编辑整理:王洪达
出品平台:DataFunTalk
01
关于用户增长
头部内容模式:一种比较'重'的模式,该类产品利用精准的内容采买,引入优质的头部内容创作者,利用头部内容的流量聚焦效应,迅速圈定大批用户,并形成内容APP特有的用户心智;但是由于内容头部化,个性化算法在其中发挥的空间和作用较小,产品模式趋于同质化。
下沉/激励模式:该类产品参考了网络游戏模式,从各个环节设计用户里程碑和激励,不断引导新用户一步步完成点击、下刷、完整阅读、分享、关注等目标里程碑,并给予虚拟货币和真实货币的激励,在短时间内可以获取大量下沉用户。
优质内容/时效性:内容的更新频率以及内容的质量是用户增长的关键。
个性化体验:千人千面,推荐的内容符合当下的需求。
多渠道获客:多渠道获客的能力也是增长的一个关键因素。
CPC vs LTV:维持CPC ( 按点击收费 ) 和LTV ( 用户对系统的长期价值 ) 的一个平衡。
算法如何助力增长呢?主要有以下几点:
精细化买量/外投;
提升留存;
衡量推荐这样Action的效用;
消除幸存者偏差。
03
核心增长机制
Rank = pRelevance(topic | user)^ cu * pCTR( item | topic)^ ci 一方面用主题到用户的相关性,另一方面用item到主题的统计值或者模型的估分,这里面会有两个置信的概念,一个是用户兴趣的置信度,一个是item本身的置信度;
新item冷启探索:ci低会提高cu,侧重主题到用户的相关性值以及预估稳定性;
新用户冷启/兴趣探索:cu低会提高ci,侧重item到主题的统计值以及预估稳定性;
纯利用:对于老人做老事,ci高,cu也高,推荐的短期效率指标是最高的,但是长期来看,如果只注重这种推荐的短期效率指标,不对新用户和新内容进行探索,那长期就很难发展下去。
① 状态里程碑表示法
状态跃迁效用衡量
找到使用户从低阶到高阶状态转化的干预因子:
· 内容变化:新内容上下架、热点事件的产生和消逝
· 捕捉兴趣的变化
· 分发幸存者偏差问题
推断后的数据统计到内容采买和生产
干预场的设计和页面组织
内容供给指导 ( 2b供应链 )
构建时间线上的的推荐系统来推断个性化排序机制
① 个性化排序机制
up主激励机制:
up主质量体系:关注量曲线、生产效率、生产质量,内容正负反馈
输入就是历史分发数据(曝光量、点击量、关注量、up主质量体系)
计算:
· 曝光量->爆款成功率
· 最大化效用:激励函数->内容质量和生产效率的拟合
输出就是一定时间内up主内容的保量、限量range->在线排序的调控约束机制
未来方向:
今天的分享就到这里,谢谢大家。
联系客服