要找准用户内容消费需求，首先，要划分好人群内容池，对不同的池子进行内容画像，精准投放内容；然后，要根据不同内容池的数据变化，做到对内容池内容与推荐策略的针对性调整。
之前在一本书中看到这样一个案例：
某知企业的领导（领导A），毕业于名牌大学，关注财经、科技等领域资讯，一次和某新闻资讯平台的运营总监（运营总监B）吃饭，开始报怨不止：
领导A：“你们APP总是给我推荐娱乐类内容，我并不喜欢这类内容，我喜欢看财经、科技等专业领域内容。”
运营总监B：“我们是做个性化推荐，只要你有兴趣表达，推荐的内容应该都会是精准的，你把用户id给我，我来查查。”
领导A把用户id给了运营总监B，过了一会儿，运营总监B收到了收下的人发来的结果反馈，结果让他哭笑不得。
他对那位领导A说：“并不是我们的APP总给你推荐娱乐类内容，而是每次给你推荐娱乐、财经、军事、科技等领域内容，你点击娱乐内容最多，兴趣表达最为强烈，由此积累的画像信息很明显，因此造成总是给你推荐娱乐类内容。”
领导A：“沉默不语……”
从上面这个例子可以得到这些信息点：
- 高学历的人，关注的信息更加符合自己的身份层次，带有强烈的身份价值认同，比如：财经、军事、科技、互联网、时政、国际等等具有深度、专业门槛的内容。
- 即使你是一个高学历的人，关注各种有深度的内容，也无法避免人类所共通的本性，也会下意识的去关注泛娱乐、无需动脑的消遣性内容。
- 不管处于何种社会地位，拥有怎样的教育程度，回归本真，都是一个普通的人，有着人类所共有的特性，即使你极力想要证明自己是多么高端、有逼格，但人类共通的本性是无法磨灭的。
通过上面的案例，我联想到最近负责的内容池项目，通过用户教育程度来划分本科以上与本科以下的内容池，利用池子聚合不同维度下优质内容，来满足不同群体用户的内容需求。
下面我将用这个例子，来谈谈：怎样找准用户内容消费需求？
本科以上与本科以下，可以广义理解为高学历与低学历。按照通常意义的理解，高学历与低学历人群存在着诸多差异点，去问稍微有点互联网知识的人，都能说出几点：
- 高学历更多关注财经、军事、科技互联网、时政国际、社会深度等领域内容。
- 低学历更多关注搞笑幽默、情感娱乐、家居生活等领域内容。
实际情况真是如此？
相信会有很多人站出来反对这些结论。因此，按照这种逻辑来搭建内容池，方向有失偏驳。
我们再往深层思考，每个人群都有专属的共性需求，但不同人群也有共通的共性需求，这种需求就是人类本性所需要的，老少皆宜，文章开头提到的案例就是很好的例证。因此除了搭建满足本科以上与本科以下的各自特有共性内容池，还需要搭建满足两者的共性内容池。
当划分好人群内容池，那么该怎样去寻找不同人群内容池各自的共性需求？
个人认为可以从以下几个方面进行：
1）调研不同人群的的用户，了解他们的内容消费需求。比如：针对本科以上与本科以下的用户可以调研初高中、本科、研究生、博士、博士后等，从中挖掘共性需求，且这些内容需求画像的颗粒度要细，这样才具有很强的区分度。
- 优点：当样本量足够大时，得到的结论会无限接近于实际情况，具有代表性。
- 缺点：需要耗费人力物力
- 总结：可以在人力物力允许的情况下，每个人群（比如每个学历层级）实际调研一些用户，数量不用太多，然后从中总结共性需求，由此得出的结论为头脑风暴提供验证数据。
2）利用平台已有的不同人群用户阅读行为数据，按照不同的数据指标，拉取不同人群的消费内容，从中挖掘不同人群的共性需求。
- 优点：实操性强
- 缺点：不同平台对人群的定义不尽相同，且定义的准确性有待商榷，可能会导致最后得出的结论与实际情况相差甚远。
- 总结：可以利用这部分用户数据作为参考。
3）搜寻网络上各种研究报告，借用别人的研究结论，从中梳理总结自己需要的东西。
- 优点：方便、快捷可操作
- 缺点：不能保证研究报告是否真实可靠，需要自己考证，梳理总结时，需要一定的鉴别能力。
- 总结：这种途径获得的结论虽然快速便捷，但是需要验证，防止结论有失偏颇。
4）根据过往认知与经验，进行头脑风暴。
- 优点：实操性强，随时随地都可进行。
- 缺点：受限于认知水平，结论可靠性较低。
- 总结：积沙成塔，众人拾柴火焰高，但得出结论需要慎重。
当确定好池子的内容画像后，即可着手搭建池子，进入投放阶段。就拿本科以上与本科以下内容池来说，在投放阶段，需要再增加一个两个人群皆可看的内容池进行混合推荐。
- 本科以下人群推荐逻辑：本科以下 老少皆宜
- 本科以上人群推荐逻辑：本科以上 老少皆宜
逻辑拆解：本科以上与本科以下，旨在满足各自人群的共性内容消费需求，老少皆宜旨在满足不同人群共性的内容需求。在机器推荐时，合理配置池子内容，根据用户点击反馈，灵活调整内容配比。
当内容池内容开始投放之后，我们需要观查哪些数据：
- 文章粒度数据：各个内容池的文章曝光量、点击量、ctr、停留时长、文章分发占比等。
- 内容池粒度数据：各个内容池整体曝光量、点击量、ctr、停留时长等。
- 用户行为路径数据：不同刷新数与点击数下的留存率，人均点击量、人群-人均点击量等，需要查看用户id，亲自体验不同人群的内容推荐，验证实际效果与预期是否有偏差。
通过观察不同内容池数据变化，做到对内容池内容与推荐策略的针对性调整。
通过教育程度对用户进行拆分，从确定分层用户—确认分层用户的共性内容需求—确认内容推荐策略—数据验证—分层用户调整，形成一个闭环。通过不断的实验，不断的内容优化调整，从用户到内容，再从内容到用户，不断的循环往复，逐渐达到用户与内容，内容与用户的完美匹配。
本文由 @珂然 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
