来天下人都是货品副经理【终点大学】,BAT两栖作战派货品副总裁亲自动手控制系统带你学货品、学营运。

个性化推荐(个性化推荐的弊端)-第1张

(一)甚么是个人化所推荐?

1.1个人化所推荐的表述

个人化所推荐是依照采用者的特点和偏爱,透过收集、预测和表述其在端上的发展史犯罪行为,介绍采用者是甚么样的人,犯罪行为偏爱是甚么,撷取了甚么,造成了这些交互意见反馈之类,最后认知和得出结论合乎网络平台准则的采用者特点和偏爱。进而向采用者所推荐钟爱的重要信息和货品。

1.2个人化所推荐的5个基本要素?

个人化牵涉的四个基本要素:

货品和服务制造文本到消费需求网络平台,消费需求网络平台透过一定的准则将文本组织起来,消费需求者从消费需求网络平台采用该文本时的犯罪行为,会形成意见反馈。

  • 消费需求者:即步入网络平台找寻文本的出访采用者。
  • 消费需求网络平台:提供更多文本供消费需求者出访的网络平台。如中文网站、APP等。
  • 文本:由货品和服务制造,无文本不存有招揽采用者去网络平台出访。个人化是以文本为显然此基础,此为其本质。
  • 货品和服务:可以是采用者肩负(UGC); 一般会是由从业者拨用制造(PGC),若是拨用制造则称作OGC。以UGC为代表者的。如数十家高峰论坛、网志和网志公交站点,其文本均由采用者另行音乐创作,职员只是协同和保护社会秩序;以OGC为代表者的。如数十家新闻报道公交站点、音频中文网站,其文本均有外部另行缔造和从外部掏钱购得著作权;而PGC则在前述三种类别的中文网站中都有踪迹,由于其既能共享资源高效率的文本,同时中文网站服务商又无须有鉴于此保险费酬金,所以OGC公交站点和UGC公交站点都很欢迎PGC。
  • 意见反馈:消费需求者在消费需求网络平台中,对文本的交互犯罪行为。如网易新闻报道app,在所推荐栏中制造或汇集新闻报道资讯,并将其展示在客户端里。采用者点击某条新闻报道,阅读详细文本时便形成了一则意见反馈。随后其点击某个顶部导航tag、添加或删除某个频道,收藏、离线或撷取某一篇文章,重复点击某一篇文章等犯罪行为都可以看成是意见反馈。网易可以依照这些重要信息透过技术方法,一段时间之后便可以建立起该采用者常规兴趣模型及近期兴趣模型。然后应用该模型进行试错,依照犯罪行为方差再进行调整,促使该模型不断上升,力求越来越接近采用者的真实偏爱。

1.3甚么网络平台适合用个人化所推荐的?

对于个人化所推荐,文本是最显然的东西,巧妇难为无米之炊。在文本都不多的情况下,一定要清楚自己的货品所在的阶段是否具备个人化所推荐控制系统的应用场景。

像爱奇艺、优酷、乐视等音频类app需要更齐全更优质的音频节目;

像网易新闻报道客户端、百度新闻报道客户端,需要新闻报道文本丰富和接地气、并且要及时性与公信力;

像酷狗音乐、QQ音乐、网易云音乐等音乐类app来说,固家之本还应该是音乐及MV的质量及数量。

像喜马拉雅电台、蜻蜓FM、考拉FM等电台类app需要更多高效率的PGC文本,以及质量管控的UGC;

像淘宝、京东、唯品会等电商网络平台,需要更多的货品种类、品牌、购买方式,以及对其质量、价格等的把控;

1.4与其他非个人化所推荐的对比?

依照前述个人化所推荐的基本重要信息,反向对比其他非个人化所推荐的方式。我所认知的非个人化所推荐主要有2种方式。采用者订阅搜索、全局热度排名模式。

1.主动订阅和搜索:

属于主观犯罪行为。采用者需要去主观判断和选择,犯罪行为相对比较重,导致体验不好。(成本高,即系需要花费精力去搜索、筛选排除,才能得到真正钟爱的文本,并且不会动态依照采用者的兴趣变化而变化);

2.热门排名模式:

如比较单一的维度加上半衰期去看全局排名。比如,30天内点击排名,一周热门排名。虽然这也是合乎热点属于新鲜,采用者或许钟爱。若只靠这种方式有个弊病,就是马太效应,点的人越多的,经过所推荐点得人有更多。强者越强,弱者机会越少就越弱,可能导致两级分化严重,一些比较优质素材就被埋没了。

(二)个人化所推荐的作用(电商网络平台)

对于一个电商网络平台,个人化所推荐的作用应是相对而言,应分为采用者侧、电商侧两方面去论述:

