📘本篇为阅读金磊先生《用户增长实战笔记：腾讯、滴滴、字节跳动这样做》一书的笔记，该书2020年出版，案例时效性很高，具有借鉴意义。
1. 思维导图
主要针对** "第6章 增长算法" 部分做提炼总结，本章介绍了用户增长相关领域的常见算法应用**，可以帮助了解日常产品工作中能够用来提升策略效率的技术可能性。
2. 知识点
-
使用标签无法覆盖到所有目标用户： 标签实际上是一套粗规则，使用标签后势必会把不在标签规则范围内的用户过滤掉，而这些被过滤掉的用户中很可能包含大量目标用户。
-
Lookalike人群拓展方式： 当获得一个种子人群之后，平台可以对人群的各种特征进行分析，得到各个特征的取值和分布，然后参照种子人群的特征在所有其他用户中进行匹配，找到指定数量的相似用户。
-
冷启动中的热门内容推荐： 以图文信息流App（如今日头条、腾讯新闻）为例，当新用户首次打开App，第一次看到推荐内容时，由于缺少新用户的行为数据积累，冷启动通常会基于已知信息设计决策树来推荐，匹配一些热门的内容、高点击率的标题和图片样式，组合一系列备选推荐；然后根据用户打开App的场景，包含时间、地理位置、天气等，结合一些时效性强的热点信息，整合用户的首屏默认信息。
-
个性化PUSH： 已经是互联网中非常成熟的方法。当积累了足够多用户特征数据，构建好用户画像之后，理论上，营销策略可以做到千人千面的效果。常见的策略是基于用户的一些基本信息，填充一些预估会产生高点击率的内容。例如，京东、每日优鲜、趣头条、闲鱼等App广泛使用的个性化短信和Push。通过融入用户昵称信息、用户最近浏览或正在出售的商品，让Push减小“营销感”，提升推送信息的点击率。
-
面对不同的增长阶段及财务状况，对ROI的追求不同： 例如，当产品还在成长期时，以用户规模增长为优先考虑因素，可适当将ROI这个约束条件放宽；而当产品进入成熟期时，用户规模已达到很高的水平，就需要精准控制成本以避免无谓的浪费。
3. 案例和启发：滴滴的补贴敏感曲线
为了最大化ROI，滴滴尝试为每个用户群体预测收益最大金额，以确定补贴金额。
从很多补贴策略中，发现每一个用户群体都存在一条补贴敏感曲线。
该曲线特征有：1）随着补贴金额增多，增长指标呈增大趋势；2）对补贴越敏感的用户群，其曲线的斜率越大；3）每条曲线都有一个阈值，当补贴达到阈值之后，曲线就逐渐趋于平缓。
也就是说，补贴的金额需要针对人群设置个性化的阈值。
如上图的例子，分别针对新增用户和低活跃度用户下发签到红包。
散点代表用户完成首次签到可以拿到的金额。
由图可知：无论哪个人群，随着得到金额的增多，对应的留存率也相应地提高。但是，留存率与金额之间的关系并非线性的，而是存在一个阈值：当金额超过阈值后，留存出现跃升，随后则趋于平缓。
由此得出结论：如果能找到每个用户群体对应的金额阈值，就可以通过设置个性化的补贴金额，来最大化增长策略的ROI。
4. 案例和启发：爱奇艺的智能化广告探索
长视频平台做智能化广告探索总体在做两件事：
第一，如何找到适合场景化营销的场景，即广告点位；
第二，如何展现更好的广告效果。
爱奇艺使用AI来挖掘广告点位，通过机器学习方法理解视频内容，包括：对象识别、事件识别和场景识别。
三种技术的具体应用如下：
- 对象识别：如人脸识别、姿态识别、服饰分类、宠物分类及表情识别等；
- 事件识别：如行为识别、语音识别、意图理解、事件分类、文本挖掘和关系抽取等；
- 场景识别：如地标识别、调性识别、音频分类及音乐识别等。
通过对这三类识别技术，可以轻松捕捉到视频中常见的场景，如婚礼、夜店、西餐厅，可以分别提供给经营婚戒珠宝、酒类、生鲜电商的广告主作为合适的广告点位。
这些技术要求AI能准确地理解以上场景，前提是底层算法首先要做大量的分类工作。需要将视频素材按照视觉、听觉、文本等维度进行分类打标。
第二步需要AI学习如何识别抽象的概念，如浪漫、悲伤等。
最后需要AI判断特征的权重和精度，例如，当需要识别“是否为聚会场景”时应该优先用哪些特征。
国内智能化广告的发展方向： 目前处在相对初级的探索阶段，主要是基于场景识别去匹配最合适的广告时机和内容。除了视频，其它领域借助AI做智能化推荐的例子还有：通过音乐识别情绪和消费环境、通过实时天气和车流向识别打车需求。
启发：作为产品人员，我们及时了解相关技术的最新进展，可以找到更有效率的用户增长手段。
5. 案例和启发：抖音逐层推荐算法vs快手去中心化算法
抖音的价值主张是 “发现美好生活” ，鼓励内容生产者生产积极美好的内容。
在抖音平台，最能吸引流量的是明星大V，但为了保证优质内容的供给，也需要依赖MCN和UGC。
为了保证优质内容被更多目标用户看到，抖音采用了逐层推荐算法。
该方法通过设计8层逐层递增的流量池，保证推荐的内容都是经过层层筛选的。比如：当一条新内容产生并通过审核后会进入第1级流量池，用户规模只有200～300人。当这条内容在这个小规模用户中曝光后获得的播放和互动量达标后就会进入第2级流量池，获得2000～5000人的用户曝光。以此类推，最终形成用户推荐流中的备选视频。
（逐层推荐算法还有反作弊的优点：当前和热度相关的指标都可以造假，然而抖音的流量池由平台自己圈定用户群，作弊流量几乎无法进入，所以无法进入逐层推荐体系，也就无法接触到太多的真实用户。）
和抖音的逐层推荐算法相对应的是快手的去中心化算法。
快手的价值主张是 “提升每一个人独特的幸福感” ，鼓励普通用户上传日常生活点滴，构建社区氛围。
为了保证社区生态健康，就不能让大V/KOL占据绝大部分流量。因此，快手采用去中心化算法让流量分散到更多的主播。
具体通过两种办法进行去中心化：
第一，相比热度，快手更倾向于让新的内容获得更多曝光。
第二，相比粉丝数，快手更侧重于推荐与用户关注主播相关的内容。不为大V和明星用户做流量倾斜，而是推荐调性接近的更多主播。
启发：抖音和快手虽然都是短视频平台，但由于两者的产品价值主张不同，核心推荐算法就会呈现出很大差异。
----end----
引申阅读：
[1].刘祁跃，《AI在爱奇艺视频广告中的探索》,DataFunTalk,2019.9.18。
[2].王犇等《浅谈滴滴派单算法》,DataFunTalk,2019.9.18。