編輯導語：在營銷過程中，我們可以根據用戶的興趣進行推薦算法的應用，從用戶生活中的各個方面進行相應的推薦，提高轉化率和購買率；本文作者應用推薦算法模型具體應用在用戶興趣中，實現促活和轉化，我們一起來看一下。

前面聊了那么多推薦類的算法，具體在數據產品中該如何應用呢？是不是這些推薦邏輯只能應用在推薦系統中呢？

我想未必的，用戶興趣在業務邏輯中幾乎可以滲透到工作的方方面面，簡單來講：無論什么業務，但凡接觸客戶，就給他最喜歡的東西，是不是一個最好的策略？

答案可能是未必，但是在大部分領域還是非常有價值的，筆者在這一文章中跟大家分享一下兩個常見的應用方向：

1）活動受歡迎程度、最佳人群/活動推薦：

• 我們根據經驗設計了一個閃閃發光的活動，是否真的符合當下公司的客群？
• 近期公司想要回饋老客戶，運營圈定了一批高價值客群，這些客戶適合哪些類型的活動或者喜歡哪些類型的優惠券？
• 公司新增加一個合作方，談了一批新的優惠券，想要了解一下這些新的優惠券適合哪些客戶？

2）針對有異常的人群，投其所好的向他推送他喜歡的優惠券：

近期公司的目標是促活和轉化，面對篩選出的異?？蛻簦ɡ纾夯钴S不轉化、睡眠戶、待流失），該給他什么樣的優惠券才能激活他？

上面這些問題該怎么解決呢？

千萬人有千萬思路，本文從算法角度，探索一下算法的解決思路，這一算法模型即為：用戶興趣模型——也叫營銷響應模型。

因此，在解決問題之前，我們先來看一下興趣模型構建過程：

一、營銷興趣模型

在挖掘客戶的興趣時，我們借鑒了推薦系統的常用模型——DeepFM；這一模型因為能夠有效的深度融合高維和低維的特征，在點擊率預測和推薦排序方面應用極為廣泛。

我們細想這一模型，點擊率預測和推薦排序問題，本質上都是根據用戶對商品的交互行為，混合用戶/商品的基本屬性，計算用戶喜歡某商品的概率值，進而推斷是否會點擊。

這個模型構建過程中存在一個基本的假設：用戶喜歡就大概率會點擊；且不管這個假設是否一定成立，單看前半部分，模型預測出了用戶是否喜歡某一商品，這一部分就足夠我們應用了。

模型構建過程中，我們以活動數據為切入點，獲取了用戶的基本屬性、活動的基本屬性以及用戶對活動的行為交互數據；融合這三種數據，將其喂入到DeepFM模型中，計算得到用戶對活動的喜好程度——即興趣度。

這中間存在一個很有意思的點，就是特征庫簡化了特征工程的難度。

正常邏輯下，算法工程師需要進行詳細的特征篩選，羅列現有的特征，通過相關性或熵值等計算方式，判斷哪些特征與目標值有相關性，進而篩選出強相關特征以及相關性權重。

這一過程往往消耗很長的時間，但特征庫的出現簡化了這一工作，特征庫的工作原理我會在后面的文章中具體描述。

在這里，我們簡單理解為將y值和x的關鍵經驗值（有些設計會省略掉x關鍵值只輸入y值，取決于特征庫的設計完整度）放入到特征庫中，特征庫會返回給你與y值和x經驗值強相關的其他特征以及對應的相關性權重，如下：

工程師只需要對這些特征進行簡單的缺失值、離散化等業務相關處理，就可以直接將其喂入到模型中了。

有沒有感覺很有意思？

科技的力量會逐漸替代掉人工，就像汽車替代馬車、機器替代勞力一樣。

聊回正題，DeepFM模型我在推薦算法的系列中做了描述。

本文由于是探討算法在產品設計中的應用，算法方面，簡單的貼出模型的樣式，有興趣的同學可以深入探索：

整個運算過程即為：

經過上面的探討，我們得到了用戶對某一活動的興趣度對照表：

我們接下來的工作，就是用這三張表設計對應的應用場景了。

二、策略運營沙盤

運營過程中，活動設計往往會遇到一類問題，即：“知識的魔咒”，自身豐富的經驗，使活動設計人員認為活動本該如此設計以及某一階段的客群就應該喜歡什么，逐漸忽略掉新方案的探索和客戶真實的喜好。

這一“魔咒”能否打破呢？

我們今天嘗試從用戶興趣度角度給出一個新的方法。

很多活動的設計思路來自于以往的經驗和別家公司的經驗，這其實是我們不斷學習的主要方法，即——從歷史中吸取經驗和從其他人身上獲得啟發；這本身沒有問題，模型構建本身也是沿用了這一思路——即從過去n年的活動數據中總結推斷出現在我們的客戶喜歡什么，然后給他設計什么樣的活動；問題在于人是無法從整個數據集角度來判斷用戶喜好，設計活動方案的，一方面是因為計算量太大，另一方面是因為過于繁雜的數據很難抽離出有效的信息。

于是，有了興趣模型～

興趣模型的價值就在于能夠借用自身強大的計算能力，遍歷公司n年有效數據，用存量客戶以往的行為判斷當下的喜好；而新客也可以根據與存量客戶的相似度，近似判斷當下的喜好，變相解決了上文中提到的人的局限性。

