如何評(píng)估小紅書(shū)的Feed流效果？

可能很多小伙伴都和我一樣沒(méi)有過(guò)相關(guān)經(jīng)驗(yàn)，看到Feed流這個(gè)看起來(lái)很高大上的術(shù)語(yǔ)，一臉懵逼：這是啥？

因此，在分享我的答案之前，我首先會(huì)簡(jiǎn)單介紹一下Feed流是什么。然后再以小紅書(shū)為例，聊聊Feed流是如何評(píng)估效果、從而持續(xù)優(yōu)化的。

一、什么是feed流

Feed流的準(zhǔn)確定義一直存在爭(zhēng)議。簡(jiǎn)單來(lái)說(shuō)，F(xiàn)eed流是持續(xù)更新并呈現(xiàn)給用戶內(nèi)容的信息流，它存在于各種各樣的APP，字節(jié)跳動(dòng)的抖音便是以Feed流起家的。

小紅書(shū)的Feed流如下圖：

通過(guò)圖片大家應(yīng)該對(duì)Feed流是什么有了大致的認(rèn)知，接下來(lái)說(shuō)說(shuō)我理解的Feed流：Feed流的核心是“個(gè)性化推薦”，它的兩個(gè)主體是內(nèi)容和用戶，是用戶與內(nèi)容的匹配，“信息找人”的展現(xiàn)方式。

總的來(lái)說(shuō)，給Feed流產(chǎn)品下一個(gè)定義，則是：通過(guò)一定的策略，從大量?jī)?nèi)容中篩選出部分內(nèi)容，經(jīng)過(guò)排序后展現(xiàn)給用戶。

二、Feed流的生命周期：從產(chǎn)生到效果評(píng)估

Feed流是用戶與內(nèi)容的匹配，目的是從大量?jī)?nèi)容中找到用戶最喜歡的內(nèi)容。那么，這是通過(guò)什么樣的策略來(lái)產(chǎn)生的，又該如何優(yōu)化呢？接下來(lái)聊聊Feed流從產(chǎn)生到優(yōu)化的全過(guò)程。

Feed流的產(chǎn)生，遵循著策略制定的四步驟：?jiǎn)栴}（目的）、輸入、計(jì)算、輸出。具體來(lái)說(shuō)，是一個(gè)這樣的過(guò)程：

為了達(dá)到“給用戶展現(xiàn)感興趣內(nèi)容”的目的，輸入一系列指標(biāo)，進(jìn)行邏輯計(jì)算，最終輸出一個(gè)用戶滿意的Feed流結(jié)果。

除了“邏輯計(jì)算”這部分通常由RD（開(kāi)發(fā)同學(xué)）來(lái)實(shí)現(xiàn)之外，其它的步驟都是策略產(chǎn)品經(jīng)理需要去考慮并完成的。

接下來(lái)，我也會(huì)按照策略制定的四步驟，逐步聊聊Feed流是如何產(chǎn)生的。

目的

很顯然，F(xiàn)eed流的目的是，要大量?jī)?nèi)容中找到用戶最喜歡的內(nèi)容。

輸入

如何尋找到需要輸入的指標(biāo)呢？

對(duì)于這個(gè)問(wèn)題，我們可以從匹配的雙方，也就是用戶和內(nèi)容，這兩個(gè)維度來(lái)拆解問(wèn)題來(lái)思考。

• 從用戶的角度來(lái)說(shuō)，我們需要通過(guò)獲取盡可能多的數(shù)據(jù)，構(gòu)建用戶畫(huà)像，從而了解用戶是個(gè)什么樣的人。
• 從內(nèi)容的角度來(lái)說(shuō)，我們需要獲取大量、多樣、優(yōu)質(zhì)的內(nèi)容，有足夠的內(nèi)容推給他。通過(guò)這一系列的動(dòng)作，我們就可以知道，要把什么樣的內(nèi)容推給他。

