2020年春节,一场突如其来的疫情爆发,改变了无数人的生活轨迹。随之延长的假期，让人们被动上演了一场全球最大的在家办公实验。在家远程办公，让移动互联网的活跃用户及其在线时长达到历史高点。在疫情带来的生活方式巨变之下，中国的移动互联网行业又经历着怎样的行业激变与时代挑战呢？
首先，看似欣欣向荣的用户激增的互联网企业，面临着一个巨大的挑战：疫情过后，用户的疫情期需求消失，新增的用户还有多少能留存下来。比如，近期医疗健康行业App用户量激增，因为大量的用户需要及时获取疫情消息，病毒防护知识并进行在线购药。
其次，对于那些靠线下获客和盈利的企业，近期均呈现出疲软下跌的状态。比如旅游行业，餐饮行业，如今人们闭关在家，几乎所有的活动都转移到了线上，原来线下的需求或者被抑制，或者被转移。如何利用当下生态的变化，把这些线下的需求快速的转到线上，同时在线上留住这些用户，也是今天很多的互联网企业面临的一个痛点。
最后一个挑战是，企业如何修炼内功，快速抓住后疫情时期用户在线生活的新形态、新需求，在疫情结束之后能快速抢占市场。
面对这些挑战，突破方向在哪里？2月18日，在友盟+主办的《战“疫”求生，开发者的危与机》直播公开课上，友盟+数据科学家杨玉莲进行了解读与分享---《在线生活爆发下的用户留存实践》。
点击观看直播
第一个突破方向——特别是针对“如何留住近期不断激增的新用户”这个挑战——如何更好的去捕捉用户的需求？及时满足用户的需求，让他们在我们的产品上有更多的停留。第二，行动要快。在生态快速变化的同时，快速去迭代产品，快速去看对应的效果，从而快速地决策产品的迭代方向。第三是新业务方向的探索。比如对于被抑制的购车需求，旅游需求以及餐饮需求，是否可以将对应的需求引导到线上，通过新的业务形态去满足。这些突破方向的落地，需要敏捷高效的业务决策，加上科学有效的技术手段来实现。
那具体的，如何通过数据科学的技术和工具来帮助互联网企业快速高效地做用户留存，做产品迭代，做业务方向的有效性验证？
放眼互联网企业的诸多App，越来越多的产品都在通过“猜你喜欢”的方式去提升用户粘性和留存。在我们日常使用的App中，有约75%的App内有猜你喜欢的模块。泛内容，泛推荐成为吸引用户的主要方式之一。通过推荐去吸引用户的关键点在用户需求的精准洞察。比如有一个App给你推荐减肥瘦身的内容，你肯定不会点，因为你已经很瘦了。这就是一个典型没有抓住用户需求的例子。
精准洞察用户需求，涉及到用户的长期需求，短期需求以及潜在需求。谁快速洞察到了用户需求，谁就赢在了起跑线。
另一个关键点是多目标平衡。每一个产品背后都会有很多的模块，推荐只是其中的一个模块。产品不仅希望提升推荐这个模块在产品里面的效果，还希望希借推荐达到我们整体目标的优化，比如产品整体活跃，整体留存和整体商业化利益。因此如何平衡好多个目标，让产品更加可持续发展，就变得很重要。新用户激增，业务变化，还有推荐带来了另一个挑战是如何更好地冷启动。
以上关键点，在数据和技术层面都有比较普适的模块化的解决方案（如下）。
通用的智能推荐模块）
但对于互联网企业来讲，难点在于如何快速构建一个自动化智能推荐系统。因为当通用的推荐技术应用到特定的行业和业务场景的过程中的时候，会涉及到很多的业务细节，这也是为什么今天开源的解决方案满天飞的互联网，并没有一个开源的工业用智能推荐系统。
一旦拥有一个自动化的推荐系统，产品可以在很多场景通过推荐去促进用户活跃，为用户提供个性化的内容，从而提升用户留存。比如App内的信息推荐，第三方媒体上的营销推荐，以及通过消息或短信推送方式的促活策略。友盟+的智能推荐产品U-REC，帮助多个客户进行智能推荐及用户活跃的提升。如国内领先的计算机技术UGC论坛，虽自建了推荐系统但存在推荐首页点击率低，文章标题党等推荐效果差的问题。友盟+根据深度行为评估内容质量：增加浏览时长、点赞、收藏等重点行为特征解决标题党问题；增加运营配置逻辑：调整时间衰减、热度文章降权、调整排序模型使业务可干预推荐效果。最终整体推荐模型助力点击率提升35.4%。
如何衡量推荐技术对用户留存的效果，进而衡量其带给产品的收益，企业同样也可以通过技术的手段来科学高效地实现。这背后的技术就是大家可能耳熟能详的A/B测试。
事实上，A/B测试可以衡量我们对产品做的几乎任何一个迭代和变更。但并不是所有人都了解如何科学地进行A/B测试。以下图为例，当实验结果是右边的图例时，我们是应该继续实验，还是毫无结论放弃实验。当版本更新的提升效果并不显著的时候，如何确定这样的提升是真正的提升，还是随机效应？当外部环境变化需要我快速看到A/B测试效果并得出可信结论的时候，我们该怎么办。
A/B测试简略版
在A/B测试领域两个经典的方法，可以高效解答以上问题。只是我们需要用正确的姿势使用他们。这就是频率学派和贝叶斯学派的A/B测试方法。前一种方法，要求我们在A/B测试配置的时候，就预先设计好需要观察的样本量或时间周期，然后在实验结束之后通过P-VALUE评估结果显著性，进而得出实验方案是否优于测试方案的结论。
而后一种方法则更灵活，不需要太多的设置，在实验期间实时观察和评估结果，给予测试执行人员更多的灵活性。与此同时，同样的测试任务，同样的实验结论，贝叶斯方法需要的观察样本量更少，因此可以更快执行，有助于产品和策略快速迭代。
当然，在快速的A/B测试后统计到的显著性结果，可能仅仅是当时的用户行为模式下的显著结果。但这也正是目前移动生态发生急剧变化的情况下，广大移动互联网企业需要的，因为快速的改版带来的收益可能是非常巨大的。
我们希望通过推荐和A/B测试技术的分享，让广大开发者不仅仅在疫情时期可以更快地进行产品的迭代，提升产品能力，也希望在后疫情时代，能持续利用适合自己业务场景的数据科学技术，实现产品力的良性提升。
2月17日--2月28日，友盟+每天16点准时直播，为您分享疫情下企业的自救之路和增长之术！今天下午请继续关注由友盟+数据技术专家谭纯带来的分享：《拉新变留存？后疫情时代如何做好智能化数据运营平台》。请扫码观看直播~~
大家报名后，可在直播页面分享邀请卡，和小伙伴们一起学习。成为邀请榜前十就可获得干货资料包+友小盟限量周边！以及行业必备书籍--《数学之美》！
企业博客