超级干货|内容型产品Feed流的生成、效果评估及优化

本篇文章属于超级干货方法论，不管是产品、运营仍是数据分析从业者，只要是内容型产品形态，便都会须要接触到Feed流，且整个工做几乎都围绕着内容优化这一主题。本篇我将讲述本身对这方面方法论的理解总结，相信读完本篇文章会对你有所帮助。

 

1、Feed流是什么？

      Feed流是将若干消息源组合在一块儿，帮助用户持续地获取最新的内容。咱们无需主动搜索，自动呈现琳琅满目的内容。它对咱们了如指掌，给咱们想了解的，让咱们不停的刷新。咱们熟知的微博、知乎、今日头条、微信朋友圈、各种短视频等都是feed流的展现模式。咱们以今日头条为例，Feed流如图：

看了图片，相信你们对Feed流有了基础了解，其核心就是个性化推荐，即经过各类策略，从内容池中筛选部份内容，经策略排序后展示给用户。

 

2、Feed流如何产生？

Feed流的产生，遵循策略制定的四步骤：问题->输入->计算->输出，即为了给用户展现其合适的内容，输入一系列数据指标，进行逻辑计算，最后输出一个令用户满意的Feed流结果。

一、内容推荐的指标输入维度

咱们能够从内容、用户、环境这三个维度去考虑输入指标；

   内容：今日头条是一款综合信息聚合平台，涵盖图文、视频、小视频、微头条、问答等，每种内容有本身的特征及垂类，须要考虑如何提取不一样内容类型的特征以作好推荐。

   用户：涵盖用户基础信息，职业、年龄、性别等，以及基于用户过往行为数据的兴趣偏好标签，甚至能够拿到用户的设备信息以及在其余app上的行为信息。

   环境：用户随着周围环境的不一样，在工做场合、家中休息、通勤、旅游等不一样场景，信息会有特定偏好。

 

二、用户特征

三、经常使用匹配数据特征

四、特殊人为策略

有了上述输入特征、进行逻辑计算生成策略，便可输出一个Feed流结果，那么如何判断用户对这个Feed流是否满意呢？

 

3、Feed流的效果评估

一个基本原则是，要想评估Feed流展示效果好很差，就是要经过各方面进行打分，从而得出该Feed流在用户心中的喜好程度。打分能够从排序和内容自己两个维度来考虑，即用户喜好的内容越靠前、用户感兴趣的内容出现的越多，则说明该Feed流效果越好。细化评估指标能够考虑如下数据维度：

 

一、点击量：前N刷点击量

二、点击率(前N刷点击率、总体点击率)：最直观数据，用户点击该Feed流点击率越高，越说明推荐的内容感兴趣，前几刷内容的点击率高于后面内容的点击率则说用户喜好的内容越靠前

三、停留时长：用户在该Feed流内容中的停留越长，越说明该Feed内容吸引用户(排除标题党致使ctr虚高的干扰)

四、阅读完成度：与停留时长概念相似，完成度高说明该内容符合用户

五、活跃度：用户点赞、评论、分享、关注、收藏等行为

 

有了评估指标，即可以将各个指标分段设置权重分数，计算一个Feed流的效果总得分。如下行为权重分数示例：

4、Feed流的优化策略

经过以上步骤，咱们初步产生了一个Feed流及其分数，下面就须要不断优化迭代了。我们仍是以今日头条为例，看看其Feed流存在最大的问题是什么？基于这些问题，咱们看看有什么解决方案能够解决这些问题，优化Feed流。因而咱们采用抽样分析法，去抽样不一样用户其推荐Feed中的文章，进行调查评估，分析各种问题badcase寻找解决方案。如下为抽样分析结果：

内容同质化：从内容生产角度说，平台创做者发布的内容愈来愈趋于类似，从读者角度来讲，天天推送的内容不够新鲜，都是差很少类型的。头条是资讯平台，内容同质化会大幅下降用户使用体验，影响了头条核心的竞争力，且这部分问题占比将近40%，是亟待优化的，优先级较高。

内容质量低：一些内容会挂着各类大佬的名字作标题危言耸听，点进去却发现文章内容质量很是低。不一样用户对内容的感知也是不一样，若是用户以为看到的内容质量低，且连续点击几篇文章都看到大部分低质内容，用户会选择跳出平台。

旧闻：不一样的频道、不一样层级的标签都要精细化设置对应的时效限制，若是用户还能够在主Feed看到几个月前的不知名老新闻，可能会认为平台内容不够，没法及时得到一手资讯。

内容标签缺失：标签订义太少，不够聚焦。如果高频词标签，则致使匹配大量不相关内容，若低频词标签，则可能匹配到的内容不够。

重复主题：热点话题文章是必不可少的，可是若是重复主题太重，用户则会以为平台过于单调，须要控制同主题文章的出现频次。

 

经过对各种问题分析，咱们能够根据对应问题，制定初步优化方案：

      推荐内容优化是个持续的过程，须要综合各个维度、多个角色，不断的优化迭代，评估再优化迭。且产品每一个阶段，问题的类型、解决问题的方案都会不一样。此外，在制定各种标准时，也要将产品的调性归入考量因素，这样才是真正的用户导向。

 

以上，就是我对内容型产品的Feed流生成、效果评估以及优化方法论的理解。欢迎关注个人微信公众号，随时交流数据分析方面问题。