本文作者從日常生活實(shí)踐出發(fā)，對什么是個(gè)性推薦、個(gè)性推薦的價(jià)值、個(gè)性化推薦策略如何制定以及評估等進(jìn)行了梳理分析，并從10個(gè)維度進(jìn)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(jù)我作息習(xí)慣設(shè)置好的鬧鈴中起床，洗漱完出發(fā)去上班，在路上聽著網(wǎng)易云推薦的歌曲，喚起一天的好心情。

工作中的閑暇時(shí)間，打開了大麥看看最近的活動(dòng)，在首頁就發(fā)現(xiàn)了感興趣的電音節(jié)活動(dòng)，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(fā)現(xiàn)首頁推薦的“ND濾鏡”不錯(cuò)，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(dú)》，不久便睡了…

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

那么，什么是個(gè)性化推薦？為什么要有個(gè)性化推薦？它能給我們帶來什么？…

下面我們就以電商領(lǐng)域的個(gè)性化推薦，從以下幾個(gè)維度來揭開它的神秘面紗。

1. 個(gè)性化推薦的定義
2. 個(gè)性化推薦的產(chǎn)生背景
3. 個(gè)性化推薦的價(jià)值
4. 適合做個(gè)性化推薦的產(chǎn)品
5. 推薦的系統(tǒng)搭建過程
6. 個(gè)性化推薦策略方法論
7. 個(gè)性化推薦效果評估體系
8. 個(gè)性化推薦發(fā)展阻礙
9. 個(gè)性化推薦發(fā)展趨勢
10. 總結(jié)

一、個(gè)性化推薦的定義

個(gè)性化推薦，本質(zhì)上是在用戶購物意圖不明確的情況下，利用機(jī)器學(xué)習(xí)（深度學(xué)習(xí)）結(jié)合用戶特征、物品特征和場景特征（時(shí)間、空間等）來構(gòu)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(chǎn)品體驗(yàn)。

二、個(gè)性化推薦的產(chǎn)生背景

個(gè)性化推薦的產(chǎn)生，主要是由需求和技術(shù)發(fā)展推動(dòng)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(gè)性化的需求。
• 人口紅利消失，企業(yè)的增長已從增量增長過渡到存量增長，繼續(xù)提升存量的轉(zhuǎn)化效率。

技術(shù)方面：

• 算法能力得到提升
• 算力有大幅度提升
• 數(shù)據(jù)趁指數(shù)級增長

三、個(gè)性化推薦的價(jià)值

個(gè)性化推薦的價(jià)值體現(xiàn)在以下三個(gè)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(chǎn)品維度：

• 滿足用戶的個(gè)性化的需求，博得用戶好感，提升用戶體驗(yàn)，提升留存轉(zhuǎn)化與復(fù)購。
• 解決信息過載的問題，提升信息分發(fā)效率，挖掘長尾商品，實(shí)現(xiàn)平臺商品流量均衡。

（3）企業(yè)維度：用戶活躍度提升、復(fù)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(tǒng)的產(chǎn)品

推薦系統(tǒng)的價(jià)值是解決信息過載或者解決長尾物品分發(fā)。這里有一個(gè)前提，就是物品數(shù)量和用戶數(shù)量要達(dá)到一定的基數(shù)，才能凸顯出個(gè)性化推薦的優(yōu)勢。不同類型、不同階段的產(chǎn)品，物品和用戶的量都不一樣。

產(chǎn)品類型：純工具類的，如日程清單工具，產(chǎn)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(nèi)容的產(chǎn)品，則有上推薦價(jià)值。

產(chǎn)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(shí)沒必要上。即便上了個(gè)性化推薦系統(tǒng)也并不能很好體現(xiàn)出其最大價(jià)值，很多時(shí)候不如對業(yè)務(wù)和用戶了解清楚，使用專家規(guī)則效果更好。

五、推薦系統(tǒng)的搭建階段

個(gè)性化推薦系統(tǒng)的搭建工作基本上由工程人員完成，且系統(tǒng)搭建流程相對而言較為復(fù)雜，這里因篇幅的問題就不暫開說明，感興趣的同學(xué)可以移步閱讀京東商品個(gè)性化推薦系統(tǒng)架構(gòu)演進(jìn)，里面做了較為詳細(xì)的介紹。

六、個(gè)性化推薦策略方法論

接下來就以電商移動(dòng)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(gè)方向：

1. 心理訴求
2. 場景目標(biāo)
3. 業(yè)務(wù)述求

第一個(gè)點(diǎn)，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(shí)，可以根據(jù)其當(dāng)天的行為軌跡判斷用戶當(dāng)時(shí)的心理訴求。

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

第二個(gè)點(diǎn)，明確場景目標(biāo)

知道了用戶的心理訴求，那么我們的場景目標(biāo)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(diǎn)，業(yè)務(wù)述求

一個(gè)良好的個(gè)性化推薦系統(tǒng)，除了要滿足用戶的需求以外，還要能幫助平臺帶來業(yè)績增長，提升流量健康度。所以推薦系統(tǒng)在制定策略時(shí)，需要兼容業(yè)務(wù)的運(yùn)營策略，比如對優(yōu)質(zhì)商品、新款爆品、低爆高轉(zhuǎn)等商品進(jìn)行排序提權(quán)，而對低爆高轉(zhuǎn)、高庫齡呆滯、N天無動(dòng)銷、發(fā)季節(jié)等商品進(jìn)行排序降權(quán)。

