O2O情境下的個(gè)性化推薦實(shí)踐思考
關(guān)于如何從0到1構(gòu)建推薦系統(tǒng)的內(nèi)容因?yàn)橐呀?jīng)有很多了,在這里不做贅述;本文的內(nèi)容主要聚焦于O2O情境下推薦如何從1到N的優(yōu)化實(shí)踐。
2015年7月王興提出互聯(lián)網(wǎng)進(jìn)入下半場(chǎng),那O2O的下半場(chǎng)究竟是什么?通過(guò)1年多大公司的業(yè)務(wù)布局不難猜測(cè),O2O行業(yè)下半場(chǎng)比拼的主要是兩方面:一方面拼的是排號(hào)、點(diǎn)菜、買單等服務(wù)的一體化集成,另一方面拼的是通過(guò)社區(qū)化和個(gè)性化進(jìn)行精準(zhǔn)導(dǎo)購(gòu),提升用戶粘性。
筆者曾先后在美團(tuán)點(diǎn)評(píng)和螞蟻從事個(gè)性化推薦的相關(guān)工作,在這里講一講在推薦推薦優(yōu)化過(guò)程中踩過(guò)的坑以及一些業(yè)務(wù)方面思考。
1 關(guān)聯(lián)性推薦優(yōu)于因果性推薦
指標(biāo)含義
先解釋一下兩個(gè)指標(biāo)的含義:
關(guān)聯(lián)性推薦
是指用戶本身存在某個(gè)訴求,通過(guò)捕捉到該需求,并向用戶推薦相應(yīng)的商戶。關(guān)聯(lián)性推薦進(jìn)一步分為兩類:
- 通過(guò)更便捷的路徑來(lái)滿足既存需求,比如識(shí)別到用戶已經(jīng)在某個(gè)商戶,推薦系統(tǒng)將該商戶置頂,并且顯示可用優(yōu)惠,縮短用戶出大路徑。
- 將用戶打斷的需求重新?lián)炱饋?lái),例如用戶近期搜索了“火鍋”,但是并沒(méi)有形成交易,那么推薦系統(tǒng)為用戶推薦火鍋的商戶。
因果性推薦
是指用戶本身沒(méi)有明確需求,推薦讓用戶無(wú)中生有的產(chǎn)生新的需求。
在學(xué)術(shù)界有個(gè)爭(zhēng)議就是“關(guān)聯(lián)性推薦”到底算不算推薦,因?yàn)樗麧M足的是既存需求,嚴(yán)格意義上并沒(méi)有創(chuàng)新新的需求,我個(gè)人的答案是yes,我們逆向來(lái)推,如果不做關(guān)聯(lián)性推薦,用戶雖然有既存需求,但是很有可能會(huì)流失,或者體驗(yàn)上沒(méi)有這么流暢。所以我覺得不需要糾結(jié)在這一點(diǎn),我們只需要在意用戶覺得推薦準(zhǔn)不準(zhǔn),用的爽不爽。
關(guān)聯(lián)性推薦實(shí)踐
1)識(shí)別用戶所在商戶
如果用戶連接了wifi,很容易識(shí)別到用戶所在的商戶,然后將該商戶置頂,并且外露商戶優(yōu)惠等信息。在所有的推薦策略里,該策略覆蓋面隨談小,但是轉(zhuǎn)化率最高。
還有一種方式,就是在商戶詳情頁(yè)增加一個(gè)功能,就叫“我想去”,用戶點(diǎn)擊這個(gè)按鈕之后,一段時(shí)間內(nèi),這個(gè)商戶就可以在首頁(yè)直接推薦,縮短用戶查看路徑。
2)識(shí)別用戶意向到店
通過(guò)多種行為方式的組合,可以猜測(cè)出用戶想去的商戶。設(shè)想如果你要約一個(gè)朋友去吃飯,你會(huì)怎么篩選商戶呢,一般路徑都是先搜索看到感興趣的商戶,然后點(diǎn)進(jìn)去看詳情,包括查看地理位置、推薦菜,如果你點(diǎn)擊了商戶電話、收藏了商戶,或者將這家商戶分享到微信,那么你要去這間店的概率就更高了,最后再結(jié)合你的地理位置變化,就有極高的概率猜測(cè)出你要去哪一家店。
3)用戶的實(shí)時(shí)行為
在這里講述兩個(gè)概念,用戶的長(zhǎng)期偏好和實(shí)時(shí)偏好,我們常說(shuō)的用戶畫像一般都是指用戶的長(zhǎng)期偏好,例如筆者的長(zhǎng)期偏好是日料,但是可能因?yàn)樽罱矚g一個(gè)妹子,但是妹子喜歡火鍋,所以我的短期偏好就是火鍋。而且通過(guò)實(shí)踐證明,用戶的偏好是會(huì)隨時(shí)間衰變的,實(shí)時(shí)偏好的數(shù)據(jù)更能表征用戶當(dāng)下的需求,推薦效果也更精準(zhǔn)。
