編輯導讀：作為一個策略產品經理，要對重視用戶的反饋數據，尤其是負反饋。負反饋是比正反饋更有用的信息，作為用戶的主動反饋行為，其可信度更高。本文作者從自身工作經驗出發(fā)，對用戶負反饋數據收集展開分析，希望對你有幫助。

（以下數據均進行脫敏處理，不涉及公司業(yè)務真實數據）

推薦系統都是基于用戶的靜態(tài)特征和動態(tài)特征來進行內容推薦，靜態(tài)特征基本上是永久或長期不會發(fā)生變化的特征，例如用戶年齡、性別、職業(yè)等；動態(tài)特征則和用戶當前場景下的興趣愛好息息相關，動態(tài)特征又分為正反饋和負反饋。正反饋就是用戶根據推薦系統推送的內容進行點擊、消費時間等一系列行為，而負反饋則是比正反饋更有用的信息，作為用戶的主動反饋行為，其可信度更高，應該被重視。

01 背景

產品的主要用戶基本上為小孩，存在非小孩用戶的推薦列表會受到主流用戶愛好干擾的現狀，尤其是在開學季，非小孩用戶的列表和節(jié)假日存在巨大的差異，因此有必要在優(yōu)化推薦系統的同時新增用戶負反饋功能。

（這里主要是講收集數據之前的工作，后面還會總結收集的數據如何使用）

02 項目過程

1. 競品分析

收集數據之前，會發(fā)現產品目前并沒有這個功能可以協助用戶進行反饋，還是需要從頭開始做，因此，我參照了幾個用戶量比較大的產品，并非是真正的競品，但也能學到一些東西；經常使用信息流產品的人應該會很熟悉今日頭條；二次元深度患者則多使用b站；數碼生鮮產品愛好者則多會了解京東一些。

這三個產品，剛好都有做負反饋功能，如下圖（依次是12京東，34今日頭條，5b站）：

會發(fā)現，雖然只是一個小小的反饋功能，每個產品卻各有特色：資訊類產品負反饋因為涉及到用戶在信息流的實地感受，因此負反饋功能做的較為復雜，便于更精準的掌握用戶的喜好；b站則更注重用戶的心里感受，會做出及時反應以及用戶安撫，但無過多選項；電商類產品負反饋則相對簡單粗暴，不喜歡就干掉，方便快捷；三者各有特點，需要從我現在的實際需求出發(fā)，取長補短。

我目前的需求僅停留在數據收集層面，因此會傾向于較為簡單粗暴的方式，但考慮到游戲圖標較小的現狀，采取了長按觸發(fā)的情況；

2. 數據預估

做一個功能之前，還有一點較為重要，也容易被大家忽視。那就是功能的覆蓋率（可以簡單的理解為功能的使用人數比例），這一點是很有必要做的，因為這決定了這個功能產生好或不好的數據影響波動范圍。

我這里的預估方式，是選取了之前的一個用戶給游戲打星級分數的覆蓋率，預估了覆蓋率（最后的覆蓋率，和預估的數據幾乎無差異）。

3. 功能設計

雖然負反饋功能覆蓋率我預估在4%-5%左右，不會對大盤數據產生什么顯著影響，但還是需要謹慎，因此對功能的生效條件做了限制，功能根據用戶活躍天數靈活可控，配置開關，用戶引導次數靈活可配置，避免新手引導過多導致數據變差；

4. 需求評審與測試

需求文檔需要考慮到很多層面：

• 客戶端的開發(fā)邏輯、是否存在不能實現的需求點；
• 實驗的結果預估，數據變差的下一步優(yōu)化需求預估，盡量做到最好；
• 產品自測的時候哪些地方需要格外注意；
• 數據埋點設計，需要以需求的最終目的為導向，進行埋點設計，不設計多埋點浪費資源，也不會缺少重要埋點；

5. AB test

功能上線后開實驗驗證數據效果，實驗結果也基本在掌握之中，且和預估的結果差不多——新用戶數據有微微下降，推測是新手引導過多，因此在后期數據收集的時候靈活配置了實驗，新用戶功能生效但不引導；

6. 總結閉環(huán)

實驗結束需要完善實驗報告進行項目閉環(huán)，且需求也達到了之前最初的目的：在用戶核心數據不變的前提下，收集用戶負反饋數據。

03 項目復盤

1）目光長遠與數據收集

負反饋是一個需要長期維護的工作。在覆蓋率和數據量比較少的情況下幾乎起不了什么作用，也不能左右大盤的數據，但也是需求去做的，慢慢的積累，負反饋結果是比用戶正反饋更加真實準確的訓練模型的正例樣本；

2）數據預測與功能類比

覆蓋率預估。功能設計之前，要明確功能的使用覆蓋率，如何預估其實是很簡單的，需要類比其他類似功能，進行數據查詢，就能大概的預估其帶來的數據收益；

3）結果預測與需求靈活

需求在做之前，一定要考慮和預估到每一步的結果以及接下來的應對方法，這樣才會避免反復做同一件事，需要有好的思考方式和做事習慣。

加油，打工人！

本文由 @王珂 原創(chuàng)發(fā)布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。