中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

2B行業的千人千面，會面臨什么問題和局限？又該如何解決？

千人千面，這幾年無論是在營銷界，還是在產品運營界，都得到了很廣泛的應用。

在營銷行業，會用千人千面來提升營銷的精準性，即做人和物的精準匹配，所謂精準營銷；做產品運營的人會在產品中很多模塊增加千人千面的策略，以此來達到產品流量的高效分發。

在電商行業，千人千面的應用尤其多。比如淘寶的猜你喜歡，京東的為你推薦，都屬于此類應用。

我們先簡單聊聊到底什么是千人千面。

千人千面，就其字面意思來講就是不同的人，呈現不一樣的東西。所以，在所有千人千面實例中，個性化推薦是最常用的一種實踐。

本質上來說，個性化推薦主要的目標有兩個：一個是高效連接用戶和平臺上的物品，讓用戶盡可能的發現平臺上“好的東西”；另一個就是“投用戶所好”，發現用戶的興趣，基于他的興趣為其呈現“好的東西”。

同理，上面提到“好的東西”也是個性化的?！昂谩迸c“不好”這種評判完全是基于對物品的客觀評判來決定的，這種客觀的評判的具體量化標準在不同的業務不盡相同。

但是，大多都可以稱之為是用戶對于物品的正反饋。比如對于一件商品，可能是用戶對于該商品的購買，關注，搜索，分享，好評等。所以，同一個東西，A喜歡，B可能覺得一般，甚至C可能覺得很厭煩。

千人千面就是實現“人”和“物”高效匹配，它們之間是一個互相補充，互相依賴的關系，也就是人們看到自己感興趣的物越多。那么，對好東西的衡量也就越準確，否則就是一個惡性循環。

千人千面的本質還是一個數據的交互過程。

對于人來說，系統通過人們在網絡的一系列行為，去判斷用戶感興趣的物品，進而為他們推薦“好的東西”；對于物來說，系統通過人在為其推薦的物品上的一些列交互，比如點擊、下單、購買等，來判斷這個物品是不是一個“好的東西”。

簡單用下面的圖來表示：

有一天，我的一個公眾號粉絲在后臺問我，是否考慮過2B的千人千面，我心里“噔”了一下。

確實，我們看了太多2C產品，營銷實施千人千面的案例，竟然一直沒有注意到2B端。無論是從業務流程的復雜繁瑣程度，還是從營銷運營的現狀，低效、冗余一直是2B端的產品躲不過去的傷痛。

