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
|
5月前
|
机器学习/深度学习 数据采集 人工智能
【机器学习算法篇】K-近邻算法
K近邻(KNN)是一种基于“物以类聚”思想的监督学习算法,通过计算样本间距离,选取最近K个邻居投票决定类别。支持多种距离度量,如欧式、曼哈顿、余弦相似度等,适用于分类与回归任务。结合Scikit-learn可高效实现,需合理选择K值并进行数据预处理,常用于鸢尾花分类等经典案例。(238字)
|
10月前
|
机器学习/深度学习 数据采集 人工智能
20分钟掌握机器学习算法指南
在短短20分钟内,从零开始理解主流机器学习算法的工作原理,掌握算法选择策略,并建立对神经网络的直观认识。本文用通俗易懂的语言和生动的比喻,帮助你告别算法选择的困惑,轻松踏入AI的大门。
650 8
|
11月前
|
机器学习/深度学习 存储 Kubernetes
【重磅发布】AllData数据中台核心功能:机器学习算法平台
杭州奥零数据科技有限公司成立于2023年,专注于数据中台业务,维护开源项目AllData并提供商业版解决方案。AllData提供数据集成、存储、开发、治理及BI展示等一站式服务,支持AI大模型应用,助力企业高效利用数据价值。
|
12月前
|
机器学习/深度学习 人工智能 自然语言处理
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
417 6
|
机器学习/深度学习 算法 数据安全/隐私保护
基于机器学习的人脸识别算法matlab仿真,对比GRNN,PNN,DNN以及BP四种网络
本项目展示了人脸识别算法的运行效果(无水印),基于MATLAB2022A开发。核心程序包含详细中文注释及操作视频。理论部分介绍了广义回归神经网络(GRNN)、概率神经网络(PNN)、深度神经网络(DNN)和反向传播(BP)神经网络在人脸识别中的应用,涵盖各算法的结构特点与性能比较。
|
机器学习/深度学习 算法 网络安全
CCS 2024:如何严格衡量机器学习算法的隐私泄露? ETH有了新发现
在2024年CCS会议上,苏黎世联邦理工学院的研究人员提出,当前对机器学习隐私保护措施的评估可能存在严重误导。研究通过LiRA攻击评估了五种经验性隐私保护措施(HAMP、RelaxLoss、SELENA、DFKD和SSL),发现现有方法忽视最脆弱数据点、使用较弱攻击且未与实际差分隐私基线比较。结果表明这些措施在更强攻击下表现不佳,而强大的差分隐私基线则提供了更好的隐私-效用权衡。
325 14
|
人工智能 编解码 算法
使用 PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理
使用 PAI-DSW x Free Prompt Editing图像编辑算法,开发个人AIGC绘图小助理
425 0
|
机器学习/深度学习 人工智能 自然语言处理
解锁机器学习的新维度:元学习的算法与应用探秘
元学习作为一个重要的研究领域,正逐渐在多个应用领域展现其潜力。通过理解和应用元学习的基本算法,研究者可以更好地解决在样本不足或任务快速变化的情况下的学习问题。随着研究的深入,元学习有望在人工智能的未来发展中发挥更大的作用。
|
5月前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
500 0
|
5月前
|
数据采集 分布式计算 并行计算
mRMR算法实现特征选择-MATLAB
mRMR算法实现特征选择-MATLAB
328 2