但是興趣模型自身的局限性在哪里？

很簡單，局限性就在于模型不能讀新聞，什么意思呢？

即模型無法從其他人的身上獲取到啟發，缺乏想象力，除非你將其他人的經驗數據喂入到模型中；而這一點，往往是做不到的，因為其他公司不可能提供給你你想要的數據；所以，單純對興趣模型的依賴，往往是不成功的，因為他在對陌生事物的探索和啟發能力遠不及人類。

于是，有了人機結合～

人機結合主要是指人在構思方案過程中，借鑒興趣模型對歷史數據的挖掘能力，融合自身的奇思妙想和借鑒啟發，形成一個較為完整的方案思路。

策略運營沙盤應運而生～

這一沙盤主要有三個能力：

1. 現有活動和客群是否匹配？

如果正在運行的活動是來自于自身的奇思妙想，或者來自于過去的經驗，在當下的公司客群中是否合適呢？

我們可以拆解活動，確定有辨識度的活動類型特征，并將其喂入到上面的興趣表中，圈定一批活躍客群；然后拿這批客群與活動原本確定的客群進行比較，取交集查看客群興趣度分布；進而確定活動設計是否符合當下客群。

2. 面對新的客群，哪些活動類型匹配度高？

這個問題就有一些推薦的影子了，我們根據新的客群，在興趣表中圈定對應的活動特性；并根據各個活動特性的興趣度排序，查看各個活動特性的興趣度分布情況，興趣度普遍偏高的活動特性即為滿足客群的活動特性，我們就可以圍繞這個活動特性發揮想象力了。

3. 面對新的優惠券，該面對哪些客群設計活動？

興趣模型中評估興趣度的一個主要活動特性即為優惠券，當產生新的優惠券的時候，我們可以在興趣表中的活動類型列表篩選出與現有優惠券相似的優惠券客群；并根據興趣值進行排序，把興趣度大于某一閾值的客群篩選出來，作為目標客群，設計新的活動。

如果篩選出來的客群數量不夠，可以將這部分客群作為種子客群，采用人群擴散的方式，擴大客群的數量。

講到這里，策略運營沙盤的三個應用方向就清晰了，歡迎有興趣的小伙伴來聊～

三、促活/召回引擎

前面講完了活動設計過程，接下來我們聊一下促活/召回的問題。

促活/召回的問題本質上是刺激異?？蛻糇兓膯栴}，主要分兩個步驟：

1. 確定哪些客戶是異?？蛻?/h3>

作為運營人員，我們需要關注的異常主要有：活躍不轉化的客戶、不活躍的客戶、待流失客戶；這三種類型的客戶是相對比較理論的認知，在結合具體的業務場景時，往往會有更細致的劃分，比如：頻繁首頁瀏覽沒有深入訪問的客戶、只做查詢動作不做具體交易的客戶、頻繁使用一個功能不涉及其他功能的客戶等等；這些異常的行為通常反應出客戶的心理矛盾。

在一個完整的生命周期中，一個正常的客戶訪問往往是：從初步的訪問到深入的瀏覽、從只做查詢到完成具體的交易、從完成單一交易到完成多種類型的交易、從低頻訪問到高頻訪問等等。

隨著客戶對APP的逐漸熟悉，對APP的使用也會逐漸深入，反之就會存在異常，這一異常就是值得我們反復探索的地方。

在這篇文章中，我們姑且以：活躍不轉化的客戶、不活躍的客戶、待流失客戶三類為例，探索興趣模型在其中的應用。

2. 確定異?？蛻粝矚g什么樣的優惠券

上文我們提到過，有區分度的活動類型最主要的是優惠券，這也符合我們的認知；因此，可以從興趣表中抽離出用戶對優惠券的興趣度，進而應用到這里。

確定異?？蛻?，同時又明確了這些客戶喜歡什么樣的優惠券，接下來需要做什么呢？

我想已經很清楚了吧？

向這些客戶發送他們喜歡的優惠券，以圖最大化激活這些客戶，達到促進異?？蛻糇兓哪康?。

在工程方面，我們可以以一個流程圖的形式呈現出來：

從上面的信息流我們基本上可以看到這個促活/召回引擎的使用邏輯，即：

1. 確定異?？蛻艉透信d趣的優惠券，并配置到標簽庫中；
2. 將標簽庫對接到事件中心，按照一定的規則觸發消推平臺；
3. 消推平臺獲取到異?？蛻艉蛯獌灮萑?，進行個性化發送；

這一思路有兩個地方可以作為亮點：

• 興趣模型會根據用戶興趣的變化，定時調整感興趣的優惠券，這樣可以保證同一個客戶在不同的時間接收到不同的優惠券類型，不讓客戶因為千篇一律的優惠券而反感。
• 事件中心實時發送優惠券，既保證了實時性，同時，規則配置可以增加消推平臺發送優惠券的靈活性（上午發送或者下午發送對不同的客戶有不同的影響），在時間維度上滿足客戶。

好了，文章寫到這里就告一段落了，對于興趣模型，或許大家還會有更好的應用思路，歡迎大家來撩～

作者：livandata；個人公眾號：livandata，歡迎大家關注溝通~

本文由 @野水晶體 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。