不了解今日头条是怎么运作的。不过因为在 Facebook 工作时负责新鲜事(Newsfeed)的个性化推荐与排序，我可以说说 Facebook 是怎么衡量自己推荐和排序的质量的。
在具体执行层面，主要有 3 个方式，分别是从机器学习模型、产品数据，和用户调查上来考核推荐引擎的效果。
推荐引擎的一大核心就是机器学习(不过现在都说人工智能了，但本质上还是 supervised learning)。如果是想考察机器学习模型的质量，学术上早就有一套成熟的实践方法。
无论是模型的选择(比如从 decision tree 替换成 neural network)，还是迭代改进(比如模型训练时多用一倍的数据)，都可以使用基于 supervised learning 的衡量办法。最常见的就是 AUC。
另一方面，对于某一类特定问题也有更细致的指标。比如说，可以通过模型特征的重要性(feature importance)知道新加的特征是不是有用。
再牛逼的机器学习模型都要经历产品数据的实际检验。这方面大家就都比较熟悉了，KPI 嘛。不过在 Facebook 特别是 Newsfeed 这种牵一发动全身的地方，我们会追踪一系列数据来描述产品，而不是依赖某一个单一标准。
这些数据包括但不限于：
日/月活跃用户(DAU，MAU)
用户互动(点赞，评论，转发等)
用户发帖量
用户停留时间和消耗的内容量
收入
用户互动率(比如看过的内容中点赞/评论/长阅读/收藏的比例)
用户举报和屏蔽的数量
而且，在日常的快速迭代和 A/B 测试中，只有这些笼统的数据是不够的，我们还需要些更细致的数据来真正理解我们的一些改动。比如说：
内容类型的分布是怎么变动的：用户原创和转发的比重分布，网页链接和图片视频的比重分布，长视频和短视频的比重分布等等
对公众帐号是怎么影响的：什么样的公众号会受益于这次改动
哪些第三方巨头受到了影响，影响是否合理：比如我最早在 FB 实习时候的项目是整顿 SPAM 帐号。那个改动重创了 Zynga(因为 Zynga 严重依赖用户骚扰它的好友来吸量)，但大家觉得挺合理的，让公关去沟通了下就发布了。
另外，为了防止短暂的眼球效应，对每一个重要的产品决策，我们都会维护一个长期的 backtest，用来评估这个决策的长久影响。比如说：
对于在 feed 里面放广告这个决定，我们会选择一小部分用户，对他们长期不显示广告，然后将他们的用户活跃度同正常能看到广告的用户做对比，来衡量广告的长期影响。
类似的，对于 Newsfeed 是否排序，我们也有一个 holdout group，他们的 feed 是完全按时间排的。
这样，对每一个可能会有争议的决策，但未来的每个时间点，我们都能清楚地知道，我们是面临着怎样的取舍。有了这层保障，在决策的当下，我们也就敢于冒险些，走得更快些。
大多数产品数据有其局限性，因为它们是显性而被动的。比如说，你给用户推送了一个博眼球的低俗内容，用户在当下可能是会去点开看的，所以数据上是好的。
但用户可能心里对这个内容的评价是低的，连带着对作为内容平台的产品也会看轻，长此以往对产品的伤害是巨大的。
KPI 无法完全描述产品质量，在硅谷互联网圈是有共识的，但如何解决，每个公司答案都不同。
Twitter 系的 CEO 们，无论是 Jack Dorsey 还是 Evan Williams，都倾向于轻视 KPI 而依赖自己主观想法来决策。
Google 和 Facebook，则采取了另一条路，他们决定把用户评价纳入到 KPI 中。
Google 在这方面的工作开始得比较早，因此公开的资料也比较多。概括地说，他们雇佣大量的普通人，以用户的角度来对 Google 搜索排序的质量和广告推荐的质量做主观打分。
当打分的量大到一定程度，这些数据就足以成为一个稳定有效的，且可持续追踪并改进的 KPI 了。Facebook 虽然产品领域有所不同，但在个性化推荐上也采取了类似的方法。
回答的最后，还是想重申两个方法论：
永远不能依靠单一一个 KPI 来评价产品上的工作。任何 KPI，任何产品，都不能。
在明确 KPI 局限性的前提下，数字可以终结大多数无意义的扯皮，无论是技术上的，还是政治上的。
