起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識智能推薦七大玩法場景化解讀和評估體系
編輯導讀：時至今日，推薦系統已然成為一門顯學，智能推薦成了互聯網產品的標配。那么在互聯網產品運營場景中，如何巧用智能推薦賦能業務增長？又該如何評估推薦系統的優劣？本文作者對此進行了分析，希望對你幫助。
一、智能推薦七大玩法場景化解讀
玩法一：熱門事件，讓“吃瓜群眾”看過來！
當用戶打開 App，面對海量內容和商品無從選擇，這時如果有最熱推薦或爆款商品等版塊，就極有可能快速吸引他的注意力。
這種熱門推薦場景一般由系統定時更新數據并主動推薦到用戶面前，用戶打開界面就能接觸到討論度最高的內容，一方面滿足了用戶的從眾心理，不會錯過一手瓜，另一方面也能激發用戶興趣，讓用戶不會出現選擇困難。
典型場景——微博熱搜榜、抖音熱榜
玩法二：相關推薦，讓用戶“意猶未盡”
信息爆炸時代，羅列所有信息等同于給用戶添麻煩，這樣不僅使用戶無從下手，而且導致信息利用率低下，相關推薦正是為了解決此類問題而生。
所謂相關推薦，是根據計算內容或商品的相似度，進行一些相似內容或商品的推薦，以滿足用戶延伸閱讀或者延伸購買的需求。比如用戶瀏覽一個手機后，下面推薦了“相關手機”，閱讀一篇文章后，下面推薦了“相關文章”，推薦內容和用戶關注的內容相關，可以有效幫助用戶篩選信息，過濾掉相關度低或完全不相關的信息，發揮用戶時間的最大效用，提升閱讀和購買的幸福度。
典型場景：微信讀書“繼續閱讀”相關推薦
玩法三：想用戶之所想，Feed 流讓用戶持續“消費”
伴隨內容爆發和用戶時間的擠壓，傳統的內容信息流已經呈現出了很大的弊端，無法再滿足用戶高效獲取特定內容的需求，如何讓用戶進入 App 后可以持續消費內容？Feed 流成為最優解。
目前 Feed 流的主流排序方式不再嚴格按照時間線，而是廣泛使用智能 Feed 排序。智能排序基于趨勢、熱門、用戶生產、編輯推薦、相似性等因素綜合考慮。新的 Feed 流不再需要用戶主動訂閱或者搜索，只要根據其瀏覽時長、點贊分享等動作，或者建立用戶畫像，就可以主動推薦用戶感興趣的內容。在內容很多很雜，且與用戶關聯不強的情況下，Feed 流無疑是一個很好的篩選器。它對用戶了如指掌，能夠源源不斷地提供用戶想了解的，可以有效地提升使用時長。
典型場景：知乎 Feed 流
玩法四：激發并推薦 UGC，度過“冷啟動期”
去中心化的時代，平臺之間的競爭已經演變成生態系統的競爭，內容型平臺更是如此。維護第三方生態的繁榮成了很多平臺公司的剛需，這就需要將第三方創作者新生產的內容盡可能的推薦出去，才能保障平臺的多樣性，激發平臺上第三方創作者的積極性，提升平臺生態的活力。同時通過這種冷啟動推薦方式可以讓新內容快速找到最可能的受眾，也可以快速知道哪些新內容是大受用戶歡迎的，有助于提升平臺自身的營收。
具體怎么實現呢？以視頻為例，100 個作者新發的視頻往往只有 10 個是優質視頻并預期能得到平均水準以上的消費，那么通過模型預估視頻的價值，并為可能成為熱門的視頻增加推薦權重就能讓爆款盡快的出來，另外 90 個也要合理的推薦，在盡量不影響大盤核心指標的情況下，提高創作者的積極性，只有創作者們愿意花時間創造更多的內容，才能讓產品內容生態更加豐富。
玩法五：因人而異，“黃金時間”有效留住新用戶
眾所周知，現在獲取新用戶的成本和難度都在增大，因此一旦獲取新用戶，他們的留存就變得非常關鍵，因為如果新用戶來到平臺發現對推薦的內容不感興趣，那么很有可能快速卸載流失。相反，如果新用戶冷啟動推薦的好，會讓這部分用戶留下來，最終產品的用戶量就會穩步增長。