細(xì)化到具體指標(biāo)，可以從以下維度來(lái)考慮：

（1）從用戶角度，我們的目的是多維度尋找用戶興趣，從以下指標(biāo)考慮：

1）人口屬性

從性別、年齡等維度考慮：基于性別與年齡的應(yīng)用較為簡(jiǎn)單，思想有點(diǎn)像數(shù)學(xué)中的“聚類算法”：檢測(cè)到用戶是女性，會(huì)更多地推送女性喜歡的內(nèi)容，而“女生喜歡的內(nèi)容”又是基于其它女性用戶的數(shù)據(jù)得到的。

基于LBS定位：可以從兩個(gè)維度考慮：

• 一是簡(jiǎn)單地基于地理位置的內(nèi)容推送，用戶在北京海淀區(qū)，則會(huì)向他推送北京海淀區(qū)相關(guān)的內(nèi)容；
• 二是結(jié)合地理位置進(jìn)行城市層級(jí)劃分，例如北上廣、一線城市、二線城市等，檢測(cè)到用戶處于二線城市，則向他推送二線城市用戶喜歡的內(nèi)容。

2）過(guò)往行為

• 過(guò)往搜索行為：用戶之前有搜索過(guò)“美食”，則接下來(lái)會(huì)推送美食相關(guān)的內(nèi)容。
• 過(guò)往點(diǎn)擊行為：用戶在Feed流中點(diǎn)擊“科技”相關(guān)內(nèi)容，側(cè)面說(shuō)明用戶對(duì)科技更感興趣，因此更多地向用戶推送科技的內(nèi)容。

3）其它可獲取信息

• 例如手機(jī)型號(hào)信息，若用戶使用的是iPhone，可判斷用戶對(duì)iPhone相關(guān)內(nèi)容可能會(huì)感興趣，從而向用戶推送iPhone相關(guān)的內(nèi)容。
• 以及結(jié)合具體業(yè)務(wù)情況，其它可以拿到的信息。

（2）從內(nèi)容的角度，我們的目的是獲取大量、多樣、優(yōu)質(zhì)的內(nèi)容，從這三個(gè)維度也可以采取多方面的措施：

1）大量

搭建社區(qū)生態(tài)，利用鼓勵(lì)措施增大用戶生產(chǎn)內(nèi)容的量級(jí)。

2）多樣

• 通過(guò)內(nèi)容運(yùn)營(yíng)，鼓勵(lì)用戶生產(chǎn)多類別UGC內(nèi)容。
• 為用戶展現(xiàn)的內(nèi)容不局限于興趣匹配，還可以向用戶推送：平臺(tái)熱門(mén)信息、猜測(cè)喜歡信息等，推送內(nèi)容多樣化。

3）優(yōu)質(zhì)

• 吸引網(wǎng)紅、明星等KOL入駐，增加內(nèi)容的質(zhì)量。
• 小紅書(shū)主要以圖片內(nèi)容為基礎(chǔ)形式，可內(nèi)置配樂(lè)、濾鏡、貼紙等美化功能，提高UGC內(nèi)容質(zhì)量。

輸出

省略“邏輯計(jì)算”這部分不談，來(lái)聊聊策略的最后一步，即輸出一個(gè)用戶滿意的Feed流結(jié)果。

如何判斷用戶是否滿意呢？

這就涉及到Feed流效果評(píng)估的問(wèn)題。

一個(gè)基本原則是，要想評(píng)估Feed流展現(xiàn)效果好不好，就是要通過(guò)各方面進(jìn)行打分，從而得出該Feed流在用戶心中的“喜愛(ài)度”。

打分規(guī)則可以粗略從兩個(gè)角度來(lái)考慮：一是排序，用戶喜愛(ài)的內(nèi)容排在越靠前，則說(shuō)明該Feed流效果越好。二是從內(nèi)容本身來(lái)看，用戶喜愛(ài)的內(nèi)容出現(xiàn)的越多，則說(shuō)明Feed流分?jǐn)?shù)越高、效果越好。

