10個維度,聊聊電商個性化推薦系統

15天0基礎極速入門數據分析,掌握一套數據分析流程和方法,學完就能寫一份數據報告!了解一下>>

本文作者從日常生活實踐出發,對什么是個性推薦、個性推薦的價值、個性化推薦策略如何制定以及評估等進行了梳理分析,并從10個維度進行了探究,與大家分享。

“嘀嘀嘀…嘀嘀嘀…嘀嘀嘀…”

每天都從前一天Siri根據我作息習慣設置好的鬧鈴中起床,洗漱完出發去上班,在路上聽著網易云推薦的歌曲,喚起一天的好心情。

工作中的閑暇時間,打開了大麥看看最近的活動,在首頁就發現了感興趣的電音節活動,趕緊買下了票。

吃完午飯打開淘寶查看之前買的閃光燈物流信息,發現首頁推薦的“ND濾鏡”不錯,下單了。

不知不覺一天過去了,睡前閱讀豆瓣推薦的《百年孤獨》,不久便睡了…

這是我日常生活中的一天,里面的產品影響著我的生活,而其中個性化推薦在其中扮演著重要的角色。

那么,什么是個性化推薦?為什么要有個性化推薦?它能給我們帶來什么?…

下面我們就以電商領域的個性化推薦,從以下幾個維度來揭開它的神秘面紗。

  1. 個性化推薦的定義
  2. 個性化推薦的產生背景
  3. 個性化推薦的價值
  4. 適合做個性化推薦的產品
  5. 推薦的系統搭建過程
  6. 個性化推薦策略方法論
  7. 個性化推薦效果評估體系
  8. 個性化推薦發展阻礙
  9. 個性化推薦發展趨勢
  10. 總結

一、個性化推薦的定義

個性化推薦,本質上是在用戶購物意圖不明確的情況下,利用機器學習(深度學習)結合用戶特征、物品特征和場景特征(時間、空間等)來構建用戶興趣模型,從海量的商品中找到用戶感興趣商品,縮短用戶到商品的距離,提升用戶購買效率和產品體驗。

二、個性化推薦的產生背景

個性化推薦的產生,主要是由需求和技術發展推動的。

需求方面

  • 信息過載,用戶找到匹配自己的商品比較困難
  • 隨著生活水平提高,人們的需要也從低級的需求上升到更多的高級、享受性、能展示自我的個性化的需求。
  • 人口紅利消失,企業的增長已從增量增長過渡到存量增長,繼續提升存量的轉化效率。

技術方面

  • 算法能力得到提升
  • 算力有大幅度提升
  • 數據趁指數級增長

三、個性化推薦的價值

個性化推薦的價值體現在以下三個方面:

(1)用戶維度:提升購物效率,更快的找到滿足需求、喜好的商品,縮短與商品之間的距離。

(2)產品維度:

  • 滿足用戶的個性化的需求,博得用戶好感,提升用戶體驗,提升留存轉化與復購。
  • 解決信息過載的問題,提升信息分發效率,挖掘長尾商品,實現平臺商品流量均衡。

(3)企業維度:用戶活躍度提升、復購提升,可以吸引更多賣家入駐,提升廣告和傭金收入。

四、適合上線推薦系統的產品

推薦系統的價值是解決信息過載或者解決長尾物品分發。這里有一個前提,就是物品數量和用戶數量要達到一定的基數,才能凸顯出個性化推薦的優勢。不同類型、不同階段的產品,物品和用戶的量都不一樣。

產品類型:純工具類的,如日程清單工具,產品定位是用完即走,有用戶無物品,則無需上推薦;而資訊、短視頻、電商等有大量用戶和內容的產品,則有上推薦價值。

產品階段:早期階段,用戶量和物品量較少,或用戶行為很少,就暫時沒必要上。即便上了個性化推薦系統也并不能很好體現出其最大價值,很多時候不如對業務和用戶了解清楚,使用專家規則效果更好。

五、推薦系統的搭建階段

個性化推薦系統的搭建工作基本上由工程人員完成,且系統搭建流程相對而言較為復雜,這里因篇幅的問題就不暫開說明,感興趣的同學可以移步閱讀京東商品個性化推薦系統架構演進,里面做了較為詳細的介紹。

六、個性化推薦策略方法論

接下來就以電商移動端首頁“猜你喜歡”場景來介紹推薦策略的制定。

1. 策略制定的思考方向

推薦策略的制定基本遵循以下3個方向:

  1. 心理訴求
  2. 場景目標
  3. 業務述求

第一個點,要知道用戶的心理訴求

即用戶在該場景下需要什么,怎么做?可以通過用戶在終端上的行為分析得出,用戶訪問該推薦場景時,可以根據其當天的行為軌跡判斷用戶當時的心理訴求。

  • 在當天內,本次訪問之前對商品有過行為,則認為用戶有較急迫、明確的購物需求
  • 在當天內,本次訪問為首次訪問,則認為用戶無急迫、明確購物需求,但想找到感興趣商品

第二個點,明確場景目標

知道了用戶的心理訴求,那么我們的場景目標就是滿足用戶的心理訴求:既要滿足用戶急迫的、明確的需求,又要挖掘并滿足用戶潛在的需求。

第三點,業務述求

一個良好的個性化推薦系統,除了要滿足用戶的需求以外,還要能幫助平臺帶來業績增長,提升流量健康度。所以推薦系統在制定策略時,需要兼容業務的運營策略,比如對優質商品、新款爆品、低爆高轉等商品進行排序提權,而對低爆高轉、高庫齡呆滯、N天無動銷、發季節等商品進行排序降權。

