信医资本-产品经理实习生-面试

作为人生中的第一次产品面试，对于此次面试的总结，一句话可以完全概括：什么都不懂，什么都不知道，唯一剩下的只有幽默。站在老板的角度上，通俗的说就是：你是来搞笑的吗？😊

首先上来是笔试，但是是在一个会议室做的开卷题，一共五道，百度了答案。

1、Android的最新版本是（10.0），ios的最新版本是（12.4），html的最新版本是（5）。

考这道题的目的是，在每次开发新的产品时，首先要了解你要开发的产品将要发布的终端以及终端的版本，防止开发人员在旧版本上进行开发后，产品在最终上线时出现问题。

2、简单介绍你知道的几种推荐算法

首先了解推荐系统，推荐系统存在主要有以下几个目的：

1）帮助用户找到想要的商品（新闻/音乐/……），发掘长尾。套用在互联网领域中，指的就是最热的那一小部分资源将得到绝大部分的关注，而剩下的很大一部分资源却鲜少有人问津。这不仅造成了资源利用上的浪费，也让很多口味偏小众的用户无法找到自己感兴趣的内容。

2）降低信息过载。互联网时代信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从阅读的，信息的利用率将会十分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息。

3）提高站点的点击率/转化率。好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。

4）加深对用户的了解，为用户提供定制化服务。每当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好等维度上的形象是越来越清晰的。当我们能够精确描绘出每个用户的形象之后，就可以为他们定制一系列服务，让拥有各种需求的用户都能在我们的平台上得到满足。

算法是什么？我们可以把它简化为一个函数。函数接受若干个参数，输出一个返回值。输入参数是用户和item的各种属性和特征，包括年龄、性别、地域、商品的类别、发布时间等等。经过推荐算法处理后，返回一个按照用户喜好度排序的item列表。

推荐算法大致可以分为以下几类：

1）基于流行度的算法。基于流行度的算法非常简单粗暴，类似于各***、微博热榜等，根据PV（Page View页面访问量）、UV（Unique Visitor独立访客访问数，一台电脑终端为一个访客）、日均PV或分享率等数据来按某种热度排序来推荐给用户。这种算法的优点是简单，适用于刚注册的新用户。缺点也很明显，它无法针对用户提供个性化的推荐。基于这种算法也可做一些优化，比如加入用户分群的流行度排序，例如把热榜上的体育内容优先推荐给体育迷，把政要热文推给热爱谈论***的用户。

2）协同过滤(Collaborative Filtering, CF)算法。CF算法包括基于用户的CF(User-based CF)和基于物品的CF(Item-based CF)。

基于用户的CF原理如下：分析各个用户对item的评价（通过浏览记录、购买记录等）；依据用户对item的评价计算得出所有用户之间的相似度；选出与当前用户最相似的N个用户；将这N个用户评价最高并且当前用户又没有浏览过的item推荐给当前用户。

基于物品的CF原理大同小异，只是主体在于物品：分析各个用户对item的浏览记录；依据浏览记录分析得出所有item之间的相似度；对于当前用户评价高的item，找出与之相似度最高的N个item；将这N个item推荐给用户。

3）基于内容的算法。通过分析用户的行为以及新闻的文本内容，我们提取出数个关键字，将这些关键字作为属性，把用户和新闻分解成向量，之后再计算向量距离，便可以得出该用户和新闻的相似度了。基于内容的推荐算法能够很好地解决冷启动问题，并且也不会囿于热度的限制，因为它是直接基于内容匹配的，而与浏览记录无关。然而它也会存在一些弊端，比如过度专业化(over-specialisation)的问题。这种方***一直推荐给用户内容密切关联的item，而失去了推荐内容的多样性。

4）基于模型的算法。基于模型的方法有很多，用到的诸如机器学习的方法也可以很深，这里只简单介绍下比较简单的方法——Logistics回归预测。x1~xn是影响用户行为的各种特征属性，如用户年龄段、性别、地域、物品的价格、类别等等，y则是用户对于该物品的喜好程度，可以是购买记录、浏览、收藏等等。通过大量这类的数据，我们可以回归拟合出一个函数，计算出x1~xn对应的系数，这即是各特征属性对应的权重，权重值越大则表明该属性对于用户选择商品越重要。在拟合函数的时候我们会想到，单一的某种属性和另一种属性可能并不存在强关联。比如，年龄与购买护肤品这个行为并不呈强关联，性别与购买护肤品也不强关联，但当我们把年龄与性别综合在一起考虑时，它们便和购买行为产生了强关联。比如（我只是比如），20~30岁的女性用户更倾向于购买护肤品，这就叫交叉属性。通过反复测试和经验，我们可以调整特征属性的组合，拟合出最准确的回归函数。基于模型的算法由于快速、准确，适用于实时性比较高的业务如新闻、广告等，而若是需要这种算法达到更好的效果，则需要人工干预反复的进行属性的组合和筛选，也就是常说的Feature Engineering。而由于新闻的时效性，系统也需要反复更新线上的数学模型，以适应变化。

