資料政策案例

什麼是推薦政策

推薦政策是通過使用者屬性和使用者行為，找到每個使用者的興趣偏好，進而達到個性化推薦的目的。如果你嘗試在抖音和快手上看一些短視訊，會發現，看的越多，推薦的短視訊就越符合我們的興趣，即，抖音、快手的推薦政策通過使用者曆史的觀看行為，為使用者推薦其喜歡的視訊。本文将以抖音、快手為例，介紹資料分析在推薦政策上的運用。也就是我們說的政策分析。

在此之前，我們需要先揭開推薦系統的面紗，了解它的内部資料流，在此基礎上探索資料分析和推薦可能的合作方式。以下是我基于對推薦系統的認知，整合了對抖音快手的業務了解，畫出的推薦系統架構。

使用者請求服務後，一般系統先判斷使用者屬性，在相應的召回層中撈出一批視訊，召回層打撈的視訊量級通常會大一些，視 App 請求量級和計算資源而定，可能為萬也可能為千級别。這些視訊進入粗排層，粗排層會制定一些規則，快速對召回層的視訊進行排序，選取一部分視訊進入精排層。進入精排層的視訊可能就隻剩百級别的數量了。精排層對視訊排序的準确性要求更高，通過視訊精排，選取排名前幾的視訊傳回給使用者，就是我們在 App 上看到的視訊。使用者繼續請求服務，推薦系統再次給使用者傳回推薦的視訊内容，如此反複。

使用者請求服務

使用者請求服務，在抖音的場景裡，可以了解為打開 App、下拉重新整理頁面、向上滑動視訊看下一個視訊等，這些都是一次使用者請求。Server（服務端）收到請求後，進入推薦流，通常情況下，Server 會判斷使用者屬性，傳回不同的召回源。不同類型的使用者，召回層的視訊池（也叫候選池）很可能是不同的，比如，對新使用者是否不出廣告。當然，這種屬于比較成熟的推薦系統，很多中小型平台的 Server 收到請求後，直接進入召回層，在後續的粗排層再将使用者屬性作為一個 Label（推薦特征），來幹預視訊排序。

召回層

召回層，簡單來說，就是從全量視訊池中召回（打撈）盡可能多比對使用者興趣的視訊。像抖音、快手日活級别的産品，每天使用者上傳的作品量上百萬，甚至上千萬。伺服器資源不允許計算使用者對所有視訊的感興趣程度，使用者更不可能給推薦系統太多時間去計算（之前流行說法是，網際網路使用者最多 3s 耐心，現在更短）。是以，需要在召回層，通過一些召回規則，每種規則下召回（打撈）一定量級的視訊。這裡可以簡單了解，基于某一種規則篩選的視訊為一種召回源。是以召回源的視訊總和構成了召回層。

召回源的來源通常有多種，比如對站内已經有熱度的視訊作為一個召回源，把它們推薦給更多使用者，打造站内、甚至全網爆款，這種在抖音上比較常見；比如營運建構“長尾優質”召回源，通過篩選優質内容，給予流量傾斜，扶持 KOL、同時保證站内内容的多樣性，這種在快手可能更常見。那麼，在召回層，資料分析師也可以提供一批視訊作為召回源，以達到某種目的。根據站内使用者請求量和計算資源，召回層撈回的視訊可能為萬級别、千級别，也不排除僅為百級别。

粗排層對召回層提供的視訊，快速排出使用者興趣低的視訊，撈出百級别量級的視訊進入精排層。可能你會疑惑，粗排層的 Ranking（排序）算法應該是推薦主導，資料分析師又能如何參與進來呢，後面我們會舉例說明。

粗排和精排

精排層對視訊排序的準确性要求更高，排序結果直接影響到呈現給使用者的視訊内容，也是很重要的一環。與粗排層一樣，資料分析師可以給予 Ranking 算法的建議。

至此，我們花了大量的篇幅來介紹推薦系統，我們的分析也是基于推薦流上的優化。相信敏銳的資料分析師，可能已經能發掘我們在政策分析上可以做哪些事情了。

可以與推薦進行的合作

召回層合作：增加召回源

我們知道，推薦系統的準确性是建立在有大量使用者行為資料的基礎上的，但是對于新使用者，他們的行為是缺失的，我們能拿到的新使用者屬性也是少之又少的，除了使用者機型、地域、安裝管道等，其他資訊基本為零。這就導緻新使用者的推薦特征稀疏，針對新使用者的個性化推薦，很難取得較好的效果。這種情況，我們可以針對新使用者建立單獨的召回源，通過分析之前的新增使用者在哪些視訊上的觀看表現較好，把這些視訊作為一個召回源，以幫助提升新使用者的視訊觀看時長，進而達到提升新使用者留存的目的（我們知道，通過 AARRR 模型，此時使用者處于“激活”階段，下一步重要的轉化階段就是要實作使用者留存）。

