微觀上，沒有唯一答案才是推薦系統唯一的答案

在相當長的一段時間里，百度搜索的pm們有一項基本功就是搜索結果滿意度的評估。搜索的結果是固定集合，每個query的結果千人一面。每個PM都有上帝能力，在不看用戶行為的時候能大體判斷出哪個是更好的結果。

從搜索切換到推薦，從固定query（一個詞）切換到了富含上下文的模糊query（時間、地點、人物偏好、閱讀歷史、網絡環境），也就從千人一面唯一答案 切換至了千人千面的多元答案。

例子：

在霧霾當道的環境里，給關心親子內容的用戶推薦怎樣的內容是好的？
是霧霾口罩，還是英語教育？

主觀判斷是霧霾口罩吧（這正是傳統網站編輯的選擇）。但是細拆一下就會發現，坐標在云南、西藏的人，他們是將霧霾當社會問題來看的，而不是親子健康問題來看的。他們不那么關心霧霾口罩、空氣凈化器的選購。

進一步，推薦給身在北京的家長可好？細拆一下還是有問題，如果一個用戶已經看了足夠多的霧霾相關內容，他還會不會看更多的同類內容呢？新的內容是換個角度論述，還是包含更多的信息？

一連串的拆分做下來，你會發現在千人千面的場景下，主觀判斷頹然無力。你也許還有能力判斷什么是極差的，但很難判斷什么是更好的。

放下了主觀預判，接受每個用戶的個體差異性，才能夠更好的通過后驗數據來驗證自己的想法，把提案權留給自己，把決定權交給用戶。讓每一個策略、規則、產品形態、交互方式，都成為經過已有用戶群體檢驗的合格品。

宏觀上，圍繞滿意度和留存優化，才能更可持續的發展。

在微觀上放棄了主觀臆斷，才能夠在宏觀上，在統計數據和產品方向上去設定目標，產出方案，檢驗效果。

常見的指標如點擊率，多樣性等不用多說，是最敏感且易測的指標。但推薦產品經理需要跳脫局部指標的KPI導向，站在整個產品來看：只有用戶（無論是C端還是B端）滿意度【反饋、問卷】 和 留存指標，才是可持續發展的根本。

以視頻為例，如果為了湊VV，可以做自動播放、可以偏向于推薦較短的內容、可以推高熱的內容、可以不做興趣探索等等，常見的指標不一定 甚至說 一定不會下降。但這樣，從長期來看喪失了更好的發現C端新需求的機會，也對B端作者的分發不夠友好。這種變化也會慢慢體現在C端或B端的留存指標上。

圍繞敏感指標做優化的時候，你不僅需要是一個用戶【站在如新用戶、老用戶的角度來考慮】，還需要是一個自媒體【站在我是一個自媒體，這個新策略對我的內容分發量有什么影響】，換位思考滿意度，從而預估這個操作是否會對留存產生影響。

舉個例子，在打擊某類內容的時候，最直觀想到的是全局指標。一個數填進報表里，從多少降低到多少，這個雙月的OKR就達成了。
但是這個指標是否會出現某個用戶身上出現密集？造成用戶個體的體驗變差？那就需要引入用戶個體指標，在用戶層增加強規則打散；
解決了全局指標和個體指標，那是否會存在某個內容漏網獲得極大的展示量，從而引發B端的破窗效應？那就接著要引入內容個體指標，確保這樣的內容不會有太高的展示量。

把平臺、C端、B端都想一遍，得出的產品才不會偏得太遠。

操作性：將方向量化成指標，PK指標重要度，指導解決方案選取

我現在在做粉絲方向的，我很痛苦。

因為對于粉絲的內容進行強Boost，是一個很明確有損點擊、有損停留時長的事情，甚至于僅從C端用戶的閱讀需求上來說，幾乎沒有什么正收益。

那，為什么還要做？

• 可能刺激C端做更多的互動，享受更多內容之外的服務。
• 幫助B端更好的變現，從而增強B端的留存。

點擊、停留時長都是看得見的數字。

為了推進粉絲向的事情，就必須補充可量化的B端指標如跟其他平臺發文量的對齊，回復粉絲評論的情況，C端指標如外鏈點擊率、粉絲互動率等等。

指標間可能是沖突的，進一步PK指標的重要程度，達成一個為了實現指標A可以損失百分之幾指標B的折衷，從而在此范圍內進行迭代。