產品交互的良性循環

用戶與產品之間的相互可以看成是雙向線性的過程，手機上輸入字母“d”和界面輸出顯示是一次短交互，完成一次購物支付是長交互，這是使用一次產品過 程中。用戶體驗考量的是用戶使用產品的全過程，這個過程包括了從安裝到放棄使用的時間軸，交互的良性循環的優秀用戶體驗的表現。

簡單以推薦引擎為例來說明各元素是如何在時間軸上發揮作用的：

初始化。基於群體特征和用戶的相關程度，將相似用戶喜好的其他物品推薦給用戶。在用戶對產品還沒有發生行為時，用戶填寫的個人信息（性別、年齡和收入等）可以作為初始化推薦。

內容推薦。單個用戶選擇某一物品，系統基於物品的元數據推薦相似的產品。這是用戶個體行為對數據的過濾，當用戶多次行為之後，系統可以大概估計對用戶的喜好。用戶的歷史行為會不斷影響後續推薦，形成用戶和系統之間的交互循環。

協同過濾。基於用戶行為發現物品的相關性。內容推薦是單個用戶對系統數據的過濾，而協同過濾是基於多個用戶行為的交叉結果，所以依賴於其他用戶行為數據量准確度。

輸入法的字詞聯想也可以看出一個推薦引擎。當打入字母“da”，系統從詞庫挑選出“da”目錄下的漢字“大/達/打……”，“大”字上屏之後，系統 聯想與“大”組詞概率比較大的字“家/學/概……”。這些聯想詞最早可能是從字典中篩選出來的，如用戶選擇了“概”字，“概”會被系統加權，下次對“大” 聯想時更靠前顯示。用戶輸入詞組“dagai”，選擇“大概”上屏，也是對“概”字的加權。

如用戶輸入“daniu”，選擇了“大牛”上屏，而系統詞庫中沒有這個詞組，屬於用戶自造詞。如用戶分別輸入“da”和“niu”並上屏，系統智能分析“大”和“牛”有組詞的概率，有可能用戶下次輸入“大”字，系統會聯想到“牛”。

聯想的交互是單個用戶對系統詞庫的內容過濾，初始詞庫可以逐漸形成個性詞庫。如果是雲端輸入法，系統可以實時獲得所有用戶的輸入字詞，詞庫的更新頻率更快，滿足用戶個性詞庫的同時也能更新最新流行詞，這是多個用戶對詞庫的協調過濾。

用戶自造詞會降低部分詞匯的出現概率，系統甚至會從詞庫中刪除這些詞匯。從輸入法的例子中可以看出用戶行為是如何影響系統和其他用戶，歷史行為影響新的行為，實現不斷的交互循環。

純銀的“顯性內容決定論” 可以理解為：優質用戶產生優質內容，優質內容吸引優質用戶，內容決定產品的魅力和氣場。從系統設計的觀點看，用戶行為可以看成系統數據的一部分，優秀用戶 的行為和優質內容是同質化數據。它們之間的頻繁交互是優化內容數據的組織形式，再不斷向外擴展生成和吸收同質數據，版本迭代是滾雪球式的數據擴展。

如此看來，產品架構需要考慮是如何增加數據量、組織數據和數據擴展的良性循環。

切客的勳章

以手機LBS為例，增加數據量的方法簡單分為三種：用戶輸入、導入數據和商家發布信息。需求驅動用戶主動使用，LBS的勳章激勵機制是引導用戶行 為，優惠券是刺激用戶需求。用戶的簽到行為如果無法加以利用的話，可以認為是不斷輸入垃圾信息。但簽到的位置、簽到商家的類型和頻繁程序都是可以加以分 析，便於後期向用戶推薦有效信息和組織用戶之間的聯系。

每次循環都會影響到後續的產品質量，“小步快跑”的道理也在此，用戶對於產品的感受也是不斷增強，但也可能達到飽和。使用豆瓣電台選擇喜歡聽的音樂，累計聽歌近兩萬首時，電台猜中概率明顯降低。原因可能是：

已經遍歷各種音樂，難以發現新歌曲，個人輸入行為已經趨向於飽和。

沒有文藝范，不是目標用戶群，對音樂缺乏探索。

聽到不喜歡的音樂時，可能會連續點擊十次下一首，最後無奈關掉電台，對於用戶的隱性反饋缺乏理解。

以思維導圖式的方式理解產品會缺乏組織性，循環是產品架構的初級概念之一，以時間軸去安排產品設計的優先級。

文章來源：曉生語錄 轉載請注明出處鏈接。