政策快报平台刚上线时推送逻辑简单粗暴把所有政策推给所有用户。结果打开率不到5%用户投诉天天推一堆跟我没关系的东西。后来我们做了3次大的重构推送打开率从5%涨到了35%。今天聊这3次重构背后的思考。正文3次重构第一次重构从全量推到标签匹配最开始的推送逻辑是一条政策进来所有用户都能收到。很快发现做建筑的人收到医疗政策做医疗的人收到农业政策——全在乱推。第一次重构很简单给用户打标签行业、地区给政策打标签行业、地区。匹配上的才推。结果打开率从5%涨到了12%。但这个方案有一个明显的问题标签太粗了。一个制造业标签下可能有几十个细分领域。推出来的政策相关但不精准。第二次重构从标签匹配到规则引擎标签太粗那就加条件。第二次重构引入了规则引擎用户可以设置更细的筛选条件——企业规模、政策类型、关键词等。比如说用户设置制造业、年营收1000万以上、关注技改类政策——系统只推送匹配这些条件的政策。结果打开率从12%涨到了22%。但新问题来了用户不会设置条件。大部分用户注册完就走了根本不会去配置筛选规则。第三次重构从规则引擎到行为学习第三次重构换了一个思路不依赖用户手动配置而是学习用户的行为。用户在平台上点击了什么、搜索了什么、停留了多久、收藏了什么——这些行为被记录下来用来推断用户真正感兴趣的方向。比如一个用户连续点击了3条专精特新相关的政策系统会推断他对这类政策感兴趣以后推送时优先推这类。结果打开率从22%涨到了35%。这次重构的核心变化是从用户告诉我他要什么变成了系统自己发现他要什么。结尾3条经验第一用户不知道自己想要什么。你问他他也说不清楚。看他的行为比听他说更准。第二精准推送比全量推送重要。用户宁可少收到几条也不愿意收到一堆没用的。第三从简单开始逐步迭代。一步到位搞复杂系统大概率会失败。