仍停留在1999年度水平的通知功能,何时能更智能？.pdfVIP

仍停留在1999年水平的通知功能 ，何时能更智能 ？ 20年过去了 ，一切都在发展 ，唯独通知还停留在1999年的水平。——@mikeindust ries 我 在冰岛的某地拿着一部快没电的手机 ，距离我的车和其他人至少十英里远。我打开手机想要查 看谷歌地图 ，这时 ，我的手机开始嗡嗡作响。 “Spot if y 下午在播放列表中添加了两条新曲目”。恰好 ，Perisco pe 也提示 ：“@kayvo n 希望你 观看…” ，邮箱里有两封新邮件 ，我在Tw it t er上多了一个粉丝 ，S ack 上的又有一条新通知。总共九 条通知信息。毫无疑问 ，当我在野外而手机电量仅剩 2% 时 ，高速的网络连接和地图服务才是最要 紧的需求。 20年过去了 ，一切都在发展 ，唯独通知还停留在1999年的水平。——@mikeindust ries 近期 ，许多文章 ，公司 ，产品和会议都在关注这一主题。有大量的证据表明 ，现存的通知模式 在 被打破 ，但是这种状态不可能一直持续下去。该怎样解决这些问题呢 ？未来的通知信息会是什么 样的 ？ 数据时代 从 Goog e 搜索到 Faceboo k 的信息流。基于大规模数据的算法分析决定着我们在网络上能看到的 东西。最近 ，自我学习算法驱动了诸如 Goog e Now 和 Faceboo k 这类产品的通知栏的升级。总的 来讲 ，这仍然属于智能算法的初步应用 ，但幸运的是数据需要智能化 ，预测性的通知已经得到了基 本的应用。 社交网络的普及产生了自由共享个人信息的概念 ；为什么我们还得先填写那些无聊的表单才能即时 登陆 Tw it t er 或Faceboo k 呢 ？ 用户行为数据 即使产品自身的性质并不倾向于数据收集 （想想iA Writ er vs Faceboo k ），产品能够从用户的行为 方式中推断出大量数据 ，例如人们通常在每天的什么时间段登录 ？人们在产品上花费多长时间 ？这 些时间和高参与度的关系 ？ 产品生态数据 用户的兴趣点是什么 ？他们还使用什么产品 ？他们是如何使用产品的 ？这之中有没有什么共通点 ？ 也许我们已经有解决隐私问题的方案了。在Goog e最近发布的智能自动回复功能中 ，人们不能读取 用户的隐私数据。另外 ，机器学习算法也算一类方案。 真 意义上的智能通知 如果我们能够收集并分析所有的数据 ，那么真 的智能通知会是什么样呢 ？至少它们会是有帮助的 ，私人的 ，时间敏感的和主题相关的。 智能化的时间安排 即刻执行不一定是最好的方式。最近Basecamp 3推出的众多有趣的特性之一就是“稍后工作” ，这使 得用户可以自主选择接收通知的时间。你肯定不希望与伴侣的约会被在不同时区工作的同事打扰。 在错误的时间通知弊大于利。无关的提醒不仅会被用户忽略 ，同时还分散用户的注意力 ，进而催生 出一种挫败感和紧迫感。 未来的通知将是高度智能化的。一个预测机制将会根据综合数据推断提醒的最佳时间 ，让你能够欣 然享受生活。 智能定位 地理数据对于了解用户行为所处的环境至关重要。如果一个人在黑山的一条距离岸二十英里的船上 ，那这实在不是一个提醒他都柏林的宜家店里都在卖些什么的好地方。 许多应用已经通过一些相对智能的方式来使用用户的地理位置信息。例如当你到达一个新地 方时 ，Fo ursquare会给予相应的提示 （译者注 ：Fo ursquare是一家基于用户地理位置信息 （LBS ） 的手机服务网站 ）——当地的一些信息。此外 ，许多t o-do应用会在任务对应的场景与用户所处位置 相匹配时进行提醒。 智能分组 像所有的推送系统一样 ，medium的通知是相当脆弱的。如果某一服务总是自我唤醒 ，会使用户感 到不堪重负并关闭它。虽然那些提醒是有益于用户的 ，但数量的多少等同于负担的大小。这也是分 组会变得如此重要的原因。 看看Faceboo k将通知分类的方法 ，例如有多少人赞了你的照片 ，显示对应的一组用户名和一个数字 ，如果愿意的话 ，还可以查看详情。相反 ，Q uo ra不仅弹出所有关于你的通知 ，还需要你去逐条 查看 ，即使其中有相同的信息。 将智能分组这一概念进一步深入 ，智能通知应当是逐步分组的。如果你每张照片收到的赞数一般少 于十个 ，那么你有可能希望每条通知都独立呈现。如果每张照片能收到上千个赞 ，那么每收到一百 个赞提醒一次更加合适。你也可以选择特别关注朋友 ，家人和一些重要人士的动态。如果马克扎尔 伯格评论了你的文章 ，想必你一定希望能立刻收到通知。 智能反馈 尽管每一位用户都有其独特性 ，但你不可能为每个人