推薦板塊是用戶習(xí)以為常的APP板塊，從這一小小板塊可以看出什么呢？

下圖展示的是一個產(chǎn)品從發(fā)現(xiàn)問題到解決問題的整個循環(huán)，產(chǎn)品經(jīng)理的工作都是圍繞這這幾個階段展開的，本文將以豆瓣讀書為例分析其在實際生產(chǎn)中的應(yīng)用。

為什么要定義理想態(tài)

上圖是PM發(fā)現(xiàn)問題的幾種途徑，理想態(tài)在其中各個途徑中都起到了重要的作用，下面我們來詳細(xì)分析。

首先我們需要明確理想態(tài)是什么，任何一個產(chǎn)品和策略的本質(zhì)目標(biāo)都是解決用戶的問題，理想態(tài)即描述了在最佳解決問題規(guī)則下的輸出結(jié)果。

比如滴滴，他的產(chǎn)品目標(biāo)是為用戶和司機(jī)提供一個平臺，將資源（司機(jī)、乘客雙方）最大化利用。那么滴滴的理想態(tài)就是乘客都能打到車；當(dāng)然司機(jī)也是滴滴的用戶，我們在這里只描述乘客的理想態(tài)。

如果我們將這種理想態(tài)轉(zhuǎn)化為參數(shù)指標(biāo)，也就是交易完成率=100%，這顯然是不現(xiàn)實的。但是通過對未達(dá)理想態(tài)的case進(jìn)行拆解，并merge過程指標(biāo)的信息可以幫助我們分析平臺未達(dá)理想態(tài)的原因。

意義一

幫助PM發(fā)現(xiàn)問題，找尋未達(dá)理想態(tài)的優(yōu)化點(diǎn)。

還是滴滴這個例子，假設(shè)我們發(fā)現(xiàn)現(xiàn)在的交易完成率大概是95%~99%，我們在進(jìn)行策略迭代和優(yōu)化的基礎(chǔ)是現(xiàn)有數(shù)據(jù)的穩(wěn)定，而我們每天進(jìn)行人工核實的話費(fèi)時費(fèi)力，所以我們基于交易完成率這個指標(biāo)建立了指標(biāo)監(jiān)控機(jī)制，幫助我們衡量數(shù)據(jù)的波動情況。

意義二

通過對理想態(tài)的抽象，得到監(jiān)控指標(biāo)，并根據(jù)歷史數(shù)據(jù)定義指標(biāo)閾值，監(jiān)控系統(tǒng)可以自動衡量指標(biāo)的穩(wěn)定程度，方便我們在指標(biāo)變化不合理時快速發(fā)現(xiàn)問題，及時響應(yīng)。

以上都是產(chǎn)品的核心指標(biāo)，當(dāng)我們新上一個策略時，策略也具有理想態(tài)。

比如一個新的運(yùn)營策略是希望大家都能參與到平臺的活動中，那么理想態(tài)就是所有的用戶都看到了該活動push，都點(diǎn)擊并且都參與進(jìn)來。

這顯然也是不現(xiàn)實的，但是我們可以提取出三個指標(biāo)——活動push覆蓋率、用戶點(diǎn)擊率、參與轉(zhuǎn)化率。通過對這個指標(biāo)的監(jiān)控我們可以衡量策略的收益情況。

意義三

抽象理想態(tài)，在效果回歸中幫助我們判斷策略的收益情況，進(jìn)而判斷是否開啟一輪新的產(chǎn)品循環(huán)。

那我們最后的一個目標(biāo)主要作用在用戶反饋搜集上，用戶反饋的信息多頻多維，而我們?nèi)绾稳テ湓闫桑∑渚A呢？這根線就是我們對平產(chǎn)品理想態(tài)的理解。

比如用戶和滴滴客服抱怨，說接他們的車?yán)锩嫘l(wèi)生不大好、太臟亂了，而這個顯然不是現(xiàn)階段的產(chǎn)品目標(biāo)，我們能做的最多也就是對司機(jī)進(jìn)行教育。

又比如有用戶說司機(jī)總是會取消訂單，建議增加取消險之類的東西，這個在現(xiàn)有階段也沒有在我們理想態(tài)范圍內(nèi)，可能隨著產(chǎn)品的階段性進(jìn)展，后續(xù)會納入理想態(tài)，但是目前這個反饋不會起到什么作用。

意義四

確定產(chǎn)品目前的理想態(tài)范圍，合理清洗用戶反饋。

要注意的是，理想態(tài)不是一成不變的，隨著產(chǎn)品目標(biāo)和階段的不同，理想態(tài)也會發(fā)生變化。

豆瓣閱讀vs當(dāng)當(dāng)網(wǎng)——智能推薦版塊

1. 分析產(chǎn)品（策略）目標(biāo)

