在复杂流量系统重中，如何通过有效的机制去生态业务之间的流量竞争关系呢？如何将有效的流量得到价值最大化的分发，这是本篇文章希望探讨的问题。

在平台型的复杂的业务系统中，通常会有多方的参与角色，比如平台方、资源供给方、内容消费方，而在复杂的生态中，为了追求整个平台收益的最大化，通常同时会面临着多样的生态系统的不同角色之间的利益冲突问题，同样一个位置，可以把位置给到A，也可以将位置给到B，那么如何科学的判断将位置给到不同的用户呢？

【思考：如有多个业务竞争免单场景流量，如何判断面单区域的流量应该分发给哪个业务线呢？】

一、流量的概念

在解决该问题前，我们需要弄清楚流量概念。

在通用的解释中，流量，指单位时间内通过特定表面的流体的量。

笔者对在互联网领域的流量有一个简单的理解，就是单位时间服务与用户产生的交互的量。这里面有几个核心的构成要素，1是时间、2是服务、3是用户，时间也就是用户与服务产生交互的时间，服务的实体可以是功能，也可以是内容，用户是使用服务的实体。

在互联网产品中，这是构建场景的3个核心要素。

二、问题

在思考如何平衡的时候，就需要解决以下几个问题：

其实这两个问题，分别就代表的是用户和时间的乘积，就是流量分给谁，而流量给多少，就是服务与时间的乘积。

三、方案

流量价值标准的量化：

不同业务之间的价值体现是不一样的。比如，对新兴业务来说，可能更加需要的是日活，对商业广告来说，需要是CTR的提升，那么，就需要找到一个可量化的指标，来解决不同业务之间的不同业务指标的统一性问题。

一般来说，这里要根据业务需要设定场景中评判流量质量的指标，比如CTR、CVR等，这里评判不同指标需要根据实际的业务需要，去设计一个模型出来，通常涉及维度越多，会越复杂。

流量赋值公式：

Z=aX1+bX2+cX3

流量权重设计：

流量标准量化：

归一化的两种方法

数据归一化有两种常用的方法，我们在处理很多大范围的数据的时候，往往需要数据归一化。

1）min-max标准化

这种归一化的方法是说， 对于任意一个给定的数列a[i]，利用a[i]-min/(max-min)的方法既可以消除因为数据的量纲问题所带来的不能进行多种数据共同分析的缺陷。

2）Z-score标准化方法

这种方法给予原始数据均值和标准差，并且对数据进行标准化的处理。经过处理后的数据符合标准的正态分布，也就是均值为0，标准差为1，转化函数为：

a[i] = x-均值/方差

【笔者在实际业务中常常使用的是第一种归一方法】

小结

通常，流量价值是评估一个业务在对应场景流量价值的一个维度指标，可能会有其他的比如相关性权重，人工权重，通常也会结合其他维度进行综合考量，但本文讲解的是如何平衡不同流量之间的竞争关系，通过AHP模型进行赋值，一般能比较好的解决对应问题。

四、实际业务可能遇到的问题

但其实，在实际的业务中，常常会遇到内容质量欺骗问题还有业务渗透率过低问题，还会遇到同个模型在不同场景应用的普适性问题。

1. 低质量内容打压

低质量内容的判断都可以列为一个典型的问题来做探讨，通常来说，低质量内容的判断也是通过AHP赋值，去衡量内容的标准。对内容的判断常常会产生偏差：

1. 封面因素：封面因素会导致很多高质量内容低点击率，低质量内容高点击率情况，通常我们对该类内容产生的相关指标偏离过大，会在策略重排层做适量的流量补充或者打压。
2. 领域细分：有些内容领域过于细分，导致在定量或者定比分流过程中，CTR过低。通常这种问题产生的原因是业务中推荐内容多样性过低。这种常常会被误认为内容低质。在业务实际中，我们遇到该类问题通常是通过约束投流业务方的内容供给多样性或者在召回过程中，采用多路规则召回的方式。
3. 标签质量：有些内容虽然质量很好，但是因为标签标注原因会导致内容再冷启过程中分发过程中匹配到了不对应的用户，导致点击率低。在业务实际中我们遇到这种现象后，制定了冷启随机分法、标签重标注与视频AI解析的sop。

2. 业务渗透率问题

在新业务推广前期，我们通常不知道这类业务的目标用户体量是多少，通常我们会在随机分发阶段确定对应业务的目标群体，在通过相似用户的分级扩召的方式进行分级流量分发。对该类流量分发场景，我们一般会涉及一个特定的指标去平衡分流和扩召的量的问题。

3. 模型的普适性

不同场景的核心指标是不一样的，这背后的原因是不同场景的满足用户的核心诉求是不一样的，也会导致不同场景的用户目标、行为、数据指标会有差异，需要根据不同场景基于经验去设计不同指标。

4. 流量分发的两种模式

离线预估：就是通过离线的历史数据预估未来的流量分发结果，在面对用户行为、特征相对恒定的场景和用户可以使用。

实时计算：通常实时计算在决策领域是比较常用的做法，通过阶段性的分发数据去决定下一个投放周期的内容投流量级和比例。

5. 价值最大化的极端问题

在实际业务中，我们常常会遇到在价值最大化之后，会产生平台中都是用户偏好内容的结果。这种情况下，一般会通过GSB主观评估及投中监控分析抽样去平衡。避免极端情况的发生。

五、总结

在推荐系统日趋成熟的时代，随着业务多元化发展，极致的去使用每个推荐位的流量使其价值最大化是推荐系统的终极目标，如果将最终指标完全交给模型算法去做预估，1则无法实现新业务的流量需求，2可能会遇到极端情况的发生3、也会面临实际业务中的一些现实问题。

即便如今有了多目标模型等新的处理方法，但作为策略产品经理，能够结合业务场景和实际的业务分发需要及对应场景的用户行为、特征，设计不同的场景评估体系及分发逻辑，才是策略产品最核心的竞争力所在。

本文由 @策略产品Ason 原创发布于人人都是产品经理。未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。