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，不论是产品、运营还是数据分析从业者，只要是内容型产品形态，便都会需要接触到 Feed 流，且整个工作几乎都围绕着内容优化这一主题。本篇我将讲述自己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。
一、Feed 流是什么？
Feed 流是将若干消息源组合在一起，帮助用户持续地获取最新的内容。我们无需主动搜索，自动呈现琳琅满目的内容。它对我们了如指掌，给我们想了解的，让我们不停的刷新。我们熟知的微博、知乎、今日头条、微信朋友圈、各类短视频等都是 feed 流的展示模式。我们以今日头条为例，Feed 流如图：
看了图片，相信大家对 Feed 流有了基础了解，其核心就是个性化推荐，即通过各种策略，从内容池中筛选部分内容，经策略排序后展现给用户。
二、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，即为了给用户展示其合适的内容，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。
1、内容推荐的指标输入维度
我们可以从内容、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，每种内容有自己的特征及垂类，需要考虑如何提取不同内容类型的特征以做好推荐。
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，甚至可以拿到用户的设备信息以及在其他 app 上的行为信息。
环境： 用户随着周围环境的不同，在工作场合、家中休息、通勤、旅游等不同场景，信息会有特定偏好。
2、用户特征
3、常用匹配数据特征
4、特殊人为策略
有了上述输入特征、进行逻辑计算生成策略，即可输出一个 Feed 流结果，那么如何判断用户对这个 Feed 流是否满意呢？
三、Feed 流的效果评估
一个基本原则是，要想评估 Feed 流展现效果好不好，就是要通过各方面进行打分，从而得出该 Feed 流在用户心中的喜爱程度。打分可以从排序和内容本身两个维度来考虑，即用户喜爱的内容越靠前、用户感兴趣的内容出现的越多，则说明该 Feed 流效果越好。细化评估指标可以考虑以下数据维度：
- 点击量：前 N 刷点击量
- 点击率(前 N 刷点击率、整体点击率)：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爱的内容越靠前
- 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(排除标题党导致 ctr 虚高的干扰)
- 阅读完成度：与停留时长概念类似，完成度高说明该内容符合用户
- 活跃度：用户点赞、评论、分享、关注、收藏等行为
有了评估指标，便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。以下行为权重分数示例：
四、Feed 流的优化策略
通过以上步骤，我们初步产生了一个 Feed 流及其分数，下面就需要不断优化迭代了。咱们还是以今日头条为例，看看其 Feed 流存在最大的问题是什么？基于这些问题，我们看看有什么解决方案可以解决这些问题，优化 Feed 流。于是我们采用抽样分析法，去抽样不同用户其推荐 Feed 中的文章，进行调查评估，分析各类问题 badcase 寻找解决方案。以下为抽样分析结果：
内容同质化： 从内容生产角度说，平台创作者发布的内容越来越趋于相似，从读者角度来说，每天推送的内容不够新鲜，都是差不多类型的。头条是资讯平台，内容同质化会大幅降低用户使用体验，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： 一些内容会挂着各种大佬的名字做标题危言耸听，点进去却发现文章内容质量非常低。不同用户对内容的感知也是不同，如果用户觉得看到的内容质量低，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： 不同的频道、不同层级的标签都要精细化设置对应的时效限制，如果用户还可以在主 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，无法及时获得一手资讯。
内容标签缺失： 标签定义太少，不够聚焦。若是高频词标签，则导致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，但是如果重复主题过重，用户则会觉得平台过于单调，需要控制同主题文章的出现频次。
通过对各类问题分析，我们可以根据对应问题，制定初步优化方案：
推荐内容优化是个持续的过程，需要综合各个维度、多个角色，不断的优化迭代，评估再优化迭。且产品每个阶段，问题的类型、解决问题的方案都会不同。此外，在制定各类标准时，也要将产品的调性纳入考量因素，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。欢迎关注我的微信公众号，随时交流数据分析方面问题。
