本题目来自 PMCAFF 毒舌 App 线下活动报名提问【原文：请点击我】

1.社区型产品如何提升用户的粘度 & 频次？

2.怎样的内容社区更适合做社交？

3.如何让用户更快地找到想看的电影？

1.社区型产品如何提升用户的粘度、频次？

先说点题外话，这个问题问的有点宽泛，难以回答。留存、日活全占了。

医学上有句话叫【抛开剂量谈毒性，都是耍流氓】，套用到产品上也依然成立，【抛开需求谈用户，都是耍流氓】。

不同类型的社区，就代表了不同的需求。

比如草榴，他们的产品经理需要提升用户粘度吗？不需要，这可是刚需。再比如汽车之家，他们的用户粘度再高，能高过 Github 吗？

医学上还有句话叫【对症下药】。

【提升用户的粘度】是哪种用户？众所周知，社区型产品有 3 种用户：创造者、传播者、沉默者。

创造者创造内容，传播者传播内容，沉默者阅读内容。三者互相转换，相辅相成。

创造者越多，则吸引更多的传播者，带来更多的沉默者，成为一个良性循环。

沉默者越多，则创造者会越少，流失更多的传播者，成为一个恶性循环。

关系图

【提升用户的粘度】是哪种粘度？

打开 App 是一种粘度，浏览文章是一种粘度，分享文章是一种粘度，发表文章也是一种粘度。

普适性提升社区产品的用户粘度策略当然有，不外乎那么几点，而且人人都会，张口就来：提升内容质量啦、激励体系啦、等级体系啦、增加用户的参与感归属感荣誉感啦、给用户物质奖励啦......

但这无异于隔靴搔痒，没有说到点子上。 写下数字 1 很简单，但要写到 80，写到 100 则要花费点精力。

所以我不回答此问题，而是针对毒舌 App 给出答题思路。

1. 产品的合理性

社区型产品，最重要的是用户和内容。那么毒舌用户比例与内容比例是否合理？

题外话中也提到用户比例，在这里详细的举例说明：

比如通过数据发现，沉默者和创造者的比例是 0.01% 或者更细点，科幻类的沉默者和创造者的比例是  0.01%，而爱情类的沉默者和创造者的比例是 0.5%，那是不是要提升科幻类创造者的比例？把每个细分领域的创造者比例提升上去了，总的比例自然也就上去了。

比如通过数据发现， 90% 的文章评论数量都在 3 条以下或者浏览和评论的比例只有 0.05%，那是不是要提升传播者的比例？

再比如通过数据发现，用户的粘性都很好，创造者和传播者比例分布也很均衡，就是用户这个池子太小了，增长速度过慢，那是不是要提升沉默者的比例？（换句话说就是新增）

而产品的定位又影响着新增用户质量比例，而质量比例又进一步影响着内容比例。

比如知乎运营初期，采用邀请码机制，邀请的都是各领域的专家，那产出的文章自然是优秀高质量。开放注册后，涌入大批用户，遇见优秀文章的比例大幅度下降，开始有一般的文章甚至是垃圾文章出现。融了资打了波广告后，用户增长的更快，但优秀文章比例稀释的也很快，同时一般文章、垃圾文章快速增长。

再比如 PMCAFF 和人人都是产品经理，都是社区，都是定位产品经理，但用户质量和内容质量完全是天壤之别。随便写点什么内容都能上人人都是产品经理的首页，但 PMCAFF 可不这样，它还是有点节操的，会筛选，比如我觉得我这篇文章就会上首页。（滑稽. jpg，自行脑补）

