百度策略产品经理面试：如何评估小红书的Feed流效果？

基于这道百度策略产品经理面试题，笔者向我们介绍了答题思路以及相关的面试经验。

大家好，我是今天去面了百度的Isabel，职位是策略产品经理，部门是推荐技术平台部，主要是做手机百度App的Feed流推荐。

在面试过程中，除了常规的深挖简历项目之外，还会被问到了业务方面的开放性问题，需要现场回答。

在回答过程中，面试官也一直认真地用电脑记录下我回答的答案，个人感觉百度似乎更看重面试者的临场思维表现，根据现场的回答来判断综合素质。

由于我顺利通过了一面，面试官也评价我的回答答得不错，于是便想给大家分享当时遇到的开放性问题，以及我的回答。

我被问到的是那个经典的问题“你最喜欢的App是什么？”，我的回答是小红书。而众所周知的，在产品面试中这个问题基本都是面试官用来挖坑的，果然接下来就是 死亡三连：如何去评估小红书的Feed流效果？小红书Feed流存在什么问题？如何解决？

可能很多小伙伴都和我一样没有过相关经验，看到Feed流这个看起来很高大上的术语，一脸懵逼：这是啥？

因此，在分享我的答案之前，我首先会简单介绍一下Feed流是什么。然后再以小红书为例，聊聊Feed流是如何评估效果、从而持续优化的。

一、什么是feed流

Feed流的准确定义一直存在争议。简单来说，Feed流是持续更新并呈现给用户内容的信息流，它存在于各种各样的APP，字节跳动的抖音便是以Feed流起家的。

小红书的Feed流如下图：

通过图片大家应该对Feed流是什么有了大致的认知，接下来说说我理解的Feed流：Feed流的核心是“个性化推荐”，它的两个主体是内容和用户，是用户与内容的匹配，“信息找人”的展现方式。

总的来说，给Feed流产品下一个定义，则是： 通过一定的策略，从大量内容中筛选出部分内容，经过排序后展现给用户。

二、Feed流的生命周期：从产生到效果评估

Feed流是用户与内容的匹配，目的是从大量内容中找到用户最喜欢的内容。那么，这是通过什么样的策略来产生的，又该如何优化呢？接下来聊聊Feed流从产生到优化的全过程。

Feed流的产生，遵循着策略制定的四步骤：问题（目的）、输入、计算、输出。具体来说，是一个这样的过程：

为了达到“给用户展现感兴趣内容”的目的，输入一系列指标，进行逻辑计算，最终输出一个用户满意的Feed流结果。

除了“逻辑计算”这部分通常由RD（开发同学）来实现之外，其它的步骤都是策略产品经理需要去考虑并完成的。

接下来，我也会按照策略制定的四步骤，逐步聊聊Feed流是如何产生的。

目的

很显然，Feed流的目的是，要大量内容中找到用户最喜欢的内容。

输入

如何寻找到需要输入的指标呢？

对于这个问题，我们可以从匹配的双方，也就是用户和内容，这两个维度来拆解问题来思考。

• 从用户的角度来说，我们需要通过获取尽可能多的数据，构建用户画像，从而了解用户是个什么样的人。
• 从内容的角度来说，我们需要获取大量、多样、优质的内容，有足够的内容推给他。通过这一系列的动作，我们就可以知道，要把什么样的内容推给他。

细化到具体指标，可以从以下维度来考虑：

（1）从用户角度 ，我们的目的是多维度寻找用户兴趣，从以下指标考虑：

1）人口属性

从性别、年龄等维度考虑：基于性别与年龄的应用较为简单，思想有点像数学中的“聚类算法”：检测到用户是女性，会更多地推送女性喜欢的内容，而“女生喜欢的内容”又是基于其它女性用户的数据得到的。

基于LBS定位：可以从两个维度考虑：

• 一是简单地基于地理位置的内容推送，用户在北京海淀区，则会向他推送北京海淀区相关的内容；
• 二是结合地理位置进行城市层级划分，例如北上广、一线城市、二线城市等，检测到用户处于二线城市，则向他推送二线城市用户喜欢的内容。

2）过往行为

• 过往搜索行为：用户之前有搜索过“美食”，则接下来会推送美食相关的内容。
• 过往点击行为：用户在Feed流中点击“科技”相关内容，侧面说明用户对科技更感兴趣，因此更多地向用户推送科技的内容。

3）其它可获取信息

• 例如手机型号信息，若用户使用的是iPhone，可判断用户对iPhone相关内容可能会感兴趣，从而向用户推送iPhone相关的内容。
• 以及结合具体业务情况，其它可以拿到的信息。