如下圖，我們在進(jìn)行一本書的搜索時，網(wǎng)頁還會給我們顯示“喜歡這本書的人也喜歡……”這一信息：

這個版塊在各類產(chǎn)品中都非常常見，那么首先我們需要明確的是產(chǎn)品目標(biāo)是什么，簡單來說就是平衡用戶、資源和環(huán)境之間的關(guān)系，提供最優(yōu)的匹配策略。

1）用戶角度：方便有趣

感興趣：用戶希望在這里看到的都是他所感興趣的圖書推薦，不會他搜索了村上春樹的小說想著放松一下心情，但是下面給他推薦的是他最討厭的數(shù)學(xué)課本。

低成本：方便是所有用戶在所有平臺的訴求之一。

• 首先用戶希望看到的是圖文并茂的展示方式，如果只是一些超鏈接，那么體驗就會大打折扣，增加了用戶的閱讀成本；
• 其次用戶希望他們感興趣的書不需要過多的翻頁和下拉就能看到，這是減少用戶的操作成本；
• 同時用戶希望我能迅速獲取到足夠的我所感興趣的信息，不需要再進(jìn)行跳轉(zhuǎn)，比如這是買書的網(wǎng)站，就該顯示給我書的價格，我可以迅速的決定是否進(jìn)行詳細(xì)瀏覽，這也是對操作和閱讀成本的減少。

總而言之，用戶關(guān)注的是時間成本，讓他們用同樣的資源做更多的事情。

2）平臺角度：拉新促活，資源轉(zhuǎn)化

高用戶活躍程度：用戶是每個產(chǎn)品的存在之本，高用戶活躍程度可以從兩個方面加強(qiáng)：提升用戶基數(shù)，促進(jìn)單一用戶活躍程度。所以平臺的首要目標(biāo)是滿足用戶的目標(biāo)，即方便有趣。

資源轉(zhuǎn)化：一個產(chǎn)品能夠發(fā)展壯大，生生不息那么一定形成了閉環(huán)。

抖音的生態(tài)閉環(huán)：高質(zhì)高量視頻素材>用戶看視頻>用戶點(diǎn)贊、送禮物等>主播得到收益繼續(xù)產(chǎn)出/用戶自身從觀看者變成資源輸出者>高質(zhì)量視頻素材。

那么從圖書產(chǎn)品的角度而言也形成了一定閉環(huán)。

• 營利性產(chǎn)品：“用戶搜索瀏覽>用戶購買>用戶認(rèn)為體驗不錯>用戶再次進(jìn)行搜索瀏覽”，所以營利型產(chǎn)品閉環(huán)在購買>再次搜索上，所以其目標(biāo)是提高交易轉(zhuǎn)化率和購買后再次搜索的比例，進(jìn)而促進(jìn)資金的流通和信息——主要是用戶畫像的豐富。
• 非營利性產(chǎn)品：“用戶搜索瀏覽>用戶閱讀圖書>用戶輸出圖書信息>用戶再次進(jìn)行搜索瀏覽”，所以非營利性產(chǎn)品閉環(huán)在用戶從觀看者變成輸出者上。因此要提高產(chǎn)品點(diǎn)擊率，以及用戶從觀看者變成輸出者的轉(zhuǎn)化率。但是沉默的永遠(yuǎn)是大多數(shù)，此類平臺對用戶的信息抓取能力是不如營利型平臺的，因為用戶沒有必要建立賬戶，大量用戶是以訪客身份瀏覽的，所以更多的是促進(jìn)圖書信息的豐富。

2. 當(dāng)當(dāng)vs豆瓣：示例說明平臺目標(biāo)引起的展示差異

我們以當(dāng)當(dāng)網(wǎng)和豆瓣讀書為例說明兩者差異，以下是我在兩個不同網(wǎng)站中搜索《運(yùn)營之光》后得到的結(jié)果。

當(dāng)當(dāng)網(wǎng)：

豆瓣讀書：

下面我們來進(jìn)行差異分析，說明平臺性質(zhì)不同帶來的推薦模塊上的差異。

1）占據(jù)版面的不同

由于當(dāng)當(dāng)網(wǎng)主要是以盈利作為其根本目的，其推薦類圖書的透出率越大越好。所以我們可以看出在經(jīng)常購買商品一欄有五本圖書展示，在“購買此商品的顧客還購買過”一欄實際上是有6*10也就是60本圖書的展示，當(dāng)當(dāng)網(wǎng)的一本書智能推薦結(jié)果有65本。

