数据运营实操案例：信息流feeds产品优化

一、信息流引言

信息流（）的形态已经近乎无所不在学信息流优化，贯穿在我们24小时的互联网生活的当中。当你通勤时在地铁刷刷今日头条了解最新资讯，信息流已经把一篇篇时事热文整齐地排成队列等待你的阅读；当你想要好好美餐一顿，大众点评的信息流给你“种草”了不少同城餐厅；夜不能寐想剁手来犒劳下辛苦工作一天的自己，淘宝上琳琅满目的推荐商品流怎么那么精准，刷得停不下来……

尽管信息流这种形态已经广泛应用，但其实最早的应用是在资讯内容场景，始于在2006年发布的资讯信息流（News Feed）功能。

平台通过既定的算法、规则排序后聚合内容，用户可以在单页面内进行流畅而高效的内容消费。用户不再需要如移动互动网史前时代那样，在门户网站、博客站点之间进行频繁地跳转；平台也通过提供聚合的内容展示平台，更高效地把用户留在了自己的辖区内。

信息流的英文是“Feed”，实在是用得很妙的一词了。Feed在英文里是“喂养”的意思，生动地刻画了信息流场景里，用户被平台按一定的顺序“投喂”内容的场景。

用户消费的内容时间是有限的，平台如何在有限的时间内，给用户投喂TA最喜欢消费的内容、从而让TA在平台消费更多的内容（从而给平台带来更高的潜在商业价值），就是所有Feed场景运营人员经年累月在不断钻研的“推荐排序”问题了。

二、信息流的基础：推荐引擎

推荐引擎的核心，是“如何把合适的物品推荐给合适的用户”，所以“物品”和“用户”之间联系的建立，是推荐算法里最核心的命题。整个推荐的过程基本可以总结为“召回”→“排序”→“调权”→“输出结果”的过程，对这个过程进行一个简单的比喻，来帮助大家理解这个过程。

大家应该都曾经在学生时代参加过军训，军训最后的分列式检阅是整个军训过程的高光时刻。那该如何对队列进行合理的排布呢？

推荐算法是一门颇深的学问，技术性也很强，但因为本书面向的读者主要是运营人员，所以笔者尝试从更显性的层面总结如今影响信息流排序的主要影响因子：

三、难题：资讯如何做冷启动？

讲到这里，给大家分享笔者此前运营一款工具产品的经历。大多工具产品的困境大家可能都有所了解：用户停留时间长、粘性差，从而导致变现的效率和方式都很有限。市场上竞品众多，如果不能快速从数据指标上证明我们产品的价值，那整个产品都面临着被砍掉的风险。

于是，如何提高用户提高时长，成了我们团队内一个很重要的命题。我们这款工具产品具有WiFi连接的功能，此前用户在连接WiFi成功后跳转的落地页就是一个“连接成功”的页面，除此之外，没有别的承接；

但此时用户处在操作完成的情绪高点、且在流量不敏感的WiFi场景学信息流优化，我们想，是不是可以通过承接资讯的内容，从而提供给用户一些内容消费的价值，同时还创造了一个商业化变现的场景？

但我们是工具产品的团队，此前完全没有内容运营的经验，要如何从0到1做一个资讯出来？分析了我们团队的现状，我们决定从以下几个方面快速启动：首先，资讯内容从哪儿来？我们的一些兄弟产品有现成的资讯内容，但具体的推荐算法需要我们自研；我们的算法团队虽然没有内容推荐的经验，但在软件分发上推荐的经验，也有异曲同工可借鉴复用的地方。

巧妇难为无米之炊，“米”和“巧妇”都已具备，但要做成“炒饭”还是“汤饭”我们的用户才觉得最好吃，我们得多尝试才能得出结论。

推荐排序的因子那么多，但对于我们来说，因为工具产品的属性，所以能用的并不多。根据我们的情况，我们决定做如下三组的A/实验：

基于三组实验的设定，我们选定了三组随机测试的用户群进行策略的投放，并且设定了“平均资讯消费时长”作为关键评估指标。等待实验效果回收的时间有三天那么漫长，这三天的期间我们团队内也在打赌哪个策略表现会最优。读者们，你们也来猜猜哪个策略的表现会最好呢？

四、分析：找到问题更深层的原因

团队内的打赌，基本都集中认为是前两组的策略会更优。认为用户画像更好的同事的观点直截了当，用户会对与自己更相关的内容更感兴趣。认为热度排序效果会更好的同事也很在理，更多人点击的内容往往是猎奇新鲜的，自然也会吸引更多人阅读。

但我们运营人员回收整理了实验数据后，却有点大跌眼镜：最不为大家青睐的基于时间排序的方案三，竟然“平均资讯消费时长”都要优于前两个方案。团队内一时间有点泄气，对算法团队同事的技术能力质疑也在暗暗有声。

作为运营人员，此时我们需要通过数据分析去多走一步看看：数据指标所呈现的，就是全部的真相了吗？

为了分析这个问题，首先我们对问题进行了拆解。

实验的数据指标上：

我们设定的数据指标有没有问题？数据指标的计算有没有问题？各实验方案的数据指标计算是否都在同一个口径上？

实验的方案设计上：

实验组用户的选择上是否足够随机？实验策略所需要的数据需要齐全？实验策略是否对其用户组完全生效？

拆解分析后发现，我们看到前两组方案数据指标不好的现状，并不尽然是全部的真相。首先我们发现，“平均资讯消费时长”的指标设定存在一定问题。因为我们的产品属性毕竟是工具产品，大部分用户在连接上WiFi后是用完即走，资讯注定只是给一部分相对有闲的用户的功能。

所以，实验组之间用户的“平均资讯消费时长”十分离散，方案三中存在个别极端值用户拉高了整体平均时长数据。为了解决这个问题，我们在计算时可以对极端值做一定处理，并增加“平均资讯点击率”的数据指标，可以更客观地评估各方案之间的效果。

其次通过分析还发现，方案一和方案二由于数据采集上的原因，并没有完全实现其策略各自的效果。比如方案一“基于用户画像排序”，许多实验组用户由于安卓权限限制，安装列表数据不全；对部分用户IP的地理位置识别也不够精准，测试发现给有的在广州的用户推荐了北京的本地新闻，自然也会影响策略的效果。

比如方案二，由于部分“标题党”内容点击率很高，所以导致实验组用户首屏全是“标题党”内容，内容质量很低，用户点击后也很快跳出，导致策略的实验效果很差。

五、数据运营思维的重要性

如果我们没有对数据指标呈现出来的情况做进一步分析，单看实验的结果，我们可能直接就会认为对于我们的用户，“时间排序”就是最好的方案了，以后都应该往这个方向去发展，所谓模型算法的优化也都没有必要了。但只有通过分析，才能更清晰地看到事实的全貌，不断提出优化方案进行迭代。

这里体现出的，是问题拆解思维的重要性，是有逻辑的问题分析思维的重要性。希望通过本书，可以跟读者你分享这些思维框架学信息流优化，成为一个更优秀的运营。

写在后面

后续在平台上会分享更多数据运营、互联网产品（或夹带一些个人的艺术爱好私货）的文章，欢迎各位交流！

免责声明：本文系转载，版权归原作者所有；旨在传递信息，不代表本站的观点和立场和对其真实性负责。如需转载，请联系原作者。如果来源标注有误或侵犯了您的合法权益或者其他问题不想在本站发布，来信即删。