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：

1. 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。
2. 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：

1. 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；
2. 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：

1. 直接推店鋪或者優(yōu)惠(點(diǎn)評(píng)猜你喜歡)
2. 通過(guò)UGC短評(píng)來(lái)推薦(某寶的有好貨)
3. 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