动态特征|推荐策略产品经理实操（二）：用户负反馈数据收集策略|产品经理|用户|数据收集

编辑导读：作为一个策略产品经理，要对重视用户的反馈数据，尤其是负反馈。负反馈是比正反馈更有用的信息，作为用户的主动反馈行为，其可信度更高。本文作者从自身工作经验出发，对用户负反馈数据收集展开分析，希望对你有帮助。

文章插图
（以下数据均进行脱敏处理，不涉及公司业务真实数据）
推荐系统都是基于用户的静态特征和动态特征来进行内容推荐，静态特征基本上是永久或长期不会发生变化的特征，例如用户年龄、性别、职业等；动态特征则和用户当前场景下的兴趣爱好息息相关，动态特征又分为正反馈和负反馈。正反馈就是用户根据推荐系统推送的内容进行点击、消费时间等一系列行为，而负反馈则是比正反馈更有用的信息，作为用户的主动反馈行为，其可信度更高，应该被重视。
01 背景产品的主要用户基本上为小孩，存在非小孩用户的推荐列表会受到主流用户爱好干扰的现状，尤其是在开学季，非小孩用户的列表和节假日存在巨大的差异，因此有必要在优化推荐系统的同时新增用户负反馈功能。
（这里主要是讲收集数据之前的工作，后面还会总结收集的数据如何使用）
02 项目过程1. 竞品分析收集数据之前，会发现产品目前并没有这个功能可以协助用户进行反馈，还是需要从头开始做，因此，我参照了几个用户量比较大的产品，并非是真正的竞品，但也能学到一些东西；经常使用信息流产品的人应该会很熟悉今日头条；二次元深度患者则多使用b站；数码生鲜产品爱好者则多会了解京东一些。
这三个产品，刚好都有做负反馈功能，如下图（依次是12京东，34今日头条，5b站）：

文章插图
会发现，虽然只是一个小小的反馈功能，每个产品却各有特色：资讯类产品负反馈因为涉及到用户在信息流的实地感受，因此负反馈功能做的较为复杂，便于更精准的掌握用户的喜好；b站则更注重用户的心里感受，会做出及时反应以及用户安抚，但无过多选项；电商类产品负反馈则相对简单粗暴，不喜欢就干掉，方便快捷；三者各有特点，需要从我现在的实际需求出发，取长补短。
我目前的需求仅停留在数据收集层面，因此会倾向于较为简单粗暴的方式，但考虑到游戏图标较小的现状，采取了长按触发的情况；
2. 数据预估做一个功能之前，还有一点较为重要，也容易被大家忽视。那就是功能的覆盖率（可以简单的理解为功能的使用人数比例），这一点是很有必要做的，因为这决定了这个功能产生好或不好的数据影响波动范围。
我这里的预估方式，是选取了之前的一个用户给游戏打星级分数的覆盖率，预估了覆盖率（最后的覆盖率，和预估的数据几乎无差异）。
3. 功能设计虽然负反馈功能夫人覆盖率我预估在4%-5%左右，不会对大盘数据产生什么显著影响，但还是需要谨慎，因此对功能的生效条件做了限制，功能根据用户活跃天数灵活可控，配置开关，用户引导次数灵活可配置，避免新手引导过多导致数据变差；
4. 需求评审与测试需求文档需要考虑到很多层面：

客户端的开发逻辑、是否存在不能实现的需求点；
实验的结果预估，数据变差的下一步优化需求预估，尽量做到最好；
产品自测的时候哪些地方需要格外注意；
数据埋点设计，需要以需求的最终目的为导向，进行埋点设计，不设计多埋点浪费资源，也不会缺少重要埋点；

5. AB test功能上线后开实验验证数据效果，实验结果也基本在掌握之中，且和预估的结果差不多——新用户数据有微微下降，推测是新手引导过多，因此在后期数据收集的时候灵活配置了实验，新用户功能生效但不引导；
6. 总结闭环实验结束需要完善实验报告进行项目闭环，且需求也达到了之前最初的目的：在用户核心数据不变的前提下，收集用户负反馈数据。
03 项目复盘1）目光长远与数据收集
【 动态特征|推荐策略产品经理实操（二）：用户负反馈数据收集】负反馈是一个需要长期维护的工作。在覆盖率和数据量比较少的情况下几乎起不了什么作用，也不能左右大盘的数据，但也是需求去做的，慢慢的积累，负反馈结果是比用户正反馈更加真实准确的训练模型的正例样本；
2）数据预测与功能类比
覆盖率预估。功能设计之前，要明确功能的使用覆盖率，如何预估其实是很简单的，需要类比其他类似功能，进行数据查询，就能大概的预估其带来的数据收益；