面向增长的用户画像

基于推荐算法视角，来解决信息流产品用户增长的问题。其中，主要问题就是如何提升留存率。

经典的AARRR模式会逐步转向RARRA模式，提升产品留存、拉活、分享传播等方式是构建增长的主要战场，对于一个内容型产品来说，个性化算法对于用户留存、拉活起到了决定性的作用。

个性化的核心问题主要分为两个：

• 用户状态建模：深度建模用户状态和行为，通过对于大数据集中分析，找到使用户从低阶状态到高阶状态转化的干预因子。也就是如何把新用户转化成低阶用户，然后从低阶用户转化到高阶用户，用户流失后如何召回，类似这样的用户状态转化。
• 个性化分发的升级：将用户行为建模后，在多个场景下将这些干预动作转化为个性化推荐和营销，满足用户的消费需求。

用户增长业务核心逻辑变化：

• 长期的指标观测体系匮乏以及业务短视；去单一指标，多复合指标，提升用户留存，LTV，内容的互动（点赞、分享、评论）
• 缺乏合理的机制设计和产品视角；供给归因（内容采买）、UP主激励机制（生产效率，生产质量）

全生命周期的因果推断：在构建面向增长的用户画像时，需要采用全生命周期因果推断：

• 状态跃迁效用衡量

• 找到使用户从低阶到高阶状态转化的干预因子：

  · 内容变化：新内容上下架、热点事件的产生和消逝

  · 捕捉兴趣的变化

  · 分发幸存者偏差问题

根据causes的actions：

• 推断后的数据统计到内容采买和生产

• 干预场的设计和页面组织

• 内容供给指导 ( 2b供应链 )

• 构建时间线上的的推荐系统来推断个性化排序机制

参考：信息流推荐的用户增长机制