从实验结果，追问用户为什么这样选择。

推荐业务策略产品

01 / 项目背景

推荐侧低活用户中约 40%来自增长渠道，部分用户兴趣画像缺失。围绕新增的媒体渠道信息，项目探索低活用户的推荐策略优化，并分析传统推荐与大模型推荐的协作方式。

我负责的部分

首页瀑布流实验取数 · A/B 实验监控 · 用户路径归因 · 分层评测 · 周度报告

A/B实验数据监控与分析

2 个维度用户层级 × 场景价值

周度瀑布流分析报告

RECOMMENDATION THINKING把确定的需求和探索的需求，分别理解。

传统推荐确定性需求

明确目标与已知兴趣

＋

大模型推荐探索性需求

补充理解与发现空间

分层评测用户层级 × 场景价值

01PROJECT NOTE

实验监控与行为归因

负责首页瀑布流 A/B 实验的数据监控与分析，跟踪实验结果；结合大模型工具梳理用户行为路径，寻找数据变化背后的原因。

OUTPUT实验取数 / 数据监控 / 路径归因

02PROJECT NOTE

从用户层级和场景价值两个维度构建分层评测体系，分别观察不同人群、不同场景下的优化效果，使评估可以定位到具体的用户与使用情境。

OUTPUT双维度分层评测体系

03PROJECT NOTE

分析传统搜索推荐与大模型推荐的优劣，提出传统模型承接确定性需求、大模型承接探索性需求的协作定位；形成周度报告和系统演进的方向性建议。

OUTPUT瀑布流周报 / 推荐协作分析

把方法留下来

从实验监控到行为归因，用可解释的分层评测形成分析依据，为后续推荐策略提供方向。