什么是推荐策略
推荐策略是通过用户属性和用户行为，找到每个用户的兴趣偏好，从而达到个性化推荐的目的。如果你尝试在抖音和快手上看一些短视频，会发现，看的越多，推荐的短视频就越符合我们的兴趣，即，抖音、快手的推荐策略通过用户历史的观看行为，为用户推荐其喜欢的视频。本文将以抖音、快手为例，介绍数据分析在推荐策略上的运用。也就是我们说的策略分析。
在此之前，我们需要先揭开推荐系统的面纱，了解它的内部数据流，在此基础上探索数据分析和推荐可能的合作方式。以下是我基于对推荐系统的认知，整合了对抖音快手的业务理解，画出的推荐系统架构。
用户请求服务后，一般系统先判断用户属性，在相应的召回层中捞出一批视频，召回层打捞的视频量级通常会大一些，视 App 请求量级和计算资源而定，可能为万也可能为千级别。这些视频进入粗排层，粗排层会制定一些规则，快速对召回层的视频进行排序，选取一部分视频进入精排层。进入精排层的视频可能就只剩百级别的数量了。精排层对视频排序的准确性要求更高，通过视频精排，选取排名前几的视频返回给用户，就是我们在 App 上看到的视频。用户继续请求服务，推荐系统再次给用户返回推荐的视频内容，如此反复。
用户请求服务
用户请求服务，在抖音的场景里，可以理解为打开 App、下拉刷新页面、向上滑动视频看下一个视频等，这些都是一次用户请求。Server（服务端）收到请求后，进入推荐流，通常情况下，Server 会判断用户属性，返回不同的召回源。不同类型的用户，召回层的视频池（也叫候选池）很可能是不同的，比如，对新用户是否不出广告。当然，这种属于比较成熟的推荐系统，很多中小型平台的 Server 收到请求后，直接进入召回层，在后续的粗排层再将用户属性作为一个 Label（推荐特征），来干预视频排序。
召回层
召回层，简单来说，就是从全量视频池中召回（打捞）尽可能多匹配用户兴趣的视频。像抖音、快手日活级别的产品，每天用户上传的作品量上百万，甚至上千万。服务器资源不允许计算用户对所有视频的感兴趣程度，用户更不可能给推荐系统太多时间去计算（之前流行说法是，互联网用户最多 3s 耐心，现在更短）。所以，需要在召回层，通过一些召回规则，每种规则下召回（打捞）一定量级的视频。这里可以简单理解，基于某一种规则筛选的视频为一种召回源。所以召回源的视频总和构成了召回层。
召回源的来源通常有多种，比如对站内已经有热度的视频作为一个召回源，把它们推荐给更多用户，打造站内、甚至全网爆款，这种在抖音上比较常见；比如运营构建“长尾优质”召回源，通过筛选优质内容，给予流量倾斜，扶持 KOL、同时保证站内内容的多样性，这种在快手可能更常见。那么，在召回层，数据分析师也可以提供一批视频作为召回源，以达到某种目的。根据站内用户请求量和计算资源，召回层捞回的视频可能为万级别、千级别，也不排除仅为百级别。
粗排层对召回层提供的视频，快速排出用户兴趣低的视频，捞出百级别量级的视频进入精排层。可能你会疑惑，粗排层的 Ranking（排序）算法应该是推荐主导，数据分析师又能如何参与进来呢，后面我们会举例说明。
粗排和精排
精排层对视频排序的准确性要求更高，排序结果直接影响到呈现给用户的视频内容，也是很重要的一环。与粗排层一样，数据分析师可以给予 Ranking 算法的建议。
至此，我们花了大量的篇幅来介绍推荐系统，我们的分析也是基于推荐流上的优化。相信敏锐的数据分析师，可能已经能发掘我们在策略分析上可以做哪些事情了。
可以与推荐进行的合作
召回层合作：增加召回源