實(shí)時(shí)偏好一般可以通過(guò)用戶的搜索、導(dǎo)航篩選或者用戶瀏覽來(lái)推斷,倘若用戶沒(méi)有形成交易閉環(huán),比如購(gòu)買團(tuán)購(gòu)、買單、排號(hào)等行為,我們可以假設(shè)他的需求沒(méi)有被滿足,可能是沒(méi)找到合適的店,也可能是需求被別的事情打斷了,這個(gè)時(shí)候我們將用戶實(shí)時(shí)偏好的商戶推薦給用戶轉(zhuǎn)化率往往比較好。
因果性推薦實(shí)踐
1)協(xié)同過(guò)濾算法
包含基于商戶的協(xié)同過(guò)濾和基于用戶的協(xié)同過(guò)濾,其實(shí)質(zhì)就是中國(guó)人常說(shuō)的“物以類聚、人以群分”,前者是根據(jù)你喜歡的商戶,為你推薦類似的商戶,后者是先找到與你口味相似的人,然后推薦他們喜歡的商戶。有很多文章講述二者的區(qū)別,這里不做展開贅述,唯一強(qiáng)調(diào)一點(diǎn)是,二者雖然推薦方式類似,但是推薦結(jié)果僅有50%左右是雷同的,因此在實(shí)踐中不一定非要二選一,可以將兩種策略結(jié)合使用,效果更好。
2)用戶長(zhǎng)期偏好
這里的用戶偏好是指用戶的長(zhǎng)期偏好,非實(shí)時(shí)偏好,識(shí)別出用戶的長(zhǎng)期偏好后,為期推薦相應(yīng)的商戶。
從實(shí)踐結(jié)果來(lái)看,關(guān)聯(lián)性推薦>因果性推薦>補(bǔ)余推薦(附近熱門、全程熱門),而且關(guān)聯(lián)性推薦更容易讓用戶產(chǎn)生一種“推薦很準(zhǔn)”的印象,因此建議構(gòu)建推薦系統(tǒng)的時(shí)候,可以重點(diǎn)考慮關(guān)聯(lián)性推薦。
2 所有的喜歡都是熟悉+意外
在我做推薦之初,一直有個(gè)疑惑,就是什么才是好的推薦,當(dāng)時(shí)咨詢了很多人,大家分成兩派,一派覺得好的推薦,就是向我推薦優(yōu)質(zhì)的但是我沒(méi)去過(guò)的商戶;另外一派覺得好的推薦就是向我推薦我熟悉的店,因?yàn)榇蠹移綍r(shí)去的店相對(duì)都是固定的,推薦給我陌生的店,我也沒(méi)興趣。
這兩種意見都有自己的弊端,推新的內(nèi)容,用戶不理解,勢(shì)必造成數(shù)據(jù)效果差,但是總是推用戶熟悉的東西,會(huì)形成馬太效應(yīng),越推越窄。
后來(lái)讀到一篇文章,講有一個(gè)音樂(lè)應(yīng)用軟件,最開始設(shè)計(jì)算法的時(shí)候,是只推薦用戶沒(méi)聽過(guò)的音樂(lè)。但是在內(nèi)部測(cè)試的時(shí)候,程序出現(xiàn)了一個(gè)bug,在給用戶推薦新的音樂(lè)之外,還錯(cuò)誤地推薦了一些用戶已經(jīng)聽過(guò)的、甚至很熟悉的音樂(lè)。這樣測(cè)試了一段時(shí)間,效果還不錯(cuò)。后來(lái)程序員發(fā)現(xiàn)了bug,立刻改正了,讓程序只推薦新的音樂(lè)。結(jié)果發(fā)現(xiàn),改正后的算法反而沒(méi)有原來(lái)的算法受歡迎。所以其實(shí)人們并不喜歡完全陌生的東西,并且總是希望能從新東西中發(fā)現(xiàn)點(diǎn)熟悉的元素。
?看到這篇文章,我豁然開朗,原來(lái)好的推薦就是在新奇和熟悉之間尋找一個(gè)平衡點(diǎn),如何尋找這個(gè)平衡點(diǎn)呢,有幾種方式:
從人出發(fā)
統(tǒng)計(jì)用戶過(guò)去常去店鋪的重復(fù)度,如果重復(fù)讀很低,說(shuō)明用戶相對(duì)更喜歡新奇的商戶,這時(shí)候增大新商戶的占比,反之亦然。
從場(chǎng)景出發(fā)
一般情況下工作日大家一般傾向于去近一點(diǎn)、熟悉一點(diǎn)的商戶,周末大家傾向于去探索一些新奇的商戶。
3 推薦理由是提升用戶信任的橋梁
向用戶推薦的商戶,尤其是對(duì)用戶來(lái)說(shuō)陌生的商戶,推薦理由可以降低用戶的理解成本,提高信任感。加了推薦理由點(diǎn)擊數(shù)據(jù)不一定能提升(筆者通過(guò)AB測(cè)試,數(shù)據(jù)僅提升1%),但是推薦理由能夠提升用戶的瀏覽體驗(yàn),明白推薦邏輯。以下是一些推薦理由的一些case:
- 好友推薦:Jason等x個(gè)好友推薦,最好將用戶親密度高好友名外露
- 名人推薦:歌手薛之謙開的店
- 媒體推薦:《星尚》頻道推薦
- 入選榜單:《美食與美酒》雜志評(píng)選2016 best 50餐廳