所以，千人千面如果應用在2B端，那必然會是一個行業的革新。

套用一下，不妨稱之為“千B千面”。

無獨有偶，之前在公司做過一個2B端個性化推薦的實施，實施過程中也有過一些思考，這里分享給大家。

首先，明確一個問題：2B端的千人千面能不能做？

能。

如果想要做一個通用的架構，目前還有難度，只能做一個“局域”。

什么意思呢？

比如淘寶和京東的千人千面體系，除了底層數據的差異，整個架構是可以套用的。

另外，除了電商行業，對于以單個物品推薦的業務，我理解也是可以進行套用的。

再加上，目前各大企業在產品和賬號體系上的互通，比如用微信、QQ、微博等一些列社交賬號，可以注冊各種各樣的應用，導致千人千面的冷啟動階段也變得“有數可依”。

其次，如果想要在2B的產品上大規模開展千人千面的實施，會面臨哪些問題？

我想了想大概有下面幾點：

2B端的數字化程度較低

2B端數字化，信息化，應該是近幾年才提上日程，甚至是往后十年的主要方向。所以，就目前來講，B端的數據是不足以做千B千面的。

舉個例子，一個用戶在網上點擊一個鏈接，購買一款商品，現在是很容易被捕捉到并且以結構化的數據進行存儲。但是，一個企業與哪些供應商進行了連接，是很難被追蹤記錄的。

另外一方面，現在僅有大概30%的企業，實現了從采到銷的線上化、銷售化。如果大家注意觀察的話，會發現很多中小企業還是一個Excel去解決問題的。

每一個B端是一個數據孤島

這就是目前整個B端的現狀。

可能大家會認為，這30%企業也是一個實施“千B千面”的機會啊。但是，就現狀而言，數據是每個企業密級最高的東西；更有企業喊出數據是公司唯一的資產。

所以，一個企業唯一的資產怎么會輕易讓其他人獲?。?/p>

不看別的，可以看目前云服務的現狀：除了小公司出于成本的考慮愿意采用云服務，稍微大點的公司都在搞自己的云服務，沒人會愿意把自己家的數據放在別人的服務器上。

所以，數據對于每個企業來說，都是私有資產，神圣不可侵犯的。至少目前的認知還是在這個層面，而且從當下來看，至少長期會處于這種局面。

與云面臨的困境一樣，在信任問題沒有解決之前，B端的數據永遠是一座孤島。

缺少結構化的數據

落地過千人千面的人都清楚，結構化的數據是關鍵。比如做個性化推薦系統，結構化數據是用戶標簽、排序特征的基礎保障。大多數成熟的企業數據做得都不好，更別談小公司了。

另外，很多人對結構化的數據一直有誤解。結構化的數據并不是說沒有數據，而是缺少經過加工的數據，看一下結構化數據的定義：

結構化數據也稱作是行數據，是由二維表結構來進行邏輯展示和表達的數據，嚴格遵循數據格式與長度規范，主要通過關系型數據庫進行存儲和管理。

我們很容易可以用結構化的數據去描述一個人，比如社會學統計信息，線上行為包括點擊、瀏覽、加購、下單、收藏、關注、分享、訂閱，線下行為包括旅游、出行、飲食、居住。

但是，很難有一個統一的框架去描述一個B端企業，這與B端業務的多樣性、復雜性、多變性密不可分。

所以，如果某一天大規模的千B千面開始。那么，B端結構化數據的比必定是首先邁過的檻。

缺少統一的衡量標準

無論是2C還是2B千人千面的實施，都需要巨大的成本，所以必須要有一個可衡量的效果。

一般來講，2C端的千人千面主要看流量分發的效果，并且伴隨業務線發展程度不同，制定指標也不盡相同。

一般來講遵循如下的規則：

• 對于新業務線，主要以流量相關的指標為核心指標，比如PV，UV這些；
• 對于發展中業務線，主要看流量的分發效率，所以看點擊率的比較多，或者是訂單轉化率；
• 對于成熟的業務線，則主要看盈利和營收了。

但是B端呢？

很難有一個統一的框架，哪怕做的是相同的行業，但是由于想法不同，那么具體的業務流程也大相徑庭。

比如，同樣是做餐飲的，做小吃和做正餐的玩法就不一樣。那么，每個環節衡量的指標也就不一樣。一個小吃店一天買1000份小吃和一個飯店一天買1000分正菜，絕對不是一個概念。

這樣會導致這么一個問題，如果把千人千面用在B端企業上，需要單獨為每一個大B、小B客戶進行實施。由于從業務模式，還是底層數據來看，實施難度很大，對于服務提供商來說成本投入巨大，就意味著價格很高。對于企業來說就很難接受，這就是一個惡性循環。

千B千面的一個小案例

上面討論了在做大規模2B千人千面之前需要攻克的最大難題。之前做過一個面向小B的個性化推薦，這個也算是一次簡單的2B的千人千面，簡單聊聊。

項目是為一個面向所有小B的商家提供物品采購服務的平臺搭建個性化推薦系統，總體的思路和2C的千人千面類似。

數據清洗-標簽挖掘-trigger機制-召回策略-排序策略-精排策略-前端展示

對于這個面向小B的推薦系統來說，主要目標就是以更小的成本讓小B商家采購到想要的物品。但是，同時需要考慮到供應商的供應鏈能力。比如，海南的供應商無法給北京的商家提供采銷服務。

如果大家關注線下的一些涉及采銷業務的商家，就會發現他們會有固定的合作伙伴，經常只會在固定的幾個供應商來采購商品。

其實基于上述目標和對需求的拆解，整個思路就很明確了。最主要的還是如何建立小B和供應商之前的采銷關系鏈，這個供應關系鏈會以結構化的數據進行創建，最終用于個性化推薦。

但是你會發現，這個供應關系鏈它是一個“局域”的；也就是當你再來一個新的2B業務，依然需要為它搭建一個新的架構、新的策略。

上面是之前做2B的千人千面的一個小小嘗試，但是如果要做到目前2C規模的千人千面，還有很長的路要走。

———–我是分割線，為自己代言———————

目前正在人人都是產品經理的年度作家評選，感謝大家這幾天的支持！正如我的參賽宣言：不寫最吸引眼球的，只關注技能和認知提升。如果過往文章對您有幫助，辛苦戳此進入幫我投票：http://996.pm/YyKAr

也可以掃描以下海報中的二維碼，進入我的個人參選主頁，點擊我的頭像下面的“愛心”就可以為我投票啦。每人最多可投10票哦，登陸了之后就有5票，投完之后可以點擊主頁的“再投5票”就有機會增加5張選票～

#專欄作家#

夏唬人，公眾號：夏唬人，人人都是產品經理專欄作家。某廠策略產品經理，關注推薦，搜索，AI策略方向，用數據來賦能業務。

本文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。