后者是在豆瓣上的搜索結(jié)果，可以看出一本圖書對應(yīng)的智能推薦只有7本，就算占據(jù)所有的版面也只有10本，遠(yuǎn)遠(yuǎn)小于當(dāng)當(dāng)。

2）推薦維度的差異

首先我們來看一下兩者給智能推薦版塊命名上的差異，當(dāng)當(dāng)網(wǎng)命名為了“經(jīng)常一起購買的產(chǎn)品”、“購買此商品的顧客還購買過”，豆瓣命名為“喜歡讀xxx的人也喜歡”。從命名上看當(dāng)當(dāng)?shù)闹悄芡扑]提供更泛泛、不具有指向性，也就是更多維，豆瓣的命名就限制了其推薦圖書也是定位在與搜索圖書類型、關(guān)鍵字、作者等存在一定關(guān)聯(lián)的書籍上。

從具體的推薦上來看，在當(dāng)當(dāng)網(wǎng)截圖的十本書里有三本是屬于和搜索書籍“八竿子也打不著”的，所以其推薦結(jié)果會更智能和多元；而在豆瓣的搜索結(jié)果中推薦的7本書都和搜索書籍具有強(qiáng)相關(guān)性。

3）排序結(jié)果的差異

我們分析一下當(dāng)當(dāng)網(wǎng)的智能搜索排序結(jié)果，“經(jīng)常一起購買的商品”一欄完全是按相關(guān)性強(qiáng)弱進(jìn)行的排序，而后一欄中不同維度占展示結(jié)果的比例各頁均不相同，我在此不截圖了，感興趣的可以自己搜索一下。

《運(yùn)營之光》為例，其智能推薦結(jié)果6頁，第一頁強(qiáng)相關(guān)性圖書/所有展示圖書占比是100%，也就是說此頁是更為聚焦和單一維度的；第二、三頁的占比是70%；第四、五、六頁中占比是50%或者60%——也就是說隨著翻頁次數(shù)的增加，用戶操作成本變大，相應(yīng)的結(jié)果曝光率會變低。

當(dāng)當(dāng)會顯示更多針對用戶非目的性瀏覽需求輸出的結(jié)果，目標(biāo)是刺激用戶的消費(fèi)。

而豆瓣的排序策略則不顯著，在體驗中發(fā)現(xiàn)了一些將強(qiáng)相關(guān)性和弱相關(guān)性（相對）位置顛倒或者順序相反的情況，理應(yīng)這是一個應(yīng)該優(yōu)化的策略點(diǎn)。

但是其重要程度顯然沒有盈利網(wǎng)站高，主要原因是不存在翻頁行為，操作成本低，用戶一目了然，且不存在過多的營銷需求，所以放在什么位置對其曝光率影響實際是不大的。

4）信息展示的差異

當(dāng)當(dāng)?shù)男畔⒄故局饕彩菑馁徺I的角度出發(fā)，高亮價格，并會多展示出作者的名字和出版社。而豆瓣的信息展示就非常少，我認(rèn)為可以加上豆瓣標(biāo)簽便于用戶對該書的類型有快速了解。

具象產(chǎn)品理想態(tài)

注：我們在這里先不涉及資源的轉(zhuǎn)化率相關(guān)問題，僅對平臺的拉新促活進(jìn)行分析。

通過上述對用戶和平臺目標(biāo)的拆解和詳細(xì)例子的分析，我們總結(jié)出兩種不同產(chǎn)品的理想態(tài)。

豆瓣讀書

通過理想態(tài)分析可以看出來豆瓣閱讀實際上用戶和平臺的理想態(tài)差異是很小的，追求的都是在目的性瀏覽下的高質(zhì)量以及高切合度的圖書推薦。

也就是說平臺主要做的是“基于內(nèi)容的推薦”，就是將內(nèi)容系統(tǒng)下的數(shù)據(jù)進(jìn)行很好的分類。

這一推薦結(jié)果的精度主要依賴完整的內(nèi)容知識庫的建立，如果內(nèi)容知識庫豐富度不夠或者格式化建立不好，其搜索結(jié)果也會大打折扣。同時由于用戶的登錄需求不高（沉默的永遠(yuǎn)是大多數(shù)），大多數(shù)用戶以游客身份瀏覽，留下來的數(shù)據(jù)就比較少，推薦結(jié)果的擴(kuò)展性就比較低。

由于用戶數(shù)據(jù)比較少，所以在上圖閉環(huán)中沒有顯示出來。針對“基于內(nèi)容的推薦”的平臺更著重于用戶的輸出，即“標(biāo)簽”“評論”“打分”這些作用在“項目”上的信息，幫助豐富數(shù)據(jù)庫內(nèi)的格式化信息，平臺的目標(biāo)著重于對每本書畫像的更了解其次是對用戶畫像的理解。