那么在新用戶冷啟動時，如何通過智能推薦實現更好的激活留存呢？可以從新用戶的獲取來源、注冊時填寫的年齡、性別、地址等信息、授權設備信息、首次登陸所選標簽、綁定的社交賬號等維度出發，根據這些維度推測用戶偏好進行智能推薦，能夠在黃金時間有效留住新用戶。
比如抖音在平臺上發現年輕的一二線城市的用戶喜歡拍攝“手指舞”，“手指舞”視頻就成為站外獲客的一個素材，通過這個素材點擊帶來的新用戶，打開抖音的第一個視頻內容就是“手指舞”。
比如新用戶通過用戶間的分享點擊來到產品，這個自帶的關系鏈以及分享者的用戶畫像，都是產品進行新用戶承接轉化的策略依據。
知乎新用戶標簽選擇頁面
玩法六：以類聚，以群分，頁面配置千人千面
用戶所處的生命周期階段不同，對應的活動需求和偏好也不同，但現實中，App 的開機圖、首頁、輪播等廣告位內容呈現容易缺少差異化，如果可以根據不同生命周期用戶的需求分類來配置頁面，可以快、準、穩地進行產品運營，實現廣告位資源的價值最大化和用戶驚喜度的提升。
比如在某電商的輪播位素材推薦時，用戶 A 是正在探索產品價值中的新用戶，首次訪問距今 3 天內還未購買過商品，那么可以針對性地推出新人專享 & 節日活動，利用優惠促銷信息刺激其激活轉化；用戶 B 是有望轉化為 VIP 的高潛力用戶，累計購買金額大于 1000，且累計購買次數大于 10 次，針對這類用戶可以采用 VIP 入會等活動。
玩法七：算準消耗周期，適時推薦復購
每個消費者的購物消費都是有周期的，針對購買鏈條中復購環節的周期性特點進行算法推薦，能夠提升平臺流量價值最大化。
比如某奢侈品電商平臺經過分析調研得知，產品的平均復購時間為 2 個月左右，根據這個周期可以給已購用戶做推薦，使在客戶有復購需求時，商品能夠恰到好處的出現或進行優惠券的發放，可以有效促進用戶體驗和 GMV 的雙重提升。再如，針對奶粉品類用戶，通常一罐奶粉吃一個月，那么可以固定在每個月月初投放 1-2 張奶粉品類優惠券并通過推送 Push 等提醒用戶選購奶粉，這樣能有效提升這類用戶的復購率和 GMV。
二、如何評估推薦效果？
管理學大師彼得·德魯克曾經說過“如果你無法度量它，就無法管理它”，這對于一個推薦系統的效果評估同樣適用，要想看一個推薦系統是否有效，就難以繞開評估指標。評估一個推薦系統，包括離線評估和在線評估兩種方式。下面詳細展開介紹。
1. 離線評估
離線評估包括人工評估、AUC、DCG。
人工評估比較好理解，比如我們認為一個用戶很喜歡動畫片，于是進行一些推薦，我們可以直接去觀察所推薦的內容中用戶播放動畫片的比例是否比較大；同時 AUC、DCG 也是常用的模型離線評價指標，但是這些數據指標可能會存在比較大的偏差，所以一般不會拿此指標來直接評估效果，而只是把它作為參照指標。
2. 在線評估
推薦系統的在線評估指標包括：點擊率、點擊人數比、留存率、轉化率等，具體包括：
1）點擊率
點擊率是評估推薦效果比較經典的指標，記錄了用戶每次進入推薦內容的點擊情況，能夠粗略衡量轉化效果。
2）點擊人數比
指點擊的人數除以推薦的曝光人數，這是一個用來衡量推薦系統觸達率的一個重要指標。在評估一個模型效果時，可能點擊率上漲，但點擊人數比并沒有變化，這說明推薦結果只對于部分老用戶產生比較好的效果，對于觸達不到的用戶，仍然沒有成功吸引他們來使用我們的推薦系統，所以點擊人數比與點擊率是對推薦系統在不同方面的評估。
3）人均點擊次數
指每個人在推薦系統里面平均每天點擊了多少次。人均點擊次數是需要大家持續關注的指標，因為這個指標真正體現出用戶在這款產品中的使用深度。