我们知道，推荐系统的准确性是建立在有大量用户行为数据的基础上的，但是对于新用户，他们的行为是缺失的，我们能拿到的新用户属性也是少之又少的，除了用户机型、地域、安装渠道等，其他信息基本为零。这就导致新用户的推荐特征稀疏，针对新用户的个性化推荐，很难取得较好的效果。这种情况，我们可以针对新用户建立单独的召回源，通过分析之前的新增用户在哪些视频上的观看表现较好，把这些视频作为一个召回源，以帮助提升新用户的视频观看时长，从而达到提升新用户留存的目的（我们知道，通过 AARRR 模型，此时用户处于“激活”阶段，下一步重要的转化阶段就是要实现用户留存）。
召回层合作：优化现有召回源
增加召回源是一种方式，但是实际中使用的并不多，主要是因为新增召回源后，还需要持续更新召回源的算法，维护成本较高。同时也会增加 Reco（推荐）的管理成本（召回层有大量的召回源，也是需要管理的）。所以，我们更多的是通过分析现有召回源的视频表现，将它们作为优化、甚至是下线某些召回源的依据。以短视频为例，评价视频表现的指标有完播率、平均播放时长、视频的点赞率、评论率、转发率等。其中，完播率是指视频被看完的比例；平均播放时长是视频被多次观看的平均时长；视频点赞率是指视频播放时，被点赞的比例。如果某些召回源的少数指标表现较差，我们可以帮助优化召回源的筛选规则，提高该召回源的视频质量；如果某个召回源的多个指标都表现较差，也可以建议 Reco下线召回源。另外，我们也可以整体分析所有召回源的流量分布，如果流量分布极度不均衡，可能会造成平台内容过于单一，长远看对用户留存可能有损，Reco 也是需要优化的（相信大部分用户是不愿意在一个泛娱乐的平台上，看到过于单一的内容）。
粗排层和精排层的 Ranking（排序）优化
在上一部分我们提到，评价视频表现优劣的指标是多维的，完播率、点赞率、评论率等，而不同指标的权重有大有小，如何确定指标的权重呢？我们假设目前视频点赞率的平均水平为 7% 左右、评论率为 2% 左右、分享率 1% 左右。那么我们可以合理推断，用户一次分享的价值高于一次点赞（分享率 1% < 点赞率 7%）。或者说，用户分享行为是用户给予推荐系统更强的一个正反馈，“我可能喜欢这个视频”，那么，Ranking 算法中，分享率这个指标可能需要被提权，从而让好的视频被筛选出来，推给更多用户。
当然，实际中，业务场景可能更复杂。因为商业化因素的考虑，所以需要出广告；因为要保持站内内容的多样性、维持健康的生态，所以需要对长尾内容进行流量扶持；因为要给予中小生产者涨粉的通道，所以需要给予他们冷启流量等等。这些地方，数据分析师都可以发挥作用。
以广告的 Adload 为例来说。广告的 Adload，是指用户消费的视频流（含广告）中广告的数量占比。Adload 越高，平台的商业化收入越高，但是对用户的体验伤害也越大。部分用户甚至不再活跃，长期看是不可持续的。而 Adload 越小，虽然用户体验会变好，但是平台收入也少了，就不能持续运营下去。所以广告的 Adload 应该限定在一个合理的范围内。这个合理范围需要通过 A/B 实验，分析不同 Adload 带来的商业变现，及相应的日活损失。以此计算出既能保证平台持续运营的最小商业化变现要求的范围。同时，尽量使得单次广告展现导致的日活损失值最小。（单次广告如何达到最高的变现效率是另一个问题，此处不展开讨论。）
另外，还可以更精细化的管理用户的 Adload——不同用户对广告的忍耐度是不同的。我们以用户生命周期来说，对于稳定期的用户，他们对平台的黏性最高，对广告 Adload 的容忍度也相对更高；相反，对于衰退期的用户，他们本身的流失风险就很高，此时如果再向他们推荐广告，很可能会加速他们在平台上的流失。所以，合理的做法是，针对不同的用户，加载不同的广告 Adload。在此过程中，数据分析师承担了用户分群的职责，通过合理定义用户所在的生命周期，帮助平台最小限度的减少流失用户、最大限度的实现商业化变现。
