看到这个问题，不由得想起我当初了解用户增长的时候，在网上一搜，发现用户增长的文章往往伴随漫天的黑话、方法论、金字塔、导图，心灵大受震撼的场景。

两者的差别用一句话来说就是，在用户生命周期的部分阶段两者有重叠，除了推荐算法外，用户增长在别的阶段还有一些不同算法应用。

这里从算法角度简单拆解一下用户增长算法的方向，帮助算法同学简单清晰地梳理下用户增长究竟是做什么的。但增长方向内容实在很多，我不能面面俱到，仅做个参考。

做用户增长，顾名思义，岗位负责最核心指标是用户数量。所以用户增长一般做的事情都要能够直接间接影响到 DAU。所以用户增长逻辑上很清晰：围绕用户的生命周期寻找优化点。但是因为链路过长，落实到技术上，会显得有些分散。

一般地，我们把用户的生命周期可以分解成如下几个阶段：

APP 外
获客阶段：指如何获取新用户；
APP 内
激活阶段：指将新用户从APP视角的空白用户激活成活跃用户；
活跃阶段：用户在APP内处于比较活跃的阶段；
沉默阶段：用户减少使用APP频率至比较低的水平；
APP 外
流失阶段：用户卸载或者不再使用APP；

其中，进入到 APP 内阶段以后，用户增长和推荐算法就有比较大的重叠了。简单配张图。

1. 获客阶段

一般 APP 的获客阶段粗略地分，可以分成自然流量和购买的流量。自然流量指的是用户自发地安装产品，成为用户，通常占比较小。购买的流量一般指广告外投或者OEM预装等渠道，通过花钱购买曝光和安装，通常占比较大。

购买效果广告流量的场景，通常是这样的：

需要一些系统中的优秀 item 作为素材去外界平台投放广告，吸引用户点击广告并下载
有多种广告投放平台可选，这些平台的曝光价格（eCPM）不一而足，效果也不尽相同
随着时间增加，种子用户都已经有了广告曝光，剩下的用户点击率和转化率逐渐走低，获客成本逐渐增加

对这样动态的过程，算法是可以有一定介入能力的。算法可以做和需要做的事情包括：

种子 item 的选取：决定什么样的 item 可以作为外投广告的 item。
**创意生成：**因为效果广告是千人前面的，每个人看到的广告都不一样，因此广告外投的展现形式是什么样子的也需要算法生成，这个样式一般叫创意。有的广告平台有生成创意的功能，有的则由广告主自行生成。下图是京东在某 APP 投放的开屏广告，尚不清楚是广告平台还是京东自己生成的，但可以确定是算法生成的，因为我在京东搜索了一圈，冰箱品类并没有“TC”这个品牌，看起来是 TCL 的品牌识别出了点问题。
ROI、留存和 LTV（lifetime value）预估：由于外投流量是有成本的，我们需要预估买到新用户的长期留存和 life-time 的收益。当这个收益能够 cover 流量成本的时候，即 ROI > 1 时，我们认为是比较健康的，当 ROI 远小于 1 的时候，意味着外投获客是烧钱行为，不能够长久。这是时间序列问题。

对提升自然流量，算法侧一般的思路是增加 APP 的站外曝光量，如通过算法模型提高站外分享率等。

京东在某APP投放的开屏广告，可惜TCL拼错了

2. 激活阶段

从这个阶段开始，用户就进入到了产品内部，做的事情和推荐算法逐渐一致。激活阶段是用户增长最重要的阶段。它的重要性体现在几个方面：

第一，新用户刚来，几乎一张白纸，给新用户做推荐是极有挑战性的；
第二，新用户的耐心有限，能不能在很短的时间窗口内把 APP 的价值体现给用户，很大程度上决定了用户会不会留下；
第三，给新用户确立完整无偏的用户画像很重要，如果在最开始给用户定性定错了，短期留存必然上不去，许多产品对新用户会更多推热门 item，因为这些 item 的点击率相对更高，但热门 item 有时并不代表兴趣，如果没有考虑这点，新用户的画像就会学偏，这个用户从一开始就走向了流失。

