新品上架第一天，曝光200次、点击4次，CTR点估计0.02。直接按这个数排序，新品几乎永远拿不到流量，因为老品CTR稳定在0.035。问题不在于新品差，而在于200次曝光的置信区间太宽，95%区间大约在0.006到0.051之间，点估计没有意义。
做法一：贝叶斯平滑。把CTR看作Beta分布，先验取Beta(20, 580)，等价于先给一个3.3%的先验、相当于600次曝光的信心。观测200次曝光4次点击后，后验均值=(4+20)/(200+600)=3.0%。曝光涨到2000次、点击70次时，后验均值=(70+20)/(2000+600)=3.46%，先验影响被稀释。这个做法实现只要两行代码，线上跑了半年，新品7日留存提升0.9个百分点。
做法二：分层借力。新品没有历史，但同品类、同价格带的老品有。某家居电商按「类目×价格带」分84个格子，每个格子用该格老品的平均CTR做先验，格子内样本量少于500时先验权重占70%，超过2000时降到20%。对比全局统一先验，分层先验让新品首周CTR预估误差（MAE）从0.014降到0.009。
做法三：特征迁移。用商品标题、主图、类目、价格做embedding，训练一个跨品的CTR模型，新品即使没有行为数据也有特征可用。某服饰平台用这个方法，新品冷启动期（上架7天内）的排序效果达到成熟品水平的82%，而纯统计方法只有61%。注意特征里别放「上架天数」这类和结果强相关的字段，否则模型学成「新=差」的死循环。
做法四：探索流量。给新品固定分配5%的曝光坑位，按Thompson采样决定具体展示哪个。做法是从每个新品的Beta后验里采样一个CTR值，按采样值排序展示。某内容平台实测，同样5%探索流量，Thompson采样比ε-greedy（ε=0.1）的新品成熟速度快约40%，14天内达到稳定CTR的新品比例从34%提到48%。
四个做法的适用场景不同。样本量极小时（少于100次曝光）用分层先验最稳；有丰富商品特征时用迁移模型；探索流量适合SKU多、上新快的场景，比如日均上新300个商品的平台；贝叶斯平滑则是所有场景的兜底，成本最低。
一个常见错误是拿冷启动期的CTR直接和成熟品比。新品天然点击率低，因为用户不熟悉、没有评价积累。评估冷启动效果应该看「上架14天后的CTR」和「达到品类中位数CTR所需天数」，前者衡量最终质量，后者衡量成长速度。某平台把这两个指标纳入算法周报后，新品运营的无效干预减少了约三分之一。