（2）从内容的角度 ，我们的目的是获取大量、多样、优质的内容，从这三个维度也可以采取多方面的措施：

1）大量

搭建社区生态，利用鼓励措施增大用户生产内容的量级。

2）多样

• 通过内容运营，鼓励用户生产多类别UGC内容。
• 为用户展现的内容不局限于兴趣匹配，还可以向用户推送：平台热门信息、猜测喜欢信息等，推送内容多样化。

3）优质

• 吸引网红、明星等KOL入驻，增加内容的质量。
• 小红书主要以图片内容为基础形式，可内置配乐、滤镜、贴纸等美化功能，提高UGC内容质量。

输出

省略“逻辑计算”这部分不谈，来聊聊策略的最后一步，即输出一个用户满意的Feed流结果。

如何判断用户是否满意呢？

这就涉及到Feed流效果评估的问题。

一个基本原则是，要想评估Feed流展现效果好不好，就是要通过各方面进行打分，从而得出该Feed流在用户心中的“喜爱度”。

打分规则可以粗略从两个角度来考虑：一是排序，用户喜爱的内容排在越靠前，则说明该Feed流效果越好。二是从内容本身来看，用户喜爱的内容出现的越多，则说明Feed流分数越高、效果越好。

细化到具体的评估指标，可以从以下维度考虑：

• 前n个点击量：例如考虑前10个内容中，用户点击了几个内容。通过计算占比的值，来评估效果
• 点击量：这是最直观的数据。用户点击该Feed流的内容越多，说明用户喜爱度越高
• 停留时长：用户在Feed流的内容中停留时间越长，说明用户对该Feed流越感兴趣
• 活跃度：用户点赞、评论、转发等行为

三、feed流的优化策略

通过以上步骤，我们初步产生了一个Feed流。然而就像一句古话，“上线不是结束，而是新的开始”，产生Feed流之后的过程，就是不断优化迭代的血泪史了。

接下来，以小红书为实例，咱们聊聊小红书Feed流存在的问题是什么？以及基于这个问题，如何对Feed流进行优化。

作为小红书的忠实用户，我使用小红书时遇到最大的问题，便是 内容的同质化 。

一方面是正常内容的同质化：

• 从内容生产的维度来说，正常用户由于跟风、模仿等原因，发布的内容越来越趋于相似
• 从内容接受的维度来说，每天推送的内容没什么新鲜感，仅是推送最近、过去感兴趣的内容

另一方面是不正常的同质化：例如某些软广，发布了大量相似的内容。

小红书是内容平台，内容的同质化很显然会极大降低内容质量，轻则流失部分用户，重则降低产品的核心竞争力。因此，对小红书来说，同质化问题，需要被排在较高的优先级去考虑。

为了解决内容同质化问题，我们可以从内容本身出发，从“内容重复度”的维度为将内容粗略归类，进而思考不同类型的解决方案：

方案一：反作弊限制高重复度内容

简单来说，对于疑似广告的行为，需要对内容进行识别和处理。

从识别的角度，可以从以下指标来判断内容是否是广告行为，对单个内容的“广告疑似度”进行打分：

• 内容重复度极高
• 重复篇数较多
• 发布重复内容的IP段相似
• 其它数据指标异常（点赞量、留言量短期快速增加）

从处理的角度，由于小红书是一个内容社区，简单粗暴的删除内容有可能引起误伤，或是损害内容生态。

我认为处理方式可以从“降低优先级”的角度考虑：根据单个内容的“广告内容疑似度”，来适当降低广告内容在首页Feed流及搜索中的排序。

若该内容被判断为大概率属于广告，则优先级则会降低，甚至完全不展现给用户。通过这样的方法，对高重复度内容进行限制。

方案二：内容运营鼓励多样化内容生产

对于跟风、模仿发布相似内容的用户，他们可能是出于两种心态：一是不知道要发布什么内容，二是想通过跟风模仿来获得归属感、认同感。

基于这个背景，我们可以通过在内容发布页增加文字提示的运营方式，来鼓励用户发布多样化的内容。例如以下提示，适当引导用户发布的内容：

• 美食类：晚上好，晒晒你的丰富大餐吧
• 健身类：说说你最近的瘦身成果吧，听说80%在小红书晒健身计划的人都瘦了哦
• ……

一方面，从用户角度来说，结合场景的提示语拉近了用户与内容社区的距离，适当的引导可以解决用户发布内容时“不知道选取什么主题”的问题。

另一方面，从公司角度来说，也可以通过实时监控与调整，来完善社区内容的多种类。具体来说，当遇到“美食类内容生产较少”的问题，可以通过增加美食类引导语比例，来促进社区内容的种类完整性。

方案三：精准推送策略与多样化推送策略的平衡

Feed流的最终目的是“寻找到用户喜欢的内容”，为了达到这个目的，一个有效的途径是进行用户与内容的“精准匹配”，通过过往信息来判断用户的兴趣，即精准推送策略。

但实际上，用户对“自己喜欢的内容”的界定是比较模糊的。有时候，就连用户自己也无法准确描述自己喜欢的是什么，仅局限于对过去信息来判断用户兴趣，会忽略掉用户未来、有可能兴趣。因此，就会出现推荐内容同质化的问题。

因此，除了推荐精准预测的内容外，也应当进行多样化内容的推送。在进行内容匹配时，为用户展现的内容不局限于兴趣匹配，还可以向用户推送：平台热门信息、猜测喜欢信息等，推送内容多样化

面试是我们向面试官输出和表现自己的过程，不断面试被问到新的问题，就可以通过在复盘的阶段主动查询资料和深度思考来进一步了解。

如果大家对这篇文章有什么建议与意见，欢迎在评论区留言与我沟通~

本文由 @Cipher 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: