[转]设计智能推送通知的要点|译文

当你安装一款新的应用时，有多大比例是允许收到推送通知的呢？我已经被无数的推送通知搞烦了！我甚至有在凌晨被推送通知吵醒的经历！这怎能让我爱上那款应用呢！推送通知的逻辑应该更加智能化才是！本文就阐述了设计智能推送通知的几个要点，下面进入译文。

我的手机挂了！我当时正在冰岛的某个地方。距离我的车和人烟10英里之外。我当时手里拿着一个电量快用光的手机。我打开手机试图查找谷歌地图来确定自己的位置。

“Spotify在你的音乐榜单中添加了两个新专辑。”通知来的真是时候！来自Periscope（视频直播app）的通知：“@kayvon希望你观看他的视频直播”。两封邮件通知，一个新的Twitter follower，一个slack的@channel通知…一共接收到了9条推送通知！没有一条和我正处在如此恶劣的环境状态有关！我的手机只有2%的电了！手机信号极其不稳定！而我迫切需要的是打开那该死的地图！

互联网科技在最近20年里已经发展了很大的变革，而推送通知技术仍旧停留在1999年。

“上一款因为优秀的推送通知方案而让你印象深刻的app是哪个？”

无数的文章、企业、产品和会议都在讨论这个话题。有无数的案例证明现在主流的推送通知方案问题多多，实际上已经无法承载向用户推送有价值的信息的功能属性了。那么更加合理的推送通知方案应该是怎样的呢？

大数据时代

从谷歌搜索到Facebook的newsfeed,大数据通过一系列的算法来整理大量的信息数据，决定具体的用户推送具体的内容。自我学习算法则指导其他的产品如Google Now和Facebook最近更新的推送tab。它们仍旧是智能推送通知的初级状态，不过幸运的是，智能推送通知所要求的智能化、可预测性已经实现了。

互联网社交的火爆使得在网络上分享个人数据变得普遍；当你可以快速的使用微信和QQ登录第三方应用的时候，你还会花时间去填写繁冗的个人资料吗？

个人行为数据

有很多的应用基于他们的产品属性并不倾向于对用户数据进行整理保存（对比iAWriter：一款写作应用和Facebook），但是它们仍旧可以沉淀一些用户怎样使用产品的行为数据。比如：用户习惯在哪个时间段登录应用？每次打开应用会花多长时间使用它？这些行为是否和“重度用户”的定义有关联？

生态系统数据

用户有没有其他的爱好？用户有没有使用其他的产品？怎样使用它们？在使用过程中有没有哪些共通的使用模式？比如我们对于应用的个人隐私政策都是有共识的。在谷歌最近发布的自动智能回复功能模块里，用户是不允许阅读其他用户的私人通讯记录的，但是机器学习算法可以。

真正的智能推送通知是什么样子的

如果我们能够搜集和分析所有可能帮助我们实现智能推送通知的数据，那么智能推送通知最基本的特征应该是：有帮助的，个性化的，与时间相关的，有联系性的。

时间智能化

即时操作不总是最优的。刚刚发布的Basecamp 3最引人注目的功能之一就是“Work Can Wait”,它允许用户自主选择接收推送通知的时间段。当你在约会晚餐时你大概不太希望收到来自其他时区的工作报告推送吧。

推送通知发生在错误的时间比无用的垃圾推送还要恶劣！不合时宜的通知不仅仅会被忽略，它还会打扰用户的注意力，这往往会导致焦虑以及降低对于重要信息的感知度。

智能推送应该自动解决这个问题。一个可预测评估信息重要关联程度的引擎将通过分析推送内容来判断推送的时间合理性，不再打扰你的约会晚餐。

地点智能化

地理位置信息对于理解用户的行为是非常有帮助的。如果一个用户正在上海外滩游荡的时候，一个来自都柏林的宜家打折通知是没有任何意义的。已经有很多应用在合理的使用地理位置信息了。比如当Foursquare/大众点评意识到你到了一个新的城市，它们就会向你推送当地的吃喝玩乐信息。有很多的to-do应用会结合你所在的位置提醒你最适合在当地完成的任务。