細(xì)化到具體的評(píng)估指標(biāo)，可以從以下維度考慮：

• 前n個(gè)點(diǎn)擊量：例如考慮前10個(gè)內(nèi)容中，用戶點(diǎn)擊了幾個(gè)內(nèi)容。通過(guò)計(jì)算占比的值，來(lái)評(píng)估效果
• 點(diǎn)擊量：這是最直觀的數(shù)據(jù)。用戶點(diǎn)擊該Feed流的內(nèi)容越多，說(shuō)明用戶喜愛(ài)度越高
• 停留時(shí)長(zhǎng)：用戶在Feed流的內(nèi)容中停留時(shí)間越長(zhǎng)，說(shuō)明用戶對(duì)該Feed流越感興趣
• 活躍度：用戶點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)等行為

三、feed流的優(yōu)化策略

通過(guò)以上步驟，我們初步產(chǎn)生了一個(gè)Feed流。然而就像一句古話，“上線不是結(jié)束，而是新的開(kāi)始”，產(chǎn)生Feed流之后的過(guò)程，就是不斷優(yōu)化迭代的血淚史了。

接下來(lái)，以小紅書(shū)為實(shí)例，咱們聊聊小紅書(shū)Feed流存在的問(wèn)題是什么？以及基于這個(gè)問(wèn)題，如何對(duì)Feed流進(jìn)行優(yōu)化。

作為小紅書(shū)的忠實(shí)用戶，我使用小紅書(shū)時(shí)遇到最大的問(wèn)題，便是內(nèi)容的同質(zhì)化。

一方面是正常內(nèi)容的同質(zhì)化：

• 從內(nèi)容生產(chǎn)的維度來(lái)說(shuō)，正常用戶由于跟風(fēng)、模仿等原因，發(fā)布的內(nèi)容越來(lái)越趨于相似
• 從內(nèi)容接受的維度來(lái)說(shuō)，每天推送的內(nèi)容沒(méi)什么新鮮感，僅是推送最近、過(guò)去感興趣的內(nèi)容

另一方面是不正常的同質(zhì)化：例如某些軟廣，發(fā)布了大量相似的內(nèi)容。

小紅書(shū)是內(nèi)容平臺(tái)，內(nèi)容的同質(zhì)化很顯然會(huì)極大降低內(nèi)容質(zhì)量，輕則流失部分用戶，重則降低產(chǎn)品的核心競(jìng)爭(zhēng)力。因此，對(duì)小紅書(shū)來(lái)說(shuō)，同質(zhì)化問(wèn)題，需要被排在較高的優(yōu)先級(jí)去考慮。

為了解決內(nèi)容同質(zhì)化問(wèn)題，我們可以從內(nèi)容本身出發(fā)，從“內(nèi)容重復(fù)度”的維度為將內(nèi)容粗略歸類，進(jìn)而思考不同類型的解決方案：

方案一：反作弊限制高重復(fù)度內(nèi)容

簡(jiǎn)單來(lái)說(shuō)，對(duì)于疑似廣告的行為，需要對(duì)內(nèi)容進(jìn)行識(shí)別和處理。

從識(shí)別的角度，可以從以下指標(biāo)來(lái)判斷內(nèi)容是否是廣告行為，對(duì)單個(gè)內(nèi)容的“廣告疑似度”進(jìn)行打分：

• 內(nèi)容重復(fù)度極高
• 重復(fù)篇數(shù)較多
• 發(fā)布重復(fù)內(nèi)容的IP段相似
• 其它數(shù)據(jù)指標(biāo)異常（點(diǎn)贊量、留言量短期快速增加）

從處理的角度，由于小紅書(shū)是一個(gè)內(nèi)容社區(qū)，簡(jiǎn)單粗暴的刪除內(nèi)容有可能引起誤傷，或是損害內(nèi)容生態(tài)。