2. 策略制定詳細說明

明確場景目標,便可以結合業務述求制定詳細的策略。

首先,我們要找到(召回)滿足場景目標的商品。

①對于急迫明確的購物需求,給用戶推薦其行為過的商品的相似商品,以滿足其急迫的明確購物訴求。

為什么推薦行為過的商品的相似商品給用戶就能最大概率滿足用戶的需求呢? 因為人每個行為都是有動機的,動機是找到滿足需要的目標事物的驅動力,行為商品就是目標事物,在電商領域可以直接等同于用戶需要。

行為過的商品,但沒有下單購買,說明有部分屬性不符合用戶需要,而找相似商品,則能最快的找到完全滿足用戶需要的商品,也就能最大概率的滿足用戶購物需求。

②對于不明確的、潛在的購物需求,我們可以通過推薦以下4個方面的商品來挖掘并滿足用戶的需求。

  1. 興趣偏好:通過算法模型利用用戶的歷史數據(如3個月)計算用戶的興趣偏好,如類目偏好、品牌偏好等,給用戶推薦偏好商品,挖掘出潛在需要,轉化為現實需要,實現需要的滿足。
  2. 相似人群:一個群體中熱銷的商品,反應出該群里都有相似的需求??梢曰謨沒У幕拘畔⒑托形卣髡業較嗨迫巳?,并找到其中的熱銷商品,為其推薦,能最大概率滿足其需要。
  3. 場景相關:季節性、節日相關的商品。如快中秋節了,用戶可能有購買月餅的需求,那么我們就給用戶推薦月餅。
  4. 興趣探索:可利用知識圖譜等方式挖掘用戶可能感興趣的新商品。

③對于業務述求,可以根據業務規則找出滿足要求的商品融入到推薦結果集中,或直接使用業務規則對結果集的商品進行排序微調。

找到滿足場景目標的商品后,就對這些商品進行排序展示。

商品排序一般是由設定目標的模型自我學習得到,不過產品經理可以根據用戶需求的緊迫程度、偏好程度來制定大概的排序策略,主要體現在特征的定性要求上。

比如說,加購行為權重大于點擊行為權重,最近行為權重大于一段時間之前行為的權重等等。不同場景下使用的特征不同,特征權重也可能不一樣,具體情況具體分析。

以上就是詳細策略制定的思路,無論哪個場景都好,都基本上遵循上述3個方向指定策略。

七、個性化推薦效果評估體系

良好的效果評估體系技能判斷出策略是否能達到目標,同時也能給后面的優化提供方向。不同時期的推薦系統側重的評估指標不一樣,以下是推薦系統較為全面的衡量指標。

1. 用戶維度

  • 精準度(懂用戶,能滿足用戶現實需求和挖掘出潛在需求)
  • 體驗流暢、穩定、沉浸(良好體驗)
  • 可解釋性(提升用戶信任度)
  • 多樣性(避免信息繭房,提升體驗)
  • 驚喜度(興趣探索)

2. 業務維度

  • 業務指標(CTR、GMV、留存率、瀏覽深度等)
  • 可擴展性強(兼容各種運營策略)
  • 挖掘長尾商品,實現曝光均衡
  • 賦能周邊系統,實現業績增長

八、個性化推薦的發展阻礙

雖然說推薦系統已經很大程度緩解了信息過載的問題,滿足用戶的個性化需求,但是目前仍有部分問題阻礙著推薦系統的發展,比如說隨著用戶對隱私的重視,數據獲取難度加大,新用戶推薦不精準,信息繭房等,而這些問題,短期內還沒有一個較好的方法完全解決。

九、個性化推薦的發展趨勢

根據目前的技術發展以及對人腦認知程度來說,推薦系統短期內比較難做到革命性的創新,所以推薦在短期內更多的發展重點會方向場景融合(富媒體混合推薦)、數據跨平臺打通、興趣模型探索等這些方向。

而從長期來看,隨著心理學、腦神經學、算力算法、物聯網的發展為推薦系統賦能,使得推薦系統能跨越手機、PC等單一終端,在更多終端同步,實現人們在全場景下,適當的時間、適當的地方,給用戶提供滿足其需要的東西,這也應該是推薦系統的最終理想態吧。

十、總結

上面從產品的角度對推薦系統做了一個較為全面的介紹。

總體而言,個性化推薦系統在當前流量紅利消失殆盡的情況下,已經成為各個產品留存和增長的一大利器。不過也如上所說,目前遇到的瓶頸也比較大,不過相信后面隨著技術和基礎科學的發展,個性化推薦系統比現在更智能,更懂用戶。

以上是我做推薦策略產品經理后對推薦系統的一些看法,歡迎大家交流溝通。

 

本文由 @Kimson 原創發布于人人都是產品經理。未經許可,禁止轉載

題圖來自 Unsplash ,基于 CC0 協議

給作者打賞,鼓勵TA抓緊創作!
評論
歡迎留言討論~!
  1. 有的時候我隨便搜索的,之后也推薦一堆,根本不是我想要的,就瞎推薦,讓人很反感!應該給個開關設置,是否需要推薦,強制推薦給用戶,用戶不喜歡

    回復
  2. 我現在特別反感個性化推薦系統,有些太傻了,鞋子我已經買了,還一個勁的推薦,我還需要再買嗎?

    回復
  3. 請問對于推薦策略這一塊很感興趣,怎么才能成為推薦策略產品經理呢?還有作為推薦策略的產品經理需要懂技術的算法嗎? :grin:

    回復
    1. me too

      回復