當(dāng)當(dāng)網(wǎng)

通過上面的分析我們可以看出來：和豆瓣相比，當(dāng)當(dāng)網(wǎng)的用戶理想態(tài)以及平臺理想態(tài)都有“購買”這一因素的存在，這就需要跳出基于內(nèi)容的基礎(chǔ)智能推薦，而是對用戶心理具有準(zhǔn)確把控，以及對當(dāng)下熱點(diǎn)的敏感程度提高，我們通過當(dāng)當(dāng)網(wǎng)的閉環(huán)來加深以下理解。

我們可以分析當(dāng)當(dāng)?shù)闹悄芡扑]策略是有以下幾個方面：

• 基于內(nèi)容的推薦：和豆瓣相同，基于完整資源庫建立以及細(xì)粒度的格式化信息搭建；
• 基于內(nèi)容的協(xié)同過濾：協(xié)同過濾會分析系統(tǒng)現(xiàn)有數(shù)據(jù)，結(jié)合用戶表現(xiàn)數(shù)據(jù)，對指定用戶對此類信息的喜好程度進(jìn)行預(yù)測；比如“啤酒加尿布”，就是通過分析指導(dǎo)美國爸爸總是會一起購買這兩件商品，通過調(diào)整商品位置增加啤酒銷量；
• 基于用戶的協(xié)同過濾：通過用戶對不同內(nèi)容的行為，評測用戶之間的相似性，基于用戶相似性進(jìn)行推薦。

我們可以看到當(dāng)當(dāng)聚焦到了用戶身上，基于內(nèi)容的協(xié)同過濾以及基于用戶的協(xié)同過濾都需要對用戶心理具有很好的把控，所以歷史信息主要作用于豐富人群畫像，這是資本壓力下的必然結(jié)果。通過用戶出揣測來刺激消費(fèi)，同時其推薦結(jié)果也受到較多因素的影響，比如當(dāng)今熱點(diǎn)、圖書銷售情況、運(yùn)營活動等等。

抽象產(chǎn)品理想態(tài)

對產(chǎn)品理想態(tài)的抽象指標(biāo)會隨著產(chǎn)品階段不同，以及策略目的不同而發(fā)生改變。在此僅做淺顯討論，希望幫助讀者建立抽象理想態(tài)的框架。

針對上述推薦策略而言，我們需要明確的包括但不僅限于以下幾種：

• 用戶對搜索結(jié)果的滿意情況
• 用戶的購買轉(zhuǎn)化情況
• 推薦結(jié)果是否可見？
• 關(guān)鍵詞定義是否準(zhǔn)確？
• 排序是否合理？
• 推薦圖書和搜索圖書的切合度情況
• 運(yùn)營圖書的透出情況

關(guān)鍵目標(biāo)實際上是明確用戶對推薦結(jié)果的滿意情況，也就是說點(diǎn)擊率，當(dāng)當(dāng)網(wǎng)中還有購買轉(zhuǎn)化率，這應(yīng)該是智能推薦系統(tǒng)的核心指標(biāo)。

但是為了方便我們定位各個過程的運(yùn)轉(zhuǎn)情況，遇到case時進(jìn)行快速定位分析，我們需要對核心指標(biāo)進(jìn)行細(xì)粒度的拆解，并建立過程指標(biāo)。

對核心指標(biāo)拆解

用戶總點(diǎn)擊率>用戶對排序結(jié)果第>位圖書的點(diǎn)擊率>用戶對排序結(jié)果第二位圖書點(diǎn)擊率……

購買轉(zhuǎn)化率>用戶對排序結(jié)果第一位圖書的購買轉(zhuǎn)化率>用戶對排序結(jié)果第二位圖書的購買轉(zhuǎn)化率……

細(xì)粒度的拆解可以幫助分析推薦結(jié)果排序情況是否合理，建立過程指標(biāo)包括搜索結(jié)果可見率，關(guān)鍵詞匹配度，熱點(diǎn)圖書、運(yùn)營圖書透出率等。

建立過程指標(biāo)的作用

1. 建立監(jiān)控體系，實時監(jiān)控產(chǎn)品穩(wěn)定性；
2. 出現(xiàn)問題時快速定位；
3. 在效果回歸中衡量策略的收益情況；
4. 作為規(guī)則抓取case進(jìn)行分析，從而對策略進(jìn)行迭代優(yōu)化。

本文由 @Crystal 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unplash，基于 CC0 協(xié)議