不适宜长期观察，因为对于一个产品，不宜同时存在多种方案，让用户之间存在明显差异。另外，A/B 实验的客户端代码也会增加 App 包的大小，新用户对此比较敏感，可能会影响用户的下载转化；再次，A/B 实验可用的流量是有限的，长期占据流量也是一种资源浪费。所以需要对实验结果尽快决策。如果实验组的关键指标显著负向，可能需要继续优化功能后再上线；如果观察到的关键指标变化不大，但是功能本身的改动很大，可以建议扩大流量观察；如果实验组指标有正向收益，也可以建议直接推全。

总结

以上我们分享了 A/B 实验的优缺点和 A/B 实验的整体流程。如果当前工作中遇到 A/B 实验相关问题不知道如何解决，欢迎在留言区提问，也欢迎大家关注我的微信公众号（数据民工来取经儿）进行学习。非常感谢你的用心学习，加油！

18 策略案例：抖音、快手策略推荐分析

你好，我是取经儿。今天通过抖音、快手的案例，给你分析策略分析的一些技巧。

可以与推荐进行的合作

召回层合作：增加召回源

我们知道，推荐系统的准确性是建立在有大量用户行为数据的基础上的，但是对于新用户，他们的行为是缺失的，我们能拿到的新用户属性也是少之又少的，除了用户机型、地域、安装渠道等，其他信息基本为零。这就导致新用户的推荐特征稀疏，针对新用户的个性化推荐，很难取得较好的效果。这种情况，我们可以针对新用户建立单独的召回源，通过分析之前的新增用户在哪些视频上的观看表现较好，把这些视频作为一个召回源，以帮助提升新用户的视频观看时长，从而达到提升新用户留存的目的（我们知道，通过 AARRR 模型，此时用户处于“激活”阶段，下一步重要的转化阶段就是要实现用户留存）。

召回层合作：优化现有召回源

增加召回源是一种方式，但是实际中使用的并不多，主要是因为新增召回源后，还需要持续更新召回源的算法，维护成本较高。同时也会增加 Reco（推荐）的管理成本（召回层有大量的召回源，也是需要管理的）。所以，我们更多的是通过分析现有召回源的视频表现，将它们作为优化、甚至是下线某些召回源的依据。以短视频为例，评价视频表现的指标有完播率、平均播放时长、视频的点赞率、评论率、转发率等。其中，完播率是指视频被看完的比例；平均播放时长是视频被多次观看的平均时长；视频点赞率是指视频播放时，被点赞的比例。如果某些召回源的少数指标表现较差，我们可以帮助优化召回源的筛选规则，提高该召回源的视频质量；如果某个召回源的多个指标都表现较差，也可以建议 Reco下线召回源。另外，我们也可以整体分析所有召回源的流量分布，如果流量分布极度不均衡，可能会造成平台内容过于单一，长远看对用户留存可能有损，Reco 也是需要优化的（相信大部分用户是不愿意在一个泛娱乐的平台上，看到过于单一的内容）。

粗排层和精排层的 Ranking（排序）优化

在上一部分我们提到，评价视频表现优劣的指标是多维的，完播率、点赞率、评论率等，而不同指标的权重有大有小，如何确定指标的权重呢？我们假设目前视频点赞率的平均水平为 7% 左右、评论率为 2% 左右、分享率 1% 左右。那么我们可以合理推断，用户一次分享的价值高于一次点赞（分享率 1% < 点赞率 7%）。或者说，用户分享行为是用户给予推荐系统更强的一个正反馈，“我可能喜欢这个视频”，那么，Ranking 算法中，分享率这个指标可能需要被提权，从而让好的视频被筛选出来，推给更多用户。

当然，实际中，业务场景可能更复杂。因为商业化因素的考虑，所以需要出广告；因为要保持站内内容的多样性、维持健康的生态，所以需要对长尾内容进行流量扶持；因为要给予中小生产者涨粉的通道，所以需要给予他们冷启流量等等。这些地方，数据分析师都可以发挥作用。

以广告的 Adload 为例来说。广告的 Adload，是指用户消费的视频流（含广告）中广告的数量占比。Adload 越高，平台的商业化收入越高，但是对用户的体验伤害也越大。部分用户甚至不再活跃，长期看是不可持续的。而 Adload 越小，虽然用户体验会变好，但是平台收入也少了，就不能持续运营下去。所以广告的 Adload 应该限定在一个合理的范围内。这个合理范围需要通过 A/B 实验，分析不同 Adload 带来的商业变现，及相应的日活损失。以此计算出既能保证平台持续运营的最小商业化变现要求的范围。同时，尽量使得单次广告展现导致的日活损失值最小。（单次广告如何达到最高的变现效率是另一个问题，此处不展开讨论。）

另外，还可以更精细化的管理用户的 Adload——不同用户对广告的忍耐度是不同的。我们以用户生命周期来说，对于稳定期的用户，他们对平台的黏性最高，对广告 Adload 的容忍度也相对更高；相反，对于衰退期的用户，他们本身的流失风险就很高，此时如果再向他们推荐广告，很可能会加速他们在平台上的流失。所以，合理的做法是，针对不同的用户，加载不同的广告 Adload。在此过程中，数据分析师承担了用户分群的职责，通过合理定义用户所在的生命周期，帮助平台最小限度的减少流失用户、最大限度的实现商业化变现。

总结

至此，本文通过揭秘推荐系统的数据流，给大家分享了数据分析在推荐策略上的一些运用。这里，我们可以感知到，优秀的数据分析师一定是建立在对业务和用户了解的基础之上的，不论本文的策略分析，还是前面的产品分析、运营分析。建议大家在工作中，多脱离数据本身去思考。如果当前工作中遇到策略分析相关问题不知道如何解决，欢迎在留言区提问，也欢迎大家关注我的微信公众号（数据民工来取经儿）进行学习。非常感谢你的用心学习，加油！

本文地址：https://www.cheesehost.com/news/12_10750.html

上一篇：langchain基础教程(6)---构建知识库--②向量数据库-milvus

下一篇：原创内容不排名，采集站却上TOP10丨谷歌内容农场算法失效了吗

数据分析从零到精通第五课 数据流量、策略、入口资源和AB实验设计