4）留存率和轉化率
留存率和轉化率對于推薦系統來說，可能并不是一個那么直接的指標，比如推薦對留存的影響到底有多大，很大程度上決定于不同的產品形態，但它仍是我們去評估推薦系統的一個指標，至少我們需要知道此次推薦系統的迭代到底對于留存率的影響有多大，如果迭代后的留存率下降，即使點擊率和點擊人數都在上升，可能這一次迭代仍不能上線，因為它影響了留存的指標。
還有一些方面，具體展開如下：
時效性。如果我們在做一個新聞產品的推薦系統，那么給用戶推薦的內容就應該是實時的，而不是上周發生的事情。
多樣性。多樣性其實是容易被忽視的一個指標，因為如果不追求多樣性的話，點擊率的數據會好看一點。
不知道大家有沒有這樣的體驗，如果你對體育內容感興趣，慢慢的你所有的推薦內容都變成了體育相關，似乎很難看到其他內容，推薦的內容越來越窄。短期來說，提升多樣性可能會讓點擊率有一些損失，但是長期來說，多樣性是為了提升整個產品用戶體驗所做的一種優化，這里需要考慮長期和短期的權衡。
穩定性。如果服務器經常掛掉，或者說響應時間總是五秒鐘，這樣的服務基本上是不可用的，我們一定要站在服務的角度去評估我們的推薦系統。 覆蓋率。覆蓋率指能夠推薦出來足夠多的長尾內容，一個 UGC 平臺，需要去鼓勵一些用戶讓他們來生成內容，即使是一些很小的用戶，即使沒有粉絲，也希望他的內容可以有一些曝光，有曝光就會有人去點贊，久而久之會形成一種良性循環。如果平臺總是分發一些大 V 的內容，平臺里小白用戶的使用和體驗就會變得非常糟糕，慢慢的就沒有這些小的內容窗口了，平臺將被大 V 占領，所以覆蓋率也是一個推薦系統需要考慮的指標。
至于具體需要去考慮哪些指標，以及怎么去制定這些指標，要根據不同的產品形態以及產品不同的階段而定。
三、推薦系統如何實現業務閉環？
僅僅了解這些評估指標是不夠的，一套真正能發揮價值，賦能業務增長的推薦系統一定是一個可以快速迭代的閉環系統。那么，推薦系統如何實現業務閉環呢？
首先，數據是一切算法的前提，數據是否能夠采對，直接影響推薦系統的最終效果能否滿足預期。數據質量是推薦系統的基礎，建立一個好的推薦系統，不僅需要數據采集夠準確，還需要數據維度夠全，粒度夠細，時效性夠高，這取決于是否具備全端的數據采集能力，能夠實時同步數據流，以及精細的數據校驗。
接著，當收集到能夠表示用戶偏好的數據后，需要我們開始設計推薦策略，構建算法模型。這個環節不僅要求有很強的算法能力，同時也需要對當前的業務有深入的理解。
最后，在推薦系統上線后，再次收集數據表現，對推薦效果進行多維的驗證分析，了解具體的用戶行為反饋，評估數據指標，再根據具體指標表現進一步調整模型參數、策略設計等，從而提升推薦效果，完成推薦系統迭代，形成閉環。全流程閉環的推薦系統支持支持采集終端（Web、App、H5、小程序、軟件等）的用戶行為、后端服務器日志（Log）、業務數據和第三方等多方數據源，存儲最細粒度數據，利用最新深度學習和語義分析模型構建推薦引擎，推薦結果可利用數據分析模型多維度、多指標的實時效果分析，形成快速反饋，精準迭代特征集和算法模型。
如果想要去評估推薦系統對業務的影響，可以通過數據分析搭建高效數據指標體系，進行多維度、多指標的交叉分析來驗證推薦效果。
同時，考慮到推薦系統要與企業業務相結合才能實現價值最大化，還可以根據不同行業的用戶行為習慣和業務場景特點實現個性化推薦，助力提升核心業務指標。
本文由 @神策-喬一鴨 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
- 目前還沒評論，等你發揮！