召回層合作：優化現有召回源

增加召回源是一種方式，但是實際中使用的并不多，主要是因為新增召回源後，還需要持續更新召回源的算法，維護成本較高。同時也會增加 Reco（推薦）的管理成本（召回層有大量的召回源，也是需要管理的）。是以，我們更多的是通過分析現有召回源的視訊表現，将它們作為優化、甚至是下線某些召回源的依據。以短視訊為例，評價視訊表現的名額有完播率、平均播放時長、視訊的點贊率、評論率、轉發率等。其中，完播率是指視訊被看完的比例；平均播放時長是視訊被多次觀看的平均時長；視訊點贊率是指視訊播放時，被點贊的比例。如果某些召回源的少數名額表現較差，我們可以幫助優化召回源的篩選規則，提高該召回源的視訊品質；如果某個召回源的多個名額都表現較差，也可以建議 Reco下線召回源。另外，我們也可以整體分析所有召回源的流量分布，如果流量分布極度不均衡，可能會造成平台内容過于單一，長遠看對使用者留存可能有損，Reco 也是需要優化的（相信大部分使用者是不願意在一個泛娛樂的平台上，看到過于單一的内容）。

粗排層和精排層的 Ranking（排序）優化

在上一部分我們提到，評價視訊表現優劣的名額是多元的，完播率、點贊率、評論率等，而不同名額的權重有大有小，如何确定名額的權重呢？我們假設目前視訊點贊率的平均水準為 7% 左右、評論率為 2% 左右、分享率 1% 左右。那麼我們可以合理推斷，使用者一次分享的價值高于一次點贊（分享率 1% < 點贊率 7%）。或者說，使用者分享行為是使用者給予推薦系統更強的一個正回報，“我可能喜歡這個視訊”，那麼，Ranking 算法中，分享率這個名額可能需要被提權，進而讓好的視訊被篩選出來，推給更多使用者。

當然，實際中，業務場景可能更複雜。因為商業化因素的考慮，是以需要出廣告；因為要保持站内内容的多樣性、維持健康的生态，是以需要對長尾内容進行流量扶持；因為要給予中小生産者漲粉的通道，是以需要給予他們冷啟流量等等。這些地方，資料分析師都可以發揮作用。

以廣告的 Adload 為例來說。廣告的 Adload，是指使用者消費的視訊流（含廣告）中廣告的數量占比。Adload 越高，平台的商業化收入越高，但是對使用者的體驗傷害也越大。部分使用者甚至不再活躍，長期看是不可持續的。而 Adload 越小，雖然使用者體驗會變好，但是平台收入也少了，就不能持續營運下去。是以廣告的 Adload 應該限定在一個合理的範圍内。這個合理範圍需要通過 A/B 實驗，分析不同 Adload 帶來的商業變現，及相應的日活損失。以此計算出既能保證平台持續營運的最小商業化變現要求的範圍。同時，盡量使得單次廣告展現導緻的日活損失值最小。（單次廣告如何達到最高的變現效率是另一個問題，此處不展開讨論。）

另外，還可以更精細化的管理使用者的 Adload——不同使用者對廣告的忍耐度是不同的。我們以使用者生命周期來說，對于穩定期的使用者，他們對平台的黏性最高，對廣告 Adload 的容忍度也相對更高；相反，對于衰退期的使用者，他們本身的流失風險就很高，此時如果再向他們推薦廣告，很可能會加速他們在平台上的流失。是以，合理的做法是，針對不同的使用者，加載不同的廣告 Adload。在此過程中，資料分析師承擔了使用者分群的職責，通過合理定義使用者所在的生命周期，幫助平台最小限度的減少流失使用者、最大限度的實作商業化變現。