- 人以群分:與你口味相似的人都喜歡,摩登主婦都喜歡
- 用戶行為:您7天前瀏覽過(guò)的商戶
4 推薦的最高境界是讓用戶產(chǎn)生驚喜
驚喜是什么?Wiktionary的定義是:
An unsought, unintended, and/or unexpected, but fortunate, discovery and/or learning experience that happens by accident. 并未刻意尋找的,并未提前期待的,可又是幸運(yùn)的且意外發(fā)現(xiàn)。
舉兩個(gè)我碰到的例子,一個(gè)是音樂(lè):
有一些人可能遇到過(guò)這樣的一種場(chǎng)景,就是一直聽到一首很喜歡的歌,但是就是不知道歌名,然后在網(wǎng)易云音樂(lè)聽到以后會(huì)去評(píng)論說(shuō)我這這首歌好久,終于找到了。網(wǎng)易云音樂(lè)專門去挖掘過(guò)這樣的評(píng)論,然后將這些音樂(lè)推薦給用戶,用戶自然就會(huì)產(chǎn)生很大驚喜感。
另外一個(gè)是kindle:
一天老大告訴我們,kindle太神奇了,他老婆在讀一本書,剛推薦給他,他就發(fā)現(xiàn)他的kindle也向他推薦了這本書,我們猜測(cè)kindle是通過(guò)兩人經(jīng)常在晚上連接相同的wifi來(lái)猜測(cè)二者的家人關(guān)系,然后將一個(gè)人喜歡的書推薦給另外一個(gè)。
那么O2O推薦怎么創(chuàng)造驚喜感?以下是一些考慮的切入點(diǎn):
1)他鄉(xiāng)遇故知:當(dāng)用戶在陌生環(huán)境里的話,推薦其好友去過(guò)的店鋪,這一點(diǎn)在國(guó)外環(huán)境尤其適用,試想當(dāng)你來(lái)到韓國(guó)首爾旅游,發(fā)現(xiàn)附近一家店你的好友曾經(jīng)點(diǎn)評(píng)過(guò),會(huì)不會(huì)產(chǎn)生一種“他鄉(xiāng)遇故知”的親切感;當(dāng)然退一步直接推薦附近美食排行榜,同樣是適用的,會(huì)產(chǎn)生一定的驚喜感。
2)月是故鄉(xiāng)明:巧妙使用用戶的身份標(biāo)簽,例如故鄉(xiāng)信息,Jason來(lái)自洛陽(yáng),我們那里的特色美食胡辣湯,這時(shí)候向我推薦附近的胡辣湯商戶,并且注明推薦理由,或者向我推薦洛陽(yáng)人最愛的餐廳合集,我會(huì)很有感觸。
3)愛他之所愛:通過(guò)用戶連接wifi信息等,是可以判斷用戶的家人/朋友關(guān)系的,這時(shí)將家人/朋友喜歡的店推薦給另外一個(gè)人,是會(huì)讓用戶產(chǎn)生驚喜的,尤其是當(dāng)兩人去同一家店的時(shí)候。
5 豐富推薦維度進(jìn)行全方位命中
猜你喜歡式的個(gè)性化推薦,是普適性推薦,推薦邏輯很多都是黑盒的,對(duì)于用戶來(lái)講形式單一,趣味性不足。在推薦維度方面,做的最好的是某寶,光在推薦維度上有5種,在用戶分層和內(nèi)容形態(tài)上互為補(bǔ)充,均取得了較好的效果。
按照用戶細(xì)分
用戶細(xì)分的方式一般有兩種:
- 用戶消費(fèi)能力,比如中高客單價(jià)的用戶群和低端客單價(jià)的用戶群;
- 用戶分層,比如學(xué)生黨、辣媽、有車一族等,通過(guò)身份標(biāo)簽來(lái)獲得認(rèn)同,同時(shí)可以滿足較長(zhǎng)尾的用戶需求
按照內(nèi)容組織形式
內(nèi)容組織形式包含3種:
- 直接推店鋪或者優(yōu)惠(點(diǎn)評(píng)猜你喜歡)
- 通過(guò)UGC短評(píng)來(lái)推薦(某寶的有好貨)
- 以及現(xiàn)在很流行的PGC文章來(lái)推薦(小紅書等)。
其中PGC一般較為專業(yè),定位于中高端人群更合適。
作者:Jason(微信號(hào)liuzs0204),阿里巴巴資深產(chǎn)品經(jīng)理,前美團(tuán)點(diǎn)評(píng)搜索與推薦產(chǎn)品經(jīng)理。
本文由 @Jason 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載
很贊?。?! ??
很有感觸謝謝了
收藏了,很有感觸,期待有深入交流。
歡迎交流
老師你的微信號(hào)是多少,希望向你學(xué)習(xí)
收藏了,感同身受!