分析报告目录：
一.即刻的AARRR模型
1.1获取：
广告：快乐大本营，阅后即瞎等
H5传播：世界杯活动，恋爱大逃杀游戏等
应用市场：SEO
1.2活跃：
个性化推荐
优质的内容和评论
运营活动：世界杯活动，超即扭蛋机，三人匿名聊天等
1.3留存：
用户进入APP选择喜欢的内容（解决新用户冷启动），再根据用户选择的内容来进行个性化推荐
细分主题：颗粒度非常细，可以形成更加精准的用户画像，以便于推荐更加精准的内容（可能后期靠此变现）
创建主题：用户利用追踪机器人来创建主题，更加贴近用户，也让主题多了一些创造性，但是即刻为了保证主题的优质，还是会需要先审核才通过的。
健康的社区环境：健康的社区环境是保证用户能够持续长久的参与建设社区内容的关键。B站严格把控用户的发送弹幕的权限，让弹幕始终能够保持一个高的质量水平，源源不断的吸引更多的人参与进来；而恰恰相反的直播行业，很喜欢请一些水军过来带节奏，刺激用户发送弹幕量，让直播间看上去很有活力。但是这些水军的带节奏方式通常是用一些偏三俗的手段，导致最后大家的口号是“关弹幕，保智商”。
引入社交关系：让用户在一个偏工具层面的产品拥有了更多属于自己的社交互动。一个社交产品的最重要的两大属性“记录和分发”就打通了。记录（即让用户产生一些独属于自己的内容，，分发即用户之间的交流方式，是熟人与熟人还是熟人与陌生人之间的信息分发，当记录和分发同时运转的时候那么这个产品就会让用户在同类型产品进行转移的时候形成巨大的成本）
1.4收入：
广告活动：如《第五人格》精彩主题
广告话题：如“帮即刻做大做强”（哈哈哈哈哈），可能这会是即刻以后的一个广告变现方式
1.5自传播：
将图片作为表情转发给微信好友（这个功能太棒了），但是很奇怪即刻上的图片一直没有即刻的水印，是因为即刻的版权吗？这周更新的版本里终于在用户发送的动态被保存时会加上即刻的水印
借助优质的内容让用户自发的传播，口碑传播
二.即刻的生态
2.1平台侧：
编辑&用户创建主题，再有针对性的用爬虫爬去对应的内容。为即刻带来了大量的优质内容和有话题的内容，也因此给平台带来了很好的口碑
2.2大V侧
因为即刻的主题模式，大V很难产出的内容相对来说比较难以大规模的形成自己的粉丝群体
即刻强调的是主题，内容生产中反而成了次要的因素，导致大V难以获取流量，就不能好的变现，没有好的变现就没有大V主动且长期的产出优质内容
2.3用户侧
平台的精细化运营使用户对内容的质量满意度较高
即刻采用的是主题的模式，用户的忠诚度是对即刻产品本身，而不是对平台的大V
加入评论和热评功能后用户的互动更加的活跃。
加入社交元素，运营同时也退出了很多社交类的活动，使用户与用户之间的联系更加的紧密，培养了很多忠实用户。
即刻给了用户很大的选择权。比如精准的推送，甚至连世界杯这样的活动都给了用户一个开关
三．即刻的小问题与优化
3.1世界杯活动优化：
活动目的：活跃和新增
活动方式：通过竞猜，产生两种榜单来进行奖励分发；通过邀请新用户产生邀请用户数榜单来分发奖励。
人眼观察情况：冠军榜参与度一般；而毒奶榜参与度还不错，且在社区里产生了很多相关话题，人气榜参与度一般
优化方案：将冠军榜的冲榜活动改为抽奖活动，冠军榜使通过竞猜积分的多少来排名，而从活动开始到活动结束时间太长，即给用户的反馈时间很长，所以参与度不高。（按照直播平台的活动经验：冲榜活动是第一天或者说在即刻用户发现这个活动的第一天用户参与度会很高，其次是活动最后一天用户会冲榜，中间时间段是相对比较平静的，所以个人看法是冲榜活动作为拉新的一部分用在这里不是很合适），因为抽奖能够快速给用户你是否中奖的一个反馈，用户能够高度的参与活动，且为了提高中奖概率那么他更加可能为了增加自己的抽奖次数去分享即刻，但缺点是抽奖活动预算可能会更高，且如果让用户持续不中奖的话可能会让用户失去兴趣。毒奶榜因为门槛低，只要用户连续反向操作就可以很高概率的进入奖励区间，所以继续保留。
3.2订阅&关注
主题是以订阅的形式呈现给观众，用户与用户之间是用的关注形式。但是主题内容却出现在关注里，用户发送的内容出现在动态里
3.3推荐消息重复
当用户多次刷新即刻的时候可能会遇到重复内容（我的使用情况是遇到多次，且出现重复的时间与第一看到在一天内），需要再优化一下关于时间的算法。
四．其他加分项
4.1社交账号：
即刻ID：趁君采
知乎主页：http://t.cn/RtlPLAB
4.2机器推荐相关：
推荐和搜索的区别：搜索是用户主动触发，且有明确的有意图的，能够精准的根据用户需求来提供内容；但是推荐是被动触发的，我们其实是不知道用户此时此刻（当前场景下）用户使需要什么内容的。
推荐核心问题：推荐的核心问题解决的是用户额外信息获取的问题，即猜测用户此时此刻（当前场景下）关注什么内容
在用户已经选择的内容里做推荐，会提高用户跳出率，今日头条一开始在一篇文章里做了很多内容推荐，但是后来控制了推荐数量
根据内容属性推荐：如果用户当前浏览的内容本就不是用户的菜，那基于用户当前浏览的内容推荐就是一个伪命题。比如网易云音乐，我有时会因为当下的某个特殊的场景听一类歌（比如看书时我会听纯音乐），但是当我想仔细享受音乐听一些流行歌曲时发现，网易云音乐基于我的内容浏览行为给我推送了大量的纯音乐内容，这就是不合时宜的。
基于用户画像推荐：根据用的行为数据产生的兴趣标签推荐。但不是所有的用户行为都能建立用户画像，而且新用户是没有行为数据的；用户画像还会随着时间变动。
协同过滤推荐：根据用户行为及其周边的用户行为的协同行为，比如根据两个用户的行为，去构建相 关关系，从而判断用户之间的相似程度，把相似用户的行为推荐给当前用户，这就是协同中典型的基于用户推荐。但应该如何去限定这个周边的范围呢。与基于用户画像的推荐对比，这种推荐有一定几率可以发现新物品，即并不严格依赖用户的兴趣。
马太效应：越推荐越热，越热越推荐，最后推荐就会集中在少部分内容上，推荐效果就会减弱
AB测试：核心的考核标准就是点击率，流量分为AB两类，A流量走原始的旧模型，B流量走新模型。我们会同时有十多个甚至是几十个新模型在同时实验，每个模型调整的因子都不一样，最终选择最适合的因素进行调整，达到效果最优