分组智能化

和其他的推送机制一样，通知推送对于应用来说是非常敏感脆弱的。如果某一个服务频繁的使用通知推送，用户会感到被冒犯并且会关掉它。即使推送的内容质量很高很有用，但是太多啦！用户会被潮水般的通知淹没的！因此，将通知内容分组就变得很重要了。

Facebook就将相同的通知分组展示的，比如有多少人“like“了你的照片。两个喜欢你照片的名字和其他人的数量展示给你，如果你对还有谁感兴趣，你可以点击查看详情。与之相较，Quora不仅告知你所有的推送通知，它甚至需要你查看每一个具体的通知，即使他们中有很多一样的内容。

更进一步说，智能推送通知应该具有“渐进分组“的设置，当你经常收到少于10个”like“的时候，你应该会想要查看每一个人对你的”like“通知；但当你经常性的收到成百上千的”like“推送通知的时候，那么将这些通知收起分组会是更好的选择。你也可以定制接收来自你朋友和家人的推送通知。如果扎克伯格在你的脸书里对你留言，你是不是希望立即被告知呢？

智能反馈

每个用户都是独一无二的，但为每个用户而定制是不现实的，因此，必须做出适当的妥协。智能化的推送通知反馈相比千篇一律的模式，会让用户感到更加人性化。

基于用户与产品内容的互动习惯，我们可以为用户定制一个更加合理的文案和结构。你通常怎样操作你的新照片“like“通知？你会很快速的扫一眼吗？还是很仔细的查看每一个通知？按照用户对推送通知的习惯操作行为，每个用户得到的通知文案和结构应该是不同的。

智能定位目标

在Intercom，我们致力于和我们的客户高效的交流。当我们做产品调研的时候，我们从不向不同的客户们询问相同的问题。我们会将问题发送给最适合回答的用户。如果我们计划提高产品的导出功能，我们会选择调研在前两天使用过导出功能的用户，我们会询问他们是否在导出数据时遇到过哪些障碍(此时他们还能记住最近的操作过程)。

推送正确的信息给正确的用户能够保证得到一个较高比例的回馈，更高质量的反馈内容，以及防止打扰到其他的用户。将以上的信息结合起来，智能的推送通知方案可以将恰当的通知内容推送给正确的用户，并避免打扰其他用户。

智能化的推送通知vs.系统消息

智能化的推送通知更像是你的助理给你留的纸条。相较之下，系统消息往往用一个“铃铛“图标展示在屏幕导航条的顶部。它们应该合并在一起吗？它们是否应该使用同一种展示模式？它们是否应该个性化定制？

人类在心理学上有一种现象叫做“空想性错视“，我们会在生活中看到很多人类形状的物体。我们会看到人类笑脸形状的云；将卡通中的动物行为人类化；将机器人设计成人类的形态。我们试图与机器智能交流，无论是Siri还是Cortanna。

当我们将来自机器智能的推送通知语言赋予用户自己的特点后，用户在查看时会感到更有亲切感，更加个人化。

实际上，推送通知已经逐渐变得更有交流风格了。下图是你以前接收到的推送和如今接收到的推送风格：

短信息风格只是个开始，但它的确变得更有效果，未来在我们查看推送时会以为正在和某人聊天！

循环反馈

无论可预测的智能是多么完美，无论搜集的数据是多么完整，循环反馈始终是需要的。Zima Blue,英国科幻小说家Alastair Reynolds写的短片小说，涉及到了有关可预测智能的讨论。试想你在一个艳阳高照的下午与朋友小聚，你点了一杯白葡萄酒，你发现这比你经常点的红葡萄酒更加美味。智能算法并不会特别标注这次意外的美好体验。一次偏离航道的“失控“并不会对预测模型产生明显的影响，它仍旧会在下次向你推荐红葡萄酒。然而你的记忆中将留下这次美好的体验，并且将这次体验感受放大，因此下一次你可能会自主选择点白葡萄酒，下下一次也是。你的整个行为模式被一次“意外”颠覆了。然而一味的依靠智能预测的算法是从来不会出现“意外”的。