作为数据产品经理，接触最多的业务方莫过于是运营人员，不管是搭建标签体系，还是日常的数据分析、数据数据产品，归根到底都是希望能够为洞察用户、产品等相关的实体，从而实现精细化运营。因而在搭建标签体系的时候，最为重要的一点就是从运营的角度出发，思考如何能够提升运营效率，为运营提供便捷性的工具。《运营之光》这本书讲述了运营相关的知识，希望通过对此书的学习，能够较好的理解运营的工作，能站在运营的角度去实施数据产品的工作，做出更多有业务应用性和价值性的东西，同时结合在精细化运营过程中需要的策略分析和推荐方法，提炼一些个人觉得值得思考的信息点
一个优秀的运营，应该可以熟练掌握很多“杠杆点”，以便更好地给用户创造短期价值，借此撬动更多长期价值的确立
1、运营工作的很大一个组成部分就是如何通过不断思考、判断和执行，找到投入产出比较优的路径和方法，来获得你想要的结果。
2、一般，我们可以把用户分为新用户、老用户、会员用户、超级用户和流失用户。在不同的用户生命周期，用户运营的核心目标都是不一样的。比如，从新用户到老用户，我们关注的是新用户首购的转化；从老用户到会员用户，我们关注的是通过推动老用户不断地复购来建立忠诚度；从会员用户到超级用户，我们关注的是提升用户对品牌的认知和价值共鸣；对于流失用户，我们关注的是用户召回
3、推荐的关键点：优质，即时，相关，多样
一般推荐需要加入置顶规则，沉底规则
推荐的前提：信息过载，比如对一个新的短视频业务，现在短视频的量太少，不存在用户看不完的情况，则无需用推荐
4、推荐策略划分：
通用策略：
①过滤策略:过滤掉含有A的内容
②排序策略:内容B对全体用户加权50%
③打散规则:连续五条内容中最多出现两条C的内容
④规则优先级:各规则之间可能互斥，要明确之间的优先级，规则冲突情况下的逻辑
垂类策略：
①定义:某个策略覆盖的人群不是百分之百，比如针对于地活跃用户的分析
②垂类策略力度更大，可能会超过产品限制，比如在ABT时直接把某个功能模块下架，在发推是一天发两条
③用户生命周期的加持影响力度会更大，比如针对不同生命周期的同功能策略用户，策略都是不一样的
5、推荐的规则
推荐的弹药，用户行为数据，显示反馈，比如明确表示出喜欢，隐式反馈，比如页面浏览行为，曝光。正反馈和负反馈
①基于用户协同推荐，找到相似用户，在找到相视用户的物品集合，推荐用户没用过的物品
②基于物品协同推荐，通过用户的行为数据，计算物品相似度进行推荐，而不是物品间的相似度
6、运营当中的社区必要性
论坛管理，引导产生兴趣，兴趣催生话题，话题集中讨论，信息聚合用户
7、不同阶段的策略运营方式也不同
短视频和直播的推荐可以相互借鉴，在不同阶段，当下最缺少的东西不同，会采取不用的策略，对于PGC产品而言，在早期最缺少的是内容量，需要的是作者和优质内容，对于专业作者，差别也很明晰，有利益驱动型，影响力驱动型，兴趣驱动型
①利益驱动型，是理性自然人，策略到有效的延时很短，一般采用不同的分流
②兴趣驱动型，对其中的优质内容才有运营资源和推荐的倾斜
影响力驱动型，给予特权功能和外显社交资本
8、推荐的可信度优化
①好的推荐系统不仅仅能够准确预测用户的行为，而且能够扩展用户的视野，帮助用户发现那些他们可能会感兴趣，但却不那么容易发现的东西
②举例：豆瓣标签云，给用户推荐标签，并推荐标签下面的内容，推荐程度越高，标签字体越大，实现内容推荐可解释性，同时提高推荐结果的多样性，还提高了用户的联想性，让用户进行很多的内容回忆和内容消费
9、商品的热度评价方法
①物品平均在线天数 如果一个物品在某天被至少一个用户产生过行为，就定义该物品在这一天在线
②商品时效性：相隔T天系统物品流行度向量的平均相似度 取系统中相邻T 天的两天，分别计算这两天的物品流行度，从而得到两个流行度向量。然后，计算这两个向量的余弦相似度，如果相似度大，说明系统的物品在相隔T 天的时间内没有发生大的变化，从而说明系统的时效性不强，物品的平均在线时间较长。
10、商品推荐评估指：准确度、覆盖度、新颖度、惊喜度、信任度、透明度等。
推荐算法的评估：准确率，召回率，覆盖率，流行度、新颖度
11、内容运营中的众包=》众包：就是你无须参与到具体的内容生产过程中，只需要明确内容边界和规则，维系好一个氛围和环境，然后让大家都到这个好的环境中来贡献内容，最后你再从中筛选出你认为更优质的内容。
12、推荐的人工干预意义=》推荐人工干预：短期的干预是应该逐步被长期的机制所替换的。规则就像打补丁，短期打补丁能够遮住窟窿，但长期补丁叠补丁这衣服就没法穿了。太多的规则系统会严重增加系统的复杂度，降低可理解性。