2.1采用者侧

1.节省采用者成本,提升采用者体验

随着电子商务规模的不断扩大,货品个数和种类快速增长,采用者需要花费大量的时间、精力才能找到自己想买的货品。尤其移动端互联网是当下趋势,可采用者在移动端显得很没有耐心,体验会更不好。因此,给采用者所推荐个人化的文本,在短时间内抓住采用者的心,能够帮助采用者节省成本,让采用者体验更爽。

2.2电商侧

1.促使浏览者转购买者

在电商网网络平台的出访采用者,或许在浏览过程中并没有购买欲望,仅仅是为了无聊打发时间或者其他原因。而当个人化所推荐能够向采用者所推荐他们钟爱的货品,进而促成购买过程,达到盈利。

2.提高货品交叉销售能力

个人化所推荐能够在采用者购买过程中,向采用者提供更多其他有价值或关联的货品所推荐。采用者能够从控制系统提供更多的所推荐列表中,购买自己确实需要但在购买过程中没有想到的货品,进而有效提高电子商务控制系统的交叉销售。如买手机可所推荐其关联货品:移动电源、耳机、手机壳等。

3.提高采用者的忠诚度

个人化所推荐控制系统预测采用者的犯罪行为属性,依照采用者需求向采用者提供更多有价值的货品所推荐。如果所推荐控制系统的所推荐质量很高,那么采用者会对该所推荐控制系统造成依赖。因此,个人化所推荐控制系统不仅能够为采用者提供更多个人化的所推荐服务,而且能与采用者建立长期稳定的关系,进而有效保留客户,提高客户的忠诚度,防止客户流失。

(三)个人化所推荐的方式(电商网络平台)

对于不同的网络平台,个人化所推荐的实现方式和侧重思考点会有所不同。针对电商网络平台方面,从初级到高级,在电子商务中有4种个人化方式。

3.1普通的账户数据

把采用者简单地按照位置(地理位置或IP地址),性别,或者婚姻状况来分组。透过这种方式,你可以有效地提高采用者对相关广告或促销的响应。很容易就可以做到给女性采用者发一则关于胸罩的促销邮件而不发给男性采用者,但这样就可以有效地增加与顾客之间的交互。

3.2同类货品的关联

电商行业也常常会采用到基于关联准则的所推荐。即以关联准则为此基础,把已购货品作为准则头,准则体为所推荐对象。比如,你购买了羽毛球拍,那我相应的会向你所推荐羽毛球周边用品。关联准则挖掘可以发现不同货品在销售过程中的相关性,提供更多相关货品的快速链接可以刺激其他货品的销售,也可以给购物经验丰富的采用者提供更多更好的体验。

3.3近因、频率和货币价值

这3个点的预测简称作RFM,是一种可以更详细地介绍采用者数据的方式。透过这种方式,每一个客户都会拥有一个唯一的RFM值,该值透过如下三个问题来估算:

  • 近因(Recency):客户最近一次购买是如何发生的?
  • 频率(Frequency):客户多久购买一次?
  • 货币价值(Monetary Value):客户通常消费需求一次会花多少钱?

基于这种预测,当你想提高转化率或者使采用者感到开心的时候,你可以决定在何时和发送甚么文本给特定的客户。试想,当采用者的旧牛仔裤已经快报废的时候,刚好收到一条促销重要信息,这是件多么令人兴奋的事情。客户会对你的个人化推送和及时性留下深刻的印象。

3.4协同过滤

最高级的电子商务个人化采用协同过滤的方式。协同过滤意味着整个电商中文网站可以实现对每个采用者都是单独策划的。

协同过滤可以提示看过这个货品的人也看过的货品,依照浏览记录所推荐的货品,或者和当前货品相似的有库存货品(对于售罄的货品而言)。像这样的个人化货品所推荐可以促进销售也可以增加客户与相关的、有价值的货品之间的交互。 他们可以突出不出现在搜索结果首页的好货品或者最火爆的货品。

这种方法可以所推荐一些文本上差异较大但是又是采用者钟爱的物品,很好的支持采用者发现潜在的兴趣偏爱。也不需要领域知识,并且随着时间推移性能提高。但是也存有无法向新采用者所推荐的问题,控制系统刚刚开始时所推荐质可能较量差。协同过滤成本很高且实现起来相对复杂。

(四)个人化所推荐常见的问题与建议(采用者角度)

4.1冷启动问题

新采用者因为罕有可以利用的犯罪行为重要信息,很难给出精确的所推荐。反过来,新货品由于被选择次数很少,也难以找到合适的办法所推荐给采用者——这就是所谓的冷启动问题。

问题建议:

利用采用者注册或者初始步入APP,可以透过性别、年龄分别建立性别-货品相关表、年龄-货品相关表,然后将这两张相关表的货品列表按照一定权重相加,得到采用者的最后所推荐列表;

也还可以再做非个人化所推荐补充,如热门排行榜、热门喜欢货品等;

4.2所推荐文本的属性

个人化所推荐的文本当然需要区分具体属性,但对于采用者来说无非就是钟爱的,无感的,以及不钟爱的。那么问题来了,如何排定三者的展现比例呢,如何在展现个人化的兴趣的同时达到与新事物介入的平衡?

