【磊叔批注】神策数据：解读千人千面，洞悉数据智能的价值

分发效率这件事非常重要。产品的体量起来之后，产品上的流量位置和区域就是产品商业化能力的命脉。但由于互联网产品的局限性，优质的流量位就那么几个，各个业务必然会为了争抢流量打的头破血流。事实上，在实际工作中几个业务部门为争抢金刚位会吵的不可开交。

所以需要千人千面在最前端将用户分流，并根据用户的特征和标签将用户分流到不同的产品架构。

也就是结果导向，关注结果，而非过程。

结果导向关注的是如何应用更有效的策略，而非纠结“100-10”还是“100-5”的优惠券。

类比数据分析就好理解一些：关注数据分析的结果和结论，而非分析的执行过程。

结果导向关注的是“DAU下降10%应该怎么做”，而非“如何用Python分析DAU”。

除了开机图、Banner 图和轮播图，还有金刚位，以及页面营销栏位等。上上篇内容对分层推荐有清晰阐述，请参详：

《【磊叔批注】为什么大厂改版都在做用户分层设计？》

触点，是指能够直接触达用户，或用户能够直接与产品/营销活动产生联系的营销形式。

常见的触点包括产品触点和营销触点：

- 产品触点：push、sms、tel、图标动效 / 红点 / 角标。

- 营销触点：即下文各类营销规则，如红色下划线所示。

这里的精细化分层工作非常具有挑战性，例如：

1）如何将100+种服务 / 功能合理的放到 10 个金刚位上？

2）金刚位 A-B-C-D-E和金刚位A-B-C-E-D是否有必要分为两个客群？

3）100+个服务，分层不合理或许会产生多达1000+个客群，我们叫分群爆炸。和维度爆炸类似，必须严格避免。

未广泛应用的原因在于：

- 营销端难以通过机器算法自动识别，并自动匹配或生产营销策略。

- 营销端策略的容错性非常低，对营销策略的精准性要求非常高。

这个就非常成熟了，不多赘述。

磊叔当年就是做短视频信息流的推荐策略，多年前各类推荐算法、场景、特征工程就已非常成熟。

这里的“召回-排序-重排”即是现代推荐系统的标准架构，其中运行着很多种推荐策略，我们叫做“拉链，chain”：

- 召回层：负责从原始内容池中根据用户特征拉回数据，量级一般在几万~几十万，常见有热点召回、多目标召回等算法。

- 排序层：在召回层的基础上按照业务目标进行筛选（例如会做ctr预估），量级一般在100~10000个，也叫粗排层。

- 重排层：在排序层的基础上按照推荐场景下发给用户最终的推荐结果，一般包括槽位策略、冷启动策略、混排策略、打散策略等，量级一般在5~15个，也叫精排层。

说白了就是想尽办法在用户看到真正的内容前收集用户的特征，以解决新客首触 / 落地的留存问题，常通过兴趣预选、CF等来帮忙。

所以标签非常重要，通常考察标签系统 / 模型的指标是：准确率、覆盖率和召回率，简称准召覆。业内平均值大致为：

- 准确率：85%

- 覆盖率：80%

- 召回率：100%

其中覆盖率无法达到100%，原因请见：

《【7000字】为什么我说你并不懂标签体系》

断点营销，通常根据在业务流程中的脱落 / 流失状态来制定和出发营销策略，常包括实时策略和非实时策略。

- 实时策略：需要营销系统能够提供分钟级响应，常用于极其重要的业务挽留；

- 非实时营销：一般在 T+0 内挽留。