作為數(shù)據(jù)產(chǎn)品經(jīng)理，接觸最多的業(yè)務(wù)方莫過于是運(yùn)營人員，不管是搭建標(biāo)簽體系，還是日常的數(shù)據(jù)分析、數(shù)據(jù)數(shù)據(jù)產(chǎn)品，歸根到底都是希望能夠?yàn)槎床煊脩簟a(chǎn)品等相關(guān)的實(shí)體，從而實(shí)現(xiàn)精細(xì)化運(yùn)營。因而在搭建標(biāo)簽體系的時(shí)候，最為重要的一點(diǎn)就是從運(yùn)營的角度出發(fā)，思考如何能夠提升運(yùn)營效率，為運(yùn)營提供便捷性的工具。《運(yùn)營之光》這本書講述了運(yùn)營相關(guān)的知識，希望通過對此書的學(xué)習(xí)，能夠較好的理解運(yùn)營的工作，能站在運(yùn)營的角度去實(shí)施數(shù)據(jù)產(chǎn)品的工作，做出更多有業(yè)務(wù)應(yīng)用性和價(jià)值性的東西，同時(shí)結(jié)合在精細(xì)化運(yùn)營過程中需要的策略分析和推薦方法，提煉一些個(gè)人覺得值得思考的信息點(diǎn)

一個(gè)優(yōu)秀的運(yùn)營，應(yīng)該可以熟練掌握很多“杠桿點(diǎn)”，以便更好地給用戶創(chuàng)造短期價(jià)值，借此撬動更多長期價(jià)值的確立

