请问机器学习算法岗中用户增长和推荐系统差别是什么呢?(二)

简介: 请问机器学习算法岗中用户增长和推荐系统差别是什么呢?(二)

3. 活跃阶段


活跃阶段的用户增长可以看做推荐的一部分。其中最重要的手段就是 Push。Push 的意义不仅仅在于提供个性化推荐,它更增加了 APP 的入口,因此 Push 是用户增长最重要的手段之一。


Push 的内容很多,值得单独写一写。简单地说,Push 可以看做一个 top-1 的推荐系统,在推什么的部分,和推荐算法是基本一样的。


除了推什么的部分,Push 还需要考虑:


  • 什么时候推


  • 每天推几条


  • 个性化和非个性化的推送怎么安排配比


  • 如何提升时效性


  • 要不要给用户个性化条数 quota 和发送时间


  • Push 内容的 landing page 承接


  • Push 的点击能否带来转化,即在 APP 内更多地消费内容,从而给 APP 带来一个 DAU 以外的真金白银的收益



等等等等,不一而足。


其他地,根据业务不同,也包括发券等促销相关的算法等。


这一阶段,主要关注用户的拉活率、长期留存和长期卸载,我们的拉活手段希望用户能从一周三次到每天一次,但是同时也希望用户不因我们的拉活手段感到反感,进而卸载 APP。


4. 沉默 & 流失阶段


当用户不再使用 APP,甚至卸载 APP 时,我们对用户的触达能力就收到了极大限制。


倘若用户还没有卸载,可以通过 Push 来进行极限拉活;倘若用户已经卸载了,还剩下一些盘外招可用,比如:


  • 根据用户的注册手机和邮箱,给用户发送短信和邮件:由于短信和邮件也是有成本的,每天发给哪些用户,什么时候发,发什么内容,都可以由算法决定。


  • 广告重投放:当一个用户卸载了APP,悲观主义者将他看做流失用户,乐观主义者将他看做新的种子用户,因此,可以对卸载用户重新投放广告,一般地转化率都比普通广告要高。


3ababd0fcf12895a1da00658f4311a8d.png


随地都能看到产品焦虑感溢出屏幕的拉活短信


但是要注意,一个活跃用户流失的原因一般是因为 APP 不能给用户提供可持续的价值了,此时通过各种方式挽留用户,只能说是亡羊补牢。长期留存主要取决于 APP 的价值,想要更好的用户增长,需要把精力更多放到前面,思考如何给用户提供更多价值,延长用户的生命周期,才是正经道理。


总结


从业务角度,DAU是最核心的指标,对应的用户增长是一个相当核心的方向。但从实际工作角度,又有些麻烦。一方面,用户增长是一个十分广泛的领域,各方向应用的可能完全不一样,如,做优惠券分发算法和做新用户 deeplink 承接,是完全不同的思路;此外,部分方向做的内容和其他组可能存在重叠,如,在 Feed 中优化新用户留存/提升分享率,和 Feed 流推荐的同学做的事情又有重叠。


对这个问题,不同企业有不同的方案,一些企业选择把用户增长作为推荐算法下面的子方向。一些企业则会把用户增长中和推荐算法重叠的部分放入推荐组,其他部分整合成用户增长算法组,与推荐组架构上并列,此时推荐组和用户增长不完全解耦,也会背一部分用户增长的指标,如留存、DAU等。


现有的资料,有一些非技术岗总结的方法论如“AARRR”/"RARRA"之流,有兴趣可以学习了解一下,学习下如何创造黑话,可能对写晋升 PPT 大有裨益。



相关文章
|
23天前
|
机器学习/深度学习 算法 搜索推荐
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
|
15天前
|
机器学习/深度学习 自然语言处理 算法
|
3天前
|
机器学习/深度学习 算法 搜索推荐
Python用机器学习算法进行因果推断与增量、增益模型Uplift Modeling智能营销模型
Python用机器学习算法进行因果推断与增量、增益模型Uplift Modeling智能营销模型
30 12
|
1月前
|
机器学习/深度学习 分布式计算 算法
大模型开发:你如何确定使用哪种机器学习算法?
在大型机器学习模型开发中,选择算法是关键。首先,明确问题类型(如回归、分类、聚类等)。其次,考虑数据规模、特征数量和类型、分布和结构,以判断适合的算法。再者,评估性能要求(准确性、速度、可解释性)和资源限制(计算资源、内存)。同时,利用领域知识和正则化来选择模型。最后,通过实验验证和模型比较进行优化。此过程涉及迭代和业务需求的技术权衡。
|
1月前
|
机器学习/深度学习 数据采集 算法
构建高效机器学习模型:从数据处理到算法优化
【2月更文挑战第30天】 在数据驱动的时代,构建一个高效的机器学习模型是实现智能决策和预测的关键。本文将深入探讨如何通过有效的数据处理策略、合理的特征工程、选择适宜的学习算法以及进行细致的参数调优来提升模型性能。我们将剖析标准化与归一化的差异,探索主成分分析(PCA)的降维魔力,讨论支持向量机(SVM)和随机森林等算法的适用场景,并最终通过网格搜索(GridSearchCV)来实现参数的最优化。本文旨在为读者提供一条清晰的路径,以应对机器学习项目中的挑战,从而在实际应用中取得更精准的预测结果和更强的泛化能力。
|
1月前
|
机器学习/深度学习 自然语言处理 算法
【机器学习】包裹式特征选择之拉斯维加斯包装器(LVW)算法
【机器学习】包裹式特征选择之拉斯维加斯包装器(LVW)算法
59 0
|
1月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
|
1月前
|
机器学习/深度学习 算法 数据可视化
实现机器学习算法时,特征选择是非常重要的一步,你有哪些推荐的方法?
实现机器学习算法时,特征选择是非常重要的一步,你有哪些推荐的方法?
27 1
|
1月前
|
机器学习/深度学习 数据采集 算法
解码癌症预测的密码:可解释性机器学习算法SHAP揭示XGBoost模型的预测机制
解码癌症预测的密码:可解释性机器学习算法SHAP揭示XGBoost模型的预测机制
113 0
|
1月前
|
机器学习/深度学习 数据采集 监控
机器学习-特征选择:如何使用递归特征消除算法自动筛选出最优特征?
机器学习-特征选择:如何使用递归特征消除算法自动筛选出最优特征?
71 0