超級乾貨|內容型產品Feed流的生成、效果評估及優化

本篇文章屬於超級乾貨方法論，不管是產品、運營仍是數據分析從業者，只要是內容型產品形態，便都會須要接觸到Feed流，且整個工做幾乎都圍繞着內容優化這一主題。本篇我將講述本身對這方面方法論的理解總結，相信讀完本篇文章會對你有所幫助。

 

1、Feed流是什麼？

      Feed流是將若干消息源組合在一塊兒，幫助用戶持續地獲取最新的內容。咱們無需主動搜索，自動呈現琳琅滿目的內容。它對咱們瞭如指掌，給咱們想了解的，讓咱們不停的刷新。咱們熟知的微博、知乎、今日頭條、微信朋友圈、各種短視頻等都是feed流的展現模式。咱們以今日頭條爲例，Feed流如圖：

看了圖片，相信你們對Feed流有了基礎瞭解，其核心就是個性化推薦，即經過各類策略，從內容池中篩選部份內容，經策略排序後展示給用戶。

 

2、Feed流如何產生？

Feed流的產生，遵循策略制定的四步驟：問題->輸入->計算->輸出，即爲了給用戶展現其合適的內容，輸入一系列數據指標，進行邏輯計算，最後輸出一個令用戶滿意的Feed流結果。

一、內容推薦的指標輸入維度

咱們能夠從內容、用戶、環境這三個維度去考慮輸入指標；

   內容：今日頭條是一款綜合信息聚合平臺，涵蓋圖文、視頻、小視頻、微頭條、問答等，每種內容有本身的特徵及垂類，須要考慮如何提取不一樣內容類型的特徵以作好推薦。

   用戶：涵蓋用戶基礎信息，職業、年齡、性別等，以及基於用戶過往行爲數據的興趣偏好標籤，甚至能夠拿到用戶的設備信息以及在其餘app上的行爲信息。

   環境：用戶隨着周圍環境的不一樣，在工做場合、家中休息、通勤、旅遊等不一樣場景，信息會有特定偏好。

 

二、用戶特徵

三、經常使用匹配數據特徵

四、特殊人爲策略

有了上述輸入特徵、進行邏輯計算生成策略，便可輸出一個Feed流結果，那麼如何判斷用戶對這個Feed流是否滿意呢？

 

3、Feed流的效果評估

一個基本原則是，要想評估Feed流展示效果好很差，就是要經過各方面進行打分，從而得出該Feed流在用戶心中的喜好程度。打分能夠從排序和內容自己兩個維度來考慮，即用戶喜好的內容越靠前、用戶感興趣的內容出現的越多，則說明該Feed流效果越好。細化評估指標能夠考慮如下數據維度：

 

一、點擊量：前N刷點擊量

二、點擊率(前N刷點擊率、總體點擊率)：最直觀數據，用戶點擊該Feed流點擊率越高，越說明推薦的內容感興趣，前幾刷內容的點擊率高於後面內容的點擊率則說用戶喜好的內容越靠前

三、停留時長：用戶在該Feed流內容中的停留越長，越說明該Feed內容吸引用戶(排除標題黨致使ctr虛高的干擾)

四、閱讀完成度：與停留時長概念相似，完成度高說明該內容符合用戶

五、活躍度：用戶點贊、評論、分享、關注、收藏等行爲

 

有了評估指標，即可以將各個指標分段設置權重分數，計算一個Feed流的效果總得分。如下行爲權重分數示例：

4、Feed流的優化策略

經過以上步驟，咱們初步產生了一個Feed流及其分數，下面就須要不斷優化迭代了。我們仍是以今日頭條爲例，看看其Feed流存在最大的問題是什麼？基於這些問題，咱們看看有什麼解決方案能夠解決這些問題，優化Feed流。因而咱們採用抽樣分析法，去抽樣不一樣用戶其推薦Feed中的文章，進行調查評估，分析各種問題badcase尋找解決方案。如下爲抽樣分析結果：

內容同質化：從內容生產角度說，平臺創做者發佈的內容愈來愈趨於類似，從讀者角度來講，天天推送的內容不夠新鮮，都是差很少類型的。頭條是資訊平臺，內容同質化會大幅下降用戶使用體驗，影響了頭條核心的競爭力，且這部分問題佔比將近40%，是亟待優化的，優先級較高。

內容質量低：一些內容會掛着各類大佬的名字作標題危言聳聽，點進去卻發現文章內容質量很是低。不一樣用戶對內容的感知也是不一樣，若是用戶以爲看到的內容質量低，且連續點擊幾篇文章都看到大部分低質內容，用戶會選擇跳出平臺。

舊聞：不一樣的頻道、不一樣層級的標籤都要精細化設置對應的時效限制，若是用戶還能夠在主Feed看到幾個月前的不知名老新聞，可能會認爲平臺內容不夠，沒法及時得到一手資訊。

內容標籤缺失：標籤訂義太少，不夠聚焦。如果高頻詞標籤，則致使匹配大量不相關內容，若低頻詞標籤，則可能匹配到的內容不夠。

重複主題：熱點話題文章是必不可少的，可是若是重複主題太重，用戶則會以爲平臺過於單調，須要控制同主題文章的出現頻次。

 

經過對各種問題分析，咱們能夠根據對應問題，制定初步優化方案：

      推薦內容優化是個持續的過程，須要綜合各個維度、多個角色，不斷的優化迭代，評估再優化迭。且產品每一個階段，問題的類型、解決問題的方案都會不一樣。此外，在制定各種標準時，也要將產品的調性歸入考量因素，這樣纔是真正的用戶導向。

 

以上，就是我對內容型產品的Feed流生成、效果評估以及優化方法論的理解。歡迎關注個人微信公衆號，隨時交流數據分析方面問題。