1、運(yùn)營工作的很大一個(gè)組成部分就是如何通過不斷思考、判斷和執(zhí)行，找到投入產(chǎn)出比較優(yōu)的路徑和方法，來獲得你想要的結(jié)果。
2、一般，我們可以把用戶分為新用戶、老用戶、會員用戶、超級用戶和流失用戶。在不同的用戶生命周期，用戶運(yùn)營的核心目標(biāo)都是不一樣的。比如，從新用戶到老用戶，我們關(guān)注的是新用戶首購的轉(zhuǎn)化；從老用戶到會員用戶，我們關(guān)注的是通過推動老用戶不斷地復(fù)購來建立忠誠度；從會員用戶到超級用戶，我們關(guān)注的是提升用戶對品牌的認(rèn)知和價(jià)值共鳴；對于流失用戶，我們關(guān)注的是用戶召回
3、推薦的關(guān)鍵點(diǎn)：優(yōu)質(zhì)，即時(shí)，相關(guān)，多樣
一般推薦需要加入置頂規(guī)則，沉底規(guī)則
推薦的前提：信息過載，比如對一個(gè)新的短視頻業(yè)務(wù)，現(xiàn)在短視頻的量太少，不存在用戶看不完的情況，則無需用推薦
4、推薦策略劃分：
通用策略：
①過濾策略:過濾掉含有A的內(nèi)容
②排序策略:內(nèi)容B對全體用戶加權(quán)50%
③打散規(guī)則:連續(xù)五條內(nèi)容中最多出現(xiàn)兩條C的內(nèi)容
④規(guī)則優(yōu)先級:各規(guī)則之間可能互斥，要明確之間的優(yōu)先級，規(guī)則沖突情況下的邏輯
垂類策略：
①定義:某個(gè)策略覆蓋的人群不是百分之百，比如針對于地活躍用戶的分析
②垂類策略力度更大，可能會超過產(chǎn)品限制，比如在ABT時(shí)直接把某個(gè)功能模塊下架，在發(fā)推是一天發(fā)兩條
③用戶生命周期的加持影響力度會更大，比如針對不同生命周期的同功能策略用戶，策略都是不一樣的
5、推薦的規(guī)則
推薦的彈藥，用戶行為數(shù)據(jù)，顯示反饋，比如明確表示出喜歡，隱式反饋，比如頁面瀏覽行為，曝光。正反饋和負(fù)反饋
①基于用戶協(xié)同推薦，找到相似用戶，在找到相視用戶的物品集合，推薦用戶沒用過的物品
②基于物品協(xié)同推薦，通過用戶的行為數(shù)據(jù)，計(jì)算物品相似度進(jìn)行推薦，而不是物品間的相似度
6、運(yùn)營當(dāng)中的社區(qū)必要性
論壇管理，引導(dǎo)產(chǎn)生興趣，興趣催生話題，話題集中討論，信息聚合用戶
7、不同階段的策略運(yùn)營方式也不同
短視頻和直播的推薦可以相互借鑒，在不同階段，當(dāng)下最缺少的東西不同，會采取不用的策略，對于PGC產(chǎn)品而言，在早期最缺少的是內(nèi)容量，需要的是作者和優(yōu)質(zhì)內(nèi)容，對于專業(yè)作者，差別也很明晰，有利益驅(qū)動型，影響力驅(qū)動型，興趣驅(qū)動型
①利益驅(qū)動型，是理性自然人，策略到有效的延時(shí)很短，一般采用不同的分流
②興趣驅(qū)動型，對其中的優(yōu)質(zhì)內(nèi)容才有運(yùn)營資源和推薦的傾斜
影響力驅(qū)動型，給予特權(quán)功能和外顯社交資本
8、推薦的可信度優(yōu)化
①好的推薦系統(tǒng)不僅僅能夠準(zhǔn)確預(yù)測用戶的行為，而且能夠擴(kuò)展用戶的視野，幫助用戶發(fā)現(xiàn)那些他們可能會感興趣，但卻不那么容易發(fā)現(xiàn)的東西
②舉例：豆瓣標(biāo)簽云，給用戶推薦標(biāo)簽，并推薦標(biāo)簽下面的內(nèi)容，推薦程度越高，標(biāo)簽字體越大，實(shí)現(xiàn)內(nèi)容推薦可解釋性，同時(shí)提高推薦結(jié)果的多樣性，還提高了用戶的聯(lián)想性，讓用戶進(jìn)行很多的內(nèi)容回憶和內(nèi)容消費(fèi)
9、商品的熱度評價(jià)方法
①物品平均在線天數(shù) 如果一個(gè)物品在某天被至少一個(gè)用戶產(chǎn)生過行為，就定義該物品在這一天在線
②商品時(shí)效性：相隔T天系統(tǒng)物品流行度向量的平均相似度 取系統(tǒng)中相鄰T 天的兩天，分別計(jì)算這兩天的物品流行度，從而得到兩個(gè)流行度向量。然后，計(jì)算這兩個(gè)向量的余弦相似度，如果相似度大，說明系統(tǒng)的物品在相隔T 天的時(shí)間內(nèi)沒有發(fā)生大的變化，從而說明系統(tǒng)的時(shí)效性不強(qiáng)，物品的平均在線時(shí)間較長。
10、商品推薦評估指：準(zhǔn)確度、覆蓋度、新穎度、驚喜度、信任度、透明度等。
推薦算法的評估：準(zhǔn)確率，召回率，覆蓋率，流行度、新穎度
11、內(nèi)容運(yùn)營中的眾包=》眾包：就是你無須參與到具體的內(nèi)容生產(chǎn)過程中，只需要明確內(nèi)容邊界和規(guī)則，維系好一個(gè)氛圍和環(huán)境，然后讓大家都到這個(gè)好的環(huán)境中來貢獻(xiàn)內(nèi)容，最后你再從中篩選出你認(rèn)為更優(yōu)質(zhì)的內(nèi)容。
12、推薦的人工干預(yù)意義=》推薦人工干預(yù)：短期的干預(yù)是應(yīng)該逐步被長期的機(jī)制所替換的。規(guī)則就像打補(bǔ)丁，短期打補(bǔ)丁能夠遮住窟窿，但長期補(bǔ)丁疊補(bǔ)丁這衣服就沒法穿了。太多的規(guī)則系統(tǒng)會嚴(yán)重增加系統(tǒng)的復(fù)雜度，降低可理解性。

新人創(chuàng)作打卡挑戰(zhàn)賽發(fā)博客就能抽獎！定制產(chǎn)品紅包拿不停！

總結(jié)

以上是生活随笔為你收集整理的《运营之光》《策略产品经理》《推荐系统实践》读书笔记随笔的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。