这个阶段算法需要考虑的问题包括：

新用户承接：用户如果通过广告来的，则他进 APP 是带有一定目的性的，需要针对性地进行信用的承接
新用户推荐：
在没有用户画像时如何给新用户做推荐？
如何给新用户做推荐，能够尽快确立无偏的用户画像？
新用户激活：
如何让用户尽快积累点击或者展现，成为活跃用户？

这个阶段的策略和一般推荐算法最大的区别在于，它们不是 ctr 为目标的，而是以新用户的留存为主要目标进行优化的。这也是这一阶段另一个难点，留存不能直接优化，往往需要结合业务的 sense 或代理指标进行优化。

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。

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。

如果觉得有用，就请分享到朋友圈吧！

关于我

你好，我是对白，清华计算机硕士毕业，现大厂算法工程师，拿过8家大厂算法岗SSP offer（含特殊计划），薪资40+W-80+W不等。

高中荣获全国数学和化学竞赛二等奖。

本科独立创业五年，两家公司创始人，拿过三百多万元融资(已到账)，项目入选南京321高层次创业人才引进计划。创业做过无人机、机器人和互联网教育，保研清华后退居股东。

我每周至少更新三篇原创，分享人工智能前沿算法、创业心得和人生感悟。我正在努力实现人生中的第二个小目标，上方关注后可以加我微信交流。

期待你的关注，我们一起悄悄拔尖，惊艳所有

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？相关推荐

关于找工作，说点对后人有用的话（内附机器学习算法岗面经）
作者:理性思考链接:https://www.nowcoder.com/discuss/123128?type=post&order=time&pos=&page=4& ...
机器学习算法岗：常见面试问题及解答整理，持续更新
机器学习算法岗:常见面试问题及解答整理,持续更新一.决策树ID3和C4.5的差别?各自优点? ID3算法: C4.5算法: 差异: 二.过拟合的原因及如何防止三.几种模型( SVM,LR,GBDT ...
ML之FE：机器学习算法/数据挖掘中特征选取(变量筛选)的简介、常用方法(单变量分析并筛选—Filter/Wrapper/Embedded、多变量间相关性分析并筛选—PCC/MIC/IV)之详细攻略
ML之FE:机器学习算法/数据挖掘中特征选取(变量筛选)的简介.常用方法(单变量分析并筛选-Filter/Wrapper/Embedded.多变量间相关性分析并筛选-PCC/MIC/IV)之详细攻略 ...
手淘促活那些事儿 | 智能投放算法框架助力用户增长
导读:本文主要介绍以手淘促活为目的的全链路智能投放算法框架,该框架目前接入以 Pagani 为核心的全链路运营平台,首先使用用户意图识别算法圈选出目标人群,然后借助物料智能推荐和权益动态面额等算法实现 ...
常用机器学习算法汇总(中）
机器学习入门系列(2)–如何构建一个完整的机器学习项目,第八篇! 该系列的前七篇文章: 机器学习入门系列(2)–如何构建一个完整的机器学习项目(一) 机器学习数据集的获取和测试集的构建方法特征工程之 ...
BAT面试经验分享（机器学习算法岗）
https://blog.csdn.net/xwd18280820053/article/details/77529906 阿里: 7月份最早投的阿里(算法工程师),过了2天就收到一面通知,一面最主要 ...
机器学习算法岗实习面经：阿里百度字节滴滴
兵荒马乱的实习春招终于结束了,写点面经回馈社会,再次感叹刷题要趁早啊个人背景笔者是南京某985计算机专业本科,平时学的课程.打的比赛.做的项目大都沾点AI,实习就很头铁地全投了算法岗,csdn主页 ...
数据挖掘/机器学习/算法岗2017校招面试总结
个人公众号,欢迎关注 YouChouNoBB 目前就职于腾讯,想内推朋友可以发我简历(校招/社招都要),邮箱384375530@qq.com,注明岗位和工作城市. 这个岗位叫法很多,算法岗,数据挖掘岗 ...
华为苏州实习面试--机器学习算法岗
2019-4-20 下午四点多, 进去的时候人很多,摆的好像银行柜台一样,一边是叫号等待区,一边是面试区,我们进去先刷身份证签到,然后等着被面试.过程如下自我介绍.balabala 问机器学习学了哪 ...

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？

1. 获客阶段

2. 激活阶段

3. 活跃阶段

4. 沉默 & 流失阶段

总结

关于我

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？相关推荐

最新文章

热门文章