造成用户比例和内容比例的不同，就是产品定位。

毒舌准备定位什么人群？是曲高和寡还是喜闻乐见？

毕竟一个喜欢看《百年朝凤》《天水围的日与夜》的用户和一个喜欢看《逐梦演艺圈》《大闹天竺》的用户可没什么共同话题。

你说用个性化定制去解决这件事？抱歉，我不认为现在的 Deep Learning 能解决。

现在的个性化推荐系统还停留在很初级的阶段，都是基于关键词、多维度标签来推荐。

比如我看了一篇《美国民权运动史》，那么接下来会推荐什么呢？大概是：《美国二战史》《美国朝鲜战争》《美国爱情片》《马丁路德金纪念日球鞋 PE，捍卫梦想》。

捍卫梦想？马丁路德金的棺材板都快压不住了啊，我对美国历史、美国爱情片、球鞋可没有丝毫兴趣，而是对社会地位的演进有兴趣。如果系统推荐《风雨商路：中国商人五千年精读》给我，那我肯定会点开阅读，可惜系统不会。

想讨好两边的结果是两边都不讨好。

2. 提升粘度

在产品圈里流传着一个【神话故事】：传说每个产品都有一个魔法数字，当你能找到自己产品的魔法数字时，产品的留存就能大大提高。

Twitter 新用户在 30 天内关注了 30 个好友，留存将会大幅提高。

Dropbox 新用户使用 1 次文件夹功能，留存将会大幅提高。

Linkedln 新用户在 7 天内添加 5 个联系人，留存将会提高 3-5 倍。

那么毒舌的呢？毒舌的魔法数字是什么？

这无疑需要大量的数据。

首先需要知道做的最好的社区型产品次留存、毒舌新用户次留存。

然后找出和毒舌新用户次日留存强相关的功能，并加之优化。

举例（咳咳，现在我就是毒舌的产品了）：

目前做的最好的社区型产品是知乎，他们的次留存能达到 60%。我们毒舌目前的次留存是 30%。

现在我们猜测「新用户看 X 篇影评」「新用户对 X 部电影标记为已看」「新用户收到 X 条 Push 消息数」「新用户关注 X 人」和新用户次留存强相关。然后就是噼里啪啦一顿操作，好，我们现在有数据了，有结论了。

结论：新用户看 5 篇影评后，次日留存能达到 60%。

数据：新用户看 0 篇影评的次日留存为 20%         

          新用户看 1 篇影评的次日留存为 25%         

          新用户看 2 篇影评的次日留存为 30%         

          新用户看 3 篇影评的次日留存为 35%         

          新用户看 4 篇影评的次日留存为 50%         

          新用户看 5 篇影评的次日留存为 60%         

          新用户看 6 篇影评的次日留存为 65%

然后怎么做想必就不用多说了，当然是降低阅读门槛，提高新用户的阅读文章数量。（再具体的优化方案我也给不出来，毕竟我是工具产品，不是社区产品，而且把玩毒舌的时间不是太长，随便说只会让同行贻笑大方）

同理，提升老用户的粘度也是如此。

猜测「老用户看 X 篇影评」「老用户看 X 段短视频」「老用户发表 X 次评论」「老用户评论被赞了 X 次」和老用户次留存强相关。

结论：老用户发表了 3 次评论后，次留存能达到 60%。

那优化方案当然就是提高老用户的评论数了。

当然也适用于创造者。

「创造者有 X 个粉丝」「创造者写了 X 篇文章」「创造者写了 X 个字」「创造者文章被转发了 X 次」「创造者文章被赞了 X 次」和创造者写作时间间隔强相关。

结论：创造者的文章被赞了 40 次后，写作间隔为 7 天。

那优化方案当然是给创造者文章花式点赞了。

这是第一种方法，以数据为导向，大胆假设，验证猜想。

第二种方法，目标拆解，进行细分。题外话中也是用了此方法。

【社区型产品如何提升用户的粘度、频次？】

社区，什么社区？社区的定位是什么？核心需求是什么？用哪种方法解决的？有没有更好的解决方法？

用户，什么用户？新用户还是老用户？活跃用户还是沉默用户？

粘度，什么粘度？打开 App 的粘度吗？看影片的粘度？看视频的粘度？

用金字塔原理，一步步的细分下去，不要有遗漏，将现有的方案和可设想的方案全都枚举出来，再进行优先级判断，哪个收益更高就先做哪个，最大化的提升粘度。

3. 最后，我也说点普适性的建议

降低创造者的创造成本，比如文本编辑器是否易用？支持 Markdown 吗？富文本编辑器支持功能多吗？有引用功能吗？文本能添加背景色吗？能加有序列表吗？

再高级一点，编辑器能自动选择素材吗？比如我在写《King》的影评，编辑器能自动抓取当前《King》的所有资源吗？（电影截图、海报、剧照、预告片），甚至是视频生成 Gif。