5）混合算法。现实应用中，其实很少有直接用某种算法来做推荐的系统。在一些大的网站如Netflix，就是融合了数十种算法的推荐系统。我们可以通过给不同算法的结果加权重来综合结果，或者是在不同的计算环节中运用不同的算法来混合，达到更贴合自己业务的目的。

6）结果列表。在算法最后得出推荐结果之后，我们往往还需要对结果进行处理。比如当推荐的内容里包含敏感词汇、涉及用户隐私的内容等等，就需要系统将其筛除；若数次推荐后用户依然对某个item毫无兴趣，我们就需要将这个item降低权重，调整排序；另外，有时系统还要考虑话题多样性的问题，同样要在不同话题中筛选内容。

面试

推荐结果评估

当推荐算法完成后，怎样来评估这个算法的效果？CTR（点击率）、CVR（转化率）、停留时间等都是很直观的数据。在完成算法后，可以通过线下计算算法的RMSE（均方根误差）或者线上进行ABTest来对比效果。

3、列举目前常见的前端入口，并进行优先级排序

4、产品需求的来源有哪些？

SM级——产品助理、初级产品：主要来源于领导，用户最直接的需求。基于现有需求开展核心工作；

MM级——高级产品、产品总监：来源于市场行情分析与发展的趋势、用户的需求挖掘、企业的资源综合给出适合产品发展方案；

BM级——公司合伙人、CEO等：来源于公司定位与发展规划、商业运作模式；

5、AARRR模型

Acquisition、Activation、Retention、Revenue、Refer，这个五个单词的缩写，分别对应这一款移动应用生命周期中的5个重要环节。下面我们来简单讲解一下AARRR模型中每个项目的意义。

获取用户（Acquisition）

运营一款移动应用的第一步，毫无疑问是获取用户，也就是大家通常所说的推广。如果没有用户，就谈不上运营。

提高活跃度（Activation）

很多用户可能是通过终端预置（刷机）、广告等不同的渠道进入应用的，这些用户是被动地进入应用的。如何把他们转化为活跃用户，是运营者面临的第一个问题。

当然，这里面一个重要的因素是推广渠道的质量。差的推广渠道带来的是大量的一次性用户，也就是那种启动一次，但是再也不会使用的那种用户。严格意义上说，这种不能算是真正的用户。好的推广渠道往往是有针对性地圈定了目标人群，他们带来的用户和应用设计时设定的目标人群有很大吻合度，这样的用户通常比较容易成为活跃用户。另外，挑选推广渠道的时候一定要先分析自己应用的特性（例如是否小众应用）以及目标人群。对别人来说是个好的推广渠道，对你却不一定合适。

另一个重要的因素是产品本身是否能在最初使用的几十秒钟内抓住用户。再有内涵的应用，如果给人的第一印象不好，也会“相亲”失败，成为“嫁不出去的老大难”。

此外，还有些应用会通过体验良好的新手教程来吸引新用户，这在游戏行业尤其突出。

提高留存率（Retention）

有些应用在解决了活跃度的问题以后，又发现了另一个问题：“用户来得快、走得也快”。有时候我们也说是这款应用没有用户粘性。

我们都知道，通常保留一个老客户的成本要远远低于获取一个新客户的成本。所以狗熊掰玉米（拿一个、丢一个）的情况是应用运营的大忌。但是很多应用确实并不清楚用户是在什么时间流失的，于是一方面他们不断地开拓新用户，另一方面又不断地有大量用户流失。

解决这个问题首先需要通过日留存率、周留存率、月留存率等指标监控应用的用户流失情况，并采取相应的手段在用户流失之前，激励这些用户继续使用应用。

留存率跟应用的类型也有很大关系。通常来说，工具类应用的首月留存率可能普遍比游戏类的首月留存率要高。

获取收入（Revenue）

获取收入其实是应用运营最核心的一块。极少有人开发一款应用只是纯粹出于兴趣，绝大多数开发者最关心的就是收入。即使是免费应用，也应该有其盈利的模式。

收入有很多种来源，主要的有三种：付费应用、应用内付费、以及广告。付费应用在国内的接受程度很低，包括Google Play Store在中国也只推免费应用。在国内，广告是大部分开发者的收入来源，而应用内付费目前在游戏行业应用比较多。

无论是以上哪一种，收入都直接或间接来自用户。所以，前面所提的提高活跃度、提高日留存率，对获取收入来说，是必需的基础。用户基数大了，收入才有可能上量。

自传播（Refer）