我認(rèn)為處理方式可以從“降低優(yōu)先級(jí)”的角度考慮：根據(jù)單個(gè)內(nèi)容的“廣告內(nèi)容疑似度”，來(lái)適當(dāng)降低廣告內(nèi)容在首頁(yè)Feed流及搜索中的排序。

若該內(nèi)容被判斷為大概率屬于廣告，則優(yōu)先級(jí)則會(huì)降低，甚至完全不展現(xiàn)給用戶。通過(guò)這樣的方法，對(duì)高重復(fù)度內(nèi)容進(jìn)行限制。

方案二：內(nèi)容運(yùn)營(yíng)鼓勵(lì)多樣化內(nèi)容生產(chǎn)

對(duì)于跟風(fēng)、模仿發(fā)布相似內(nèi)容的用戶，他們可能是出于兩種心態(tài)：一是不知道要發(fā)布什么內(nèi)容，二是想通過(guò)跟風(fēng)模仿來(lái)獲得歸屬感、認(rèn)同感。

基于這個(gè)背景，我們可以通過(guò)在內(nèi)容發(fā)布頁(yè)增加文字提示的運(yùn)營(yíng)方式，來(lái)鼓勵(lì)用戶發(fā)布多樣化的內(nèi)容。例如以下提示，適當(dāng)引導(dǎo)用戶發(fā)布的內(nèi)容：

• 美食類：晚上好，曬曬你的豐富大餐吧
• 健身類：說(shuō)說(shuō)你最近的瘦身成果吧，聽(tīng)說(shuō)80%在小紅書(shū)曬健身計(jì)劃的人都瘦了哦
• ……

一方面，從用戶角度來(lái)說(shuō)，結(jié)合場(chǎng)景的提示語(yǔ)拉近了用戶與內(nèi)容社區(qū)的距離，適當(dāng)?shù)囊龑?dǎo)可以解決用戶發(fā)布內(nèi)容時(shí)“不知道選取什么主題”的問(wèn)題。

另一方面，從公司角度來(lái)說(shuō)，也可以通過(guò)實(shí)時(shí)監(jiān)控與調(diào)整，來(lái)完善社區(qū)內(nèi)容的多種類。具體來(lái)說(shuō)，當(dāng)遇到“美食類內(nèi)容生產(chǎn)較少”的問(wèn)題，可以通過(guò)增加美食類引導(dǎo)語(yǔ)比例，來(lái)促進(jìn)社區(qū)內(nèi)容的種類完整性。

方案三：精準(zhǔn)推送策略與多樣化推送策略的平衡

Feed流的最終目的是“尋找到用戶喜歡的內(nèi)容”，為了達(dá)到這個(gè)目的，一個(gè)有效的途徑是進(jìn)行用戶與內(nèi)容的“精準(zhǔn)匹配”，通過(guò)過(guò)往信息來(lái)判斷用戶的興趣，即精準(zhǔn)推送策略。

但實(shí)際上，用戶對(duì)“自己喜歡的內(nèi)容”的界定是比較模糊的。有時(shí)候，就連用戶自己也無(wú)法準(zhǔn)確描述自己喜歡的是什么，僅局限于對(duì)過(guò)去信息來(lái)判斷用戶興趣，會(huì)忽略掉用戶未來(lái)、有可能興趣。因此，就會(huì)出現(xiàn)推薦內(nèi)容同質(zhì)化的問(wèn)題。

因此，除了推薦精準(zhǔn)預(yù)測(cè)的內(nèi)容外，也應(yīng)當(dāng)進(jìn)行多樣化內(nèi)容的推送。在進(jìn)行內(nèi)容匹配時(shí)，為用戶展現(xiàn)的內(nèi)容不局限于興趣匹配，還可以向用戶推送：平臺(tái)熱門(mén)信息、猜測(cè)喜歡信息等，推送內(nèi)容多樣化

作者：Cipher

來(lái)源：Cipher