降低沉默者的阅读成本，平均一篇影评打开的时间为几秒？打开时间超过几秒，大部分的沉默者会取消阅读？当影评内的视频为 10M 时，缓冲时间为几秒？当影评内的视频为 20M 时，缓冲时间为几秒？UI 界面是否容易阅读？字体是否容易阅读？（别笑，字体真的很重要）

在内容层面做深挖（当然，毒舌已经在做这件事了），一个做影评的社区，转型做影评 + 电影资讯分享，好像也不怎么违和，而所对应的用户群体则扩大了几倍，那再加上追剧提醒呢？（估计下载是不行了的，版权限制）

多调研竞品，多使用其他的社区型产品。这点很重要，能让我们少走很多弯路。

2.怎样的内容社区更适合做社交？

1. 门槛低

一个音乐社区肯定要比一个电影社区更适合做社交。因为一首歌的时间是 4 分钟，而一部电影的时间可能是 140 分钟（说的就是你，一步之遥）。

一个跑步社区肯定要比一个滑雪社区更适合做社交。因为跑步入门门槛低，而滑雪入门门槛高。

2. 频次高

一个做菜社区肯定要比一个婚纱社区更适合做社交。因为做菜天天有，而婚纱可不能天天穿。

一个美妆社区肯定要比一个电商社区更适合做社交，因为美妆无止境，而电商能天天种草吗？天天种草拔的完吗？

个人想法，不对请拍砖。

3.如何让用户更快地找到想看的电影？

还是用目标拆解法，梳理用户场景。

1. 用户明确电影名称

啥也不说了，自己搜索去吧。

2. 用户不明确电影名称，明确自己想要看的分类

比如我今天就想看科幻类的电影，想看看毒舌科幻电影评分 8.0 以上的有哪些我没看过的，我要看。不过很明显，毒舌没有这个功能。

优化方案 1：增加多维度筛选功能（能同时筛选评分、国家、类型、升降序等）

优化方案 2：增加标签。

Pronhub 有个功能，当搜索关键词达到一定量级时，就会自动生成该关键词的标签。

直接套用到毒舌上可能会水土不服，因为 2 者的使用场景完全不一致（具体的就不说了，大白天的，不能乱开车），但是可以借鉴下，比如人工手动添加更多的标签。

比如我今天就想看励志的电影，打开毒舌一看，好嘛，没有这个标签。你说尴尬不尴尬？

标签的提取可以人工凭判断提取，也可以统计影评、评论中各词组出现的密度进行提取。

3. 用户不明确电影名称，也不明确自己想看的分类

这里又细分 2 种。

第一种：通过电影截图或 Gif 觉得该电影很有意思，想看，但不知道叫什么名字。

解决方案：高级点的，AI 识图。中级点的，成立电影出处互助区，让用户自发解决。低级点的，官方人员解决。

第二种：我今天就是想看电影，但我就是不知道自己想看什么电影

随缘吧，我能怎么办，我也很绝望啊。

个性化推荐系统？前面已经说过了，不靠谱。

拿什么个性化，我历史观看的电影吗？那只是我的历史口味，不代表我今天也想看，如果我今天也想看同样的口味，直接搜索不就好了。而且个性化推荐系统十分需要资源，大量的人力物力时间投下去了，最后的结果却是差强人意。

就让用户多看看影评，多看看短视频吧，也许看着看着就知道自己想看什么电影了。