淺談個性化推薦(偏電商平臺)
(一)什么是個性化推薦?
1.1個性化推薦的定義
個性化推薦是根據用戶的特征和偏好,通過采集、分析和定義其在端上的歷史行為,了解用戶是什么樣的人,行為偏好是什么,分享了什么,產生了那些互動反饋等等,最終理解和得出符合平臺規則的用戶特征和偏好。從而向用戶推薦感興趣的信息和商品。
1.2個性化推薦的5個要素?
個性化涉及的五個要素:
- 生產者
- 內容
- 消費平臺
- 消費者
- 反饋
生產者生產內容到消費平臺,消費平臺通過一定的規則將內容組織起來,消費者從消費平臺使用該內容時的行為,會形成反饋。
- 消費者:即進入平臺尋找內容的訪問用戶。
- 消費平臺:提供內容供消費者訪問的平臺。如網站、APP等。
- 內容:由生產者生產,無內容不存在吸引用戶去平臺訪問。個性化是以內容為根本基礎,此為本質。
- 生產者:可以是用戶擔當(UGC);?亦可是由專業人士無償生產(PGC),若是有償生產則稱為OGC。以UGC為代表的。如各大論壇、博客和微博站點,其內容均由用戶自行創作,管理人員只是協調和維護秩序;以OGC為代表的。如各大新聞站點、視頻網站,其內容均有內部自行創造和從外部花錢購入版權;而PGC則在上述兩種類型的網站中都有身影,由于其既能共享高質量的內容,同時網站提供商又無需為此給付報酬,所以OGC站點和UGC站點都很歡迎PGC。
- 反饋:消費者在消費平臺中,對內容的互動行為。如網易新聞app,在推薦欄中生產或匯集新聞資訊,并將其展示在客戶端里。用戶點擊某條新聞,閱讀詳細內容時便形成了一則反饋。隨后其點擊某個頂部導航tag、添加或刪除某個頻道,收藏、離線或分享某一篇文章,重復點擊某一篇文章等行為都可以看成是反饋。網易可以根據這些信息通過技術方法,一段時間之后便可以建立起該用戶常規興趣模型及近期興趣模型。然后應用該模型進行試錯,根據行為方差再進行調整,促使該模型不斷上升,力求越來越接近用戶的真實偏好。
1.3什么平臺適合用個性化推薦的?
對于個性化推薦,內容是最根本的東西,巧婦難為無米之炊。在內容都不多的情況下,一定要清楚自己的產品所在的階段是否具備個性化推薦系統的應用場景。
像愛奇藝、優酷、樂視等視頻類app需要更齊全更優質的視頻節目;
像網易新聞客戶端、百度新聞客戶端,需要新聞內容豐富和接地氣、并且要及時性與公信力;
像酷狗音樂、QQ音樂、網易云音樂等音樂類app來說,固家之本還應該是音樂及MV的質量及數量。
像喜馬拉雅電臺、蜻蜓FM、考拉FM等電臺類app需要更多高質量的PGC內容,以及質量管控的UGC;
像淘寶、京東、唯品會等電商平臺,需要更多的商品種類、品牌、購買方式,以及對其質量、價格等的把控;
1.4與其他非個性化推薦的對比?
根據上述個性化推薦的基本信息,反向對比其他非個性化推薦的方式。我所理解的非個性化推薦主要有2種方式。用戶訂閱搜索、全局熱度排名模式。
1.主動訂閱和搜索:
屬于主觀行為。用戶需要去主觀判斷和選擇,行為相對比較“重”,導致體驗不好。(成本高,即系需要花費精力去搜索、篩選排除,才能得到真正感興趣的內容,并且不會動態根據用戶的興趣變化而變化);
2.熱門排名模式:
如比較單一的維度加上半衰期去看全局排名。比如,30天內點擊排名,一周熱門排名。雖然這也是符合熱點屬于新鮮,用戶或許感興趣。若只靠這種方式有個弊端,就是馬太效應,點的人越多的,經過推薦點得人有更多。強者越強,弱者機會越少就越弱,可能導致兩級分化嚴重,一些比較優質素材就被埋沒了。
(二)個性化推