2024年3月，杭州一家做家居好物的电商团队发现：新注册7天内的用户，首页推荐点击率只有2.1%，而老用户是6.8%。他们把新用户按注册渠道拆成4组：应用商店、朋友圈广告、老客邀请、线下扫码。每组抽3000人观察，发现线下扫码组的点击率最低，仅1.2%，因为这类用户多为中老年，对“猜你喜欢”式卡片不敏感。
第1步，把推荐理由从“根据你的浏览”改成“同城30-50岁用户常买”。第2步，把候选池从全量80万商品压缩到1.2万件高评分日用品，价格带锁定39-199元。第3步，给每个新用户只展示6个卡片，而不是原来的20个。第4步，卡片配一句具体说明，例如“邻居上月买了3次”。上线第3天，新用户点击率升到3.7%。
对比很直接：旧逻辑用协同过滤，新用户没有行为向量，只能回退到热门榜，热门榜前20名里14件是大家电，客单价3000元以上，新用户不敢点。新逻辑改用“人群画像+地域+价格带”三段过滤，候选集小了98%，但相关性高了。第5天把线下扫码组单独换了一套文案，点击率从1.2%拉到4.9%。
有个常见错误值得记录：团队一开始给新用户推“9.9元包邮”专区，点击率冲到8%，但7日复购率掉到0.6%，退货率升到11%。原因是低价吸引来的用户与平台主力品类不匹配。第6天把价格下限提到39元，点击率回落到5.1%，复购率回到2.3%。这说明冷启动阶段不能只看点击，要看“点击后7日留存”这个二级指标。
第7天做了一次A/B测试：A组用人群画像过滤，B组用人群画像加实时地域天气特征（例如雨天推除湿盒）。样本各1.5万人，B组点击率5.4%，A组4.8%，但B组响应时间从120毫秒升到210毫秒。团队最后选择A组方案，因为移动端超过200毫秒的延迟会让跳出率增加1.7个百分点。这个取舍在报表上不会写，但线上灰度能看出来。
数据统计上有个细节：新用户点击率的分母用的是“曝光去重用户数”，不是曝光次数。早期用曝光次数做分母，数值被高频刷新页面的人拉高到4.2%，造成误判。改成去重用户后，真实基线只有2.1%。统计口径变一次，结论就变一次，上线前必须把口径写在需求文档第1页。
概率角度也值得说：新用户前3次点击里有62%发生在晚上8-10点，这个时段流量占全天的31%。团队把冷启动预算的70%压在这个时段做探索，每次曝光给3个候选策略各1/3概率，用汤普森采样更新。7天后最优策略的曝光占比从33%升到78%，整体点击率提升2.6倍。探索成本约占总曝光的9%，可以接受。