若7:0:0,肯定是不行的,那样只会将客户端越做越窄,而且采用者也不希望自己固步自封,闭门造车,他们也渴望接触一些新鲜的事物,拓展自己的兴趣;

若6:1:0怎么样呢?感觉也不好,性感美女好看,但我不希望每天早上睁开眼你就给我看性感美女,因为这东西看多了也会厌烦。

若3:3:1也不行,一半以上的文本很可能都不是我的兴趣所在,那我会觉得图失望图忧伤。

那我建议是选择4:2:1会相对好,能在各个方面都相对平衡一些。

4.3采用者场景挖掘和利用

深入挖掘采用者的场景犯罪行为模式,有望提高所推荐的效果。譬如说,新采用者和老采用者具有很不一样的选择模式:一般而言,新采用者倾向于选择热门的货品,而老采用者对于小众货品关注更多,新采用者所选择的货品相似度更高,老采用者所选择的货品多样性较高。如一些场景的建议,此处列举2种常见:

1.基于采用者随时间变化的活跃性所推荐

如在进行手机个人化阅读所推荐的时候,如果曾经的数据显示某个采用者只在7点基于采用者随时间变化的活跃性所推荐。到8点之间有一个小时左右的手机阅读犯罪行为(可能是上班时在地铁或者公交车上),那么9点钟发送一个电子书阅读的短信广告就是很不明智的选择。从含时数据中还可以预测出影响采用者选择的长期和短期的兴趣,透过将这三种效应分离出来,可以明显提高所推荐的精确度。

2.基于位置重要信息的所推荐

如预测采用者的移动轨迹和判断采用者在当前位置是否有可能进行餐饮购物活动等,同时还要有定量的办法去表述采用者之间以及地点之间的相似性。如团购app向采用者所推荐近处的餐饮购物之类场所;但是,有时候在采用者经常出没的地点,譬 如工作地点、学校、住家之类进行所推荐的效果往往是比较差的,因为采用者对于这些地点比控制系统还熟悉,而且很难想象采用者在上下班的路上会有特别地情致购物或者进餐。实际上可以预测的时空重要信息往往是商业价值比较低的,而采用者在吃饭时间去了一个平常不太去的地方,往往有更大的可能是和朋友聚会就餐。这就要求控制系统更加智能,能够对采用者当前犯罪行为所蕴含的重要信息量进行估计(要同时考虑时间和空间),并且在重要信息量充分大的时候进行所推荐。

4.4 采用者朋友、社会所推荐

采用者更喜欢来自朋友的所推荐而不是被控制系统算出来的所推荐。最近有证据显示,朋友所推荐也是淘宝货品销售一个非常重要的驱动力量。来自朋友的社会所推荐有两方面的效果:一是增加销售(含下载、阅读……),二是在销售后提高采用者的评价。当然,在社会所推荐方向存有的挑战主要可以分为三类:一是如何利用社会关系提高所推荐的精确度,二是如何建立更好的机制以促进社会所推荐,三是如何将社会信任关系引入到所推荐控制系统中。社会所推荐的效果可能来自于类似口碑传播的社会影响力,也可能是因为朋友之间本来就具有相似的兴趣或者兴趣相投更易成为朋友,对这些不同的潜在因素进行量化区别,也属学术研究的热点之一。

(五)总 结

能够基于采用者数据提供更多个人化所推荐,这是互联网货品可以提供更多的一项特色功能。采用者也对这样的方式很钟爱,即便不够准确,采用者需求依旧存有。那么货品在设置个人化所推荐功能时,除了要不断完善所推荐算法的精准度外,也要注意一些讨巧的方式,既防止让不准确的所推荐吓跑采用者,又不至于让采用者面对海量文本时不知所措:

多样性和和精确性的平衡。所推荐的文本,不能只包含精确算出的文本,应要考虑多样性,一些特别的需求非常强调多样性和新颖性,譬如类似于唯品会这样的限时抢购模式或者最近非常流行的团购模式;

个人化所推荐可以结合朋友、社会关系的所推荐。采用者知道大多数人的选择是甚么,也是一个不错的所推荐方式。当一个货品已经有了数据积累时,不妨把货品获得的数据意见反馈给采用者,有的时候,群众的眼光可能真是雪亮的;

考虑推送的场景和时机。预测采用者的交互犯罪行为,在不同的场景推送对应所需要的文本,这会让采用者感觉更贴心;

本文由 @鸭蛋番薯 原创发布于天下人都是货品副经理 ,未经许可,禁止转载。