UC订阅号的新玩法：内容与电商结合、个性化推荐新思路

内容与电商

UC 在做 UC 订阅号的过程中，发现一个趋势就是内容与电商越来越多地结合，但一开始并不是为了电商去做 UC 订阅号。一开始是想解决信息服务的问题，想帮助内容提供者赚到钱。浏览器的自然进化也会走到提供内容这一步，而内容与电商结合会给作者比如自媒体提供一个变现渠道，增加一种商业模式，进而吸引作者在这里创作内容。

陈超介绍，未来两到三年，在阿里电商体系内网红经济会占很大的一部分，趋势摆在这，问题是接下来怎么去融合。首先是把内容与电商的通路打通。其次，阿里是一家数据公司，希望在产生数据后提供数据服务。从第一步到第二步是很长的过程，需要积累大量数据，并明白在运作过程中会遇到哪些问题。目前，UC 订阅号做的工作也同时构建了第一步。

网红经济是从另一个维度来带动阿里的淘宝和天猫交易。陈超介绍一个案例，一个卖高端案板的厂家，一年业务量只卖 15000 个，案板卖 1500 元，厂家找了个自媒体人，很短时间里卖出的货就顶原来的一年。这样的现象一直都有，以前是明星代言，现在的玩法就是很多普通人都可以变成红人，红人再去影响他们的受众，这就是红人经济。

红人对用户有公信力，尤其是在商品越来越多的基础之上，红人经济的效益和趋势越来越明显。消费能力提升后，现在用户更注重的是他所购买的商品和服务的价值，是不是他所喜欢的东西，是不是值得他信仰和依赖。

而红人的界限是模糊的，其实自媒体人也算是红人的一种，网络上是没有标准的界定的。从这个角度讲，这些内容创作者可以像网络红人一样去影响他们的受众，对交易有帮助。

内容的个性化推荐平台

内容平台都朝向个性化推荐发展。而 UC 长远看，推荐上会有两点不同于现有的个性化推荐平台。一是数据维度，搜索数据、阿里数据，高德数据等，这些数据会被提炼出来为 UC 所用。二是应用维度。UC 想着手解决个性化推荐的信息窄化问题。比如用户长久看下来，机器根据用户行为判断他的喜好，一直给他推他所喜欢的信息。但用户也有很多想看但是没有被发掘出来的信息，或者说平台应该除了用户喜好之外，也应该给他提供一些他可能会喜欢、应该看到的信息。

UC 的思路是也用人群的标识去给用户个体推荐他可能会喜欢的信息。每个人都会属于多个不同的人群，每个人群有不同的喜欢看的或不喜欢看的，这个会抽象成一个标识。机器判断用户个体属于哪个人群中，给他标识，人群偏好的内容就会推给打上标识的个体。与今日头条对比，今日头条打的标签是你喜欢看什么东西，UC 打的是什么样的人群喜欢看什么东西。

举个例子，按照人群的概念，这个人群会看娱乐，但娱乐的消费层次是浅层次的，另外一个人群也看娱乐，是深层次的，是追星族，平台推荐娱乐内容的时候就要不同。再比如，不同的人群对财经类内容消费有差异，这个差异是不能通过个人的兴趣去推导，要根据人群的属性去推出来。

这一步需要大量的机器算法学习，以及大量的人工标注。陈超认为，这一步路要走的也比较远，方向是对的，这一点不做的话，以后 UC 的个性化推荐一定会遇到问题。

那怎么判断人群对一个内容是否喜欢呢？UC 对此借鉴了防骚扰电话的产品思路。

举个应用场景的例子：用户可以标记内容，比如用户标记这个内容标题党、低俗，这跟普通分类比如财经类、科技类、社会新闻类等分类有区别，是代表人群消费。用户标记完之后，会在后台生成数据，这篇文章被多少人标注过，就像标记骚扰电话，用群体的力量去标记内容，用户端不断的标记之后，内容端也留一个库，知道内容的属性，而用户端的不断标记就让用户本身也有了某个属性。这是最简单的场景学习。一方面是要往数据的学习上去做，一方面在应用场景上不断思考。

怎样让用户看到好内容，而非一般意义上，大众用户喜欢的情色、段子、鸡汤文章，针对个人品味推荐，而非个人品味受到整个平台大众用户品味的拖累？

第一个是人群思路。人群一开始比较简单，但逐渐会拆成更细致的人群喜好。通过人群分类去规避劣币逐良币，这个是从用户层面去考虑。第二从媒体层面考虑，看流量的健康程度，比如低俗娱乐等内容占比较高的话，UC 就认为这个不是个良性的生态。UC 实际上对高端媒体的评判标准是以内容的好坏，这个标准包括用户的阅读时长，消费的用量等情况。每篇文章都有个模型，每个媒体也有模型，文章和媒体双方面去评测，建立好的内容和好的媒体应该多被推荐的机制。

利用数据

而数据的应用，UC 到现在为止能拿到很多数据。最近在做的是地图，UC 给所有新闻打上地图 POI 标记，UC 有高德的数据。UC 的场景思考就是可以知道每一个 POI 发生了哪些新闻，包括每个人他常常出没的 POI，通常你对附近的某个新闻关注度是非常高的，如果你附近发生的新闻能第一时间出来的话，那推荐给你的程度就是非常高的。第一步就是把这个新闻做地图标记，在算法推荐层面上做场景推荐。这是一种数据应用场景。

UC 做过调研，用户对附近发生的新闻关注度是极高的。比如，切换地理位置之后，从 A 到 B 城市后，到 B 城市之后，传统的新闻推荐是你到这个本地频道才看到附近的新闻。除非是大热的，一般都不会给你主动推荐。UC 就正在往这方面去做。

而淘宝的数据，可以帮助识别用户的购买力，进而定位人群的阶层。比如说有个同事喜欢车，那如果推给他吉利，这就跟购买力不匹配。有了淘宝数据之后，在这个场景下再去推荐的话，推的车的资讯一定能更匹配一些。

UC 有数据，核心就是如何应用好，这需要他们一个个的小场景去试。

内容平台和生态比较大的微信公众号和今日头条，UC 把微信和头条的模式结合在一起思考：希望通过良性的机制，将媒体的内容分发给用户，如果用户觉得这个文章好的话就去关注，获得关注之后，媒体既有 UC 推荐的流量也有自己被订阅的流量，让用户能够沉淀下来，能够持续去消费。

UC 推荐的模型，有不一样的地方是：把头部的自媒体人整理出来，他们代表了一种特性，这个特性就是人群属性更好归类，这些自媒体人可以用一些高度的、简单的词去定义他们。这个是 UC 和头条的区别之一。

浏览器的进化

UC 过去是浏览器，转变为个性化内容推荐平台，用户认知怎样扭转？

UC 思路是：今年全面进化，今年UC 浏览器产品会改名，从 UC 浏览器变成 UC。在路径上分为三步：1 对在用的用户潜移默化，把产品、内容和服务做的足够好。2 将口碑提炼，辐射周边用户。3 频繁的刷脸，通过品牌的手段去推动。

将来，UC 会保留搜索功能，搜索是 UC 的优势，一方面是对用户端的优势，另一方面是内容创造者的优势。因为搜索也是内容分发一种天然的机制，因为有时推荐做得再好，但是搜索的需求是用户非常强的需求，UC 会保留，并且不会对信息流有什么影响。将来，UC 还会单独推出一个 UC 头条 App，专门做内容个性化推荐。

从信息流上线之后的数据来看，每个用户每天的阅读时长至少增加 30 分钟以上。而整个 UC 每个用户每天的时长是 90 分钟以上。