干预|如何设计数据干预策略？( 五 )_

第三，进行数据投放时，需符合平台内用户活跃时间段规律。
举例来说，一般用户在傍晚时段活跃程度高于凌晨0-8点，周五-周日活跃程度高于周一-周四。那么干预策略生效时，必须遵循高峰时段产生的虚拟量多、低活跃时段时产生的虚拟量少的规律。
第四，依据程序计算的应投虚假量为固定值，实际生效时应有一定浮动值。
否则，程序每次产生的虚拟量完全相同，极易引起察觉。
第五，在进行增长倍率策略生效时，需考虑到同一个干预对象的互动率随着投稿时间延续呈现先增长后降低的规律，随着播放量的增长也呈现一定的波动规律。因此干预策略生效时，也需遵循此规律。
第六，在进行干预策略设计时，产品经理需明确告知研发团队，“策略何时生效，每一次策略生效时应当产生多少虚假数量”，而不是“某段时间后，应该达到多少总虚假数量”。
因为前者是增量描述，更符合开发思维，能够帮助开发联系到如何实现；后者是存量描述，只是设定具体的目标，没有规定程序到底该怎么实现。举例来说，如果告诉开发“总投放目标量为1万，投放时间1天”，那么有可能他会实现成“前23H投放值为0，最后1H投放值为1万”。
第七，需妥善处理干预策略与风控系统的关系。对于内容平台来说，为了防止用户侧黑产数据，往往会有完善的风控系统对用户侧互动行为进行识别过滤。
那么，在进行干预策略生效时，既需要保证系统侧投放的虚拟数据可以绕过风控系统的即时拦截，又能在后续风控系统对真实用户数据进行回刷时，对该真实用户数据带来的虚假数据进行联动回刷。
那么以上这些难点，有没有什么系统的解决方法呢？有的。囿于工作保密性要求，本文不会对具体如何做进行描述，仅列出思考方向：

引入时间因素
围绕锚数据项，各数据项联动干预
向运营讲数值，向开发讲概率
任务流水&投放流水挂钩

4.干预数据的应用和人工回调为了服务于后续数据统计分析业务，在进行干预策略设计时，需注意向开发传递以下信息：

当多干预策略同时对同一个目标生效时，最终外显数据如何展示
当多干预策略同时对同一个目标生效时，需分别记录每个策略产生的流水明细、统计值，方便下游业务依据需求自行取值做统计分析

由于：

程序存在不可靠情况（多计算/少计算/多生效/少生效）
运营配置失误情况

当数据干预系统内存在多干预策略时，可能存在被干预对象的各互动数据项最终显示异常的风险。此时需要有对应的处理机制：

运营可直接删除/下架/隐藏干预对象，此为最简单的处理方式
设计看板系统，运营侧可据此查询目标对象的异常数据来源于何种干预策略，快速定位失控原因，并下架对应策略
设计回调工具，可回调异常数值。

三、结语数据干预本身是纯运营导向的需求，极易成为双刃剑，若使用不当，非常伤害用户体验（没错说的就是微博）；但作为产品经理，需要能克服抗拒情绪，客观看待数据干预系统对产品和平台方的存在必要性，并在用户体验和运营价值之间找到平衡，设计出高效、安全的干预策略。
目前笔者混迹的几个产品经理社区难以找到这方面的设计沉淀资料，本文所述内容基本没有借鉴前人经验，全靠拍脑袋和实战得出，因此肯定存在失当之处，欢迎各位产品经理大神留言指正。
本文由 @十万号子手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。