2. 策略制定詳細(xì)說明

明確場景目標(biāo)，便可以結(jié)合業(yè)務(wù)述求制定詳細(xì)的策略。

首先，我們要找到（召回）滿足場景目標(biāo)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?yàn)槿嗣總€(gè)行為都是有動(dòng)機(jī)的，動(dòng)機(jī)是找到滿足需要的目標(biāo)事物的驅(qū)動(dòng)力，行為商品就是目標(biāo)事物，在電商領(lǐng)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(gè)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(shù)據(jù)（如3個(gè)月）計(jì)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(zhuǎn)化為現(xiàn)實(shí)需要，實(shí)現(xiàn)需要的滿足。
2. 相似人群：一個(gè)群體中熱銷的商品，反應(yīng)出該群里都有相似的需求?？梢曰谟脩舻幕拘畔⒑托袨樘卣髡业较嗨迫巳?，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(guān)：季節(jié)性、節(jié)日相關(guān)的商品。如快中秋節(jié)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(yè)務(wù)述求，可以根據(jù)業(yè)務(wù)規(guī)則找出滿足要求的商品融入到推薦結(jié)果集中，或直接使用業(yè)務(wù)規(guī)則對結(jié)果集的商品進(jìn)行排序微調(diào)。

找到滿足場景目標(biāo)的商品后，就對這些商品進(jìn)行排序展示。

商品排序一般是由設(shè)定目標(biāo)的模型自我學(xué)習(xí)得到，不過產(chǎn)品經(jīng)理可以根據(jù)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(xiàn)在特征的定性要求上。

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

以上就是詳細(xì)策略制定的思路，無論哪個(gè)場景都好，都基本上遵循上述3個(gè)方向指定策略。

七、個(gè)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(dá)到目標(biāo)，同時(shí)也能給后面的優(yōu)化提供方向。不同時(shí)期的推薦系統(tǒng)側(cè)重的評估指標(biāo)不一樣，以下是推薦系統(tǒng)較為全面的衡量指標(biāo)。

1. 用戶維度

• 精準(zhǔn)度（懂用戶，能滿足用戶現(xiàn)實(shí)需求和挖掘出潛在需求）
• 體驗(yàn)流暢、穩(wěn)定、沉浸（良好體驗(yàn)）
• 可解釋性（提升用戶信任度）
• 多樣性（避免信息繭房，提升體驗(yàn)）
• 驚喜度（興趣探索）

2. 業(yè)務(wù)維度

• 業(yè)務(wù)指標(biāo)（CTR、GMV、留存率、瀏覽深度等）
• 可擴(kuò)展性強(qiáng)（兼容各種運(yùn)營策略）
• 挖掘長尾商品，實(shí)現(xiàn)曝光均衡
• 賦能周邊系統(tǒng)，實(shí)現(xiàn)業(yè)績增長

八、個(gè)性化推薦的發(fā)展阻礙

雖然說推薦系統(tǒng)已經(jīng)很大程度緩解了信息過載的問題，滿足用戶的個(gè)性化需求，但是目前仍有部分問題阻礙著推薦系統(tǒng)的發(fā)展，比如說隨著用戶對隱私的重視，數(shù)據(jù)獲取難度加大，新用戶推薦不精準(zhǔn)，信息繭房等，而這些問題，短期內(nèi)還沒有一個(gè)較好的方法完全解決。

九、個(gè)性化推薦的發(fā)展趨勢

根據(jù)目前的技術(shù)發(fā)展以及對人腦認(rèn)知程度來說，推薦系統(tǒng)短期內(nèi)比較難做到革命性的創(chuàng)新，所以推薦在短期內(nèi)更多的發(fā)展重點(diǎn)會方向場景融合（富媒體混合推薦）、數(shù)據(jù)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(xué)、腦神經(jīng)學(xué)、算力算法、物聯(lián)網(wǎng)的發(fā)展為推薦系統(tǒng)賦能，使得推薦系統(tǒng)能跨越手機(jī)、PC等單一終端，在更多終端同步，實(shí)現(xiàn)人們在全場景下，適當(dāng)?shù)臅r(shí)間、適當(dāng)?shù)牡胤?，給用戶提供滿足其需要的東西，這也應(yīng)該是推薦系統(tǒng)的最終理想態(tài)吧。

十、總結(jié)

上面從產(chǎn)品的角度對推薦系統(tǒng)做了一個(gè)較為全面的介紹。

總體而言，個(gè)性化推薦系統(tǒng)在當(dāng)前流量紅利消失殆盡的情況下，已經(jīng)成為各個(gè)產(chǎn)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(shù)和基礎(chǔ)科學(xué)的發(fā)展，個(gè)性化推薦系統(tǒng)比現(xiàn)在更智能，更懂用戶。

以上是我做推薦策略產(chǎn)品經(jīng)理后對推薦系統(tǒng)的一些看法，歡迎大家交流溝通。

#專欄作家#

Kimson，公眾號：Kimson，人人都是產(chǎn)品經(jīng)理專欄作家。專注于電商、社交個(gè)性化推薦方向，擅長心理學(xué)、需求分析、用戶行為模型搭建。

本文原創(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

題圖來自 Unsplash ，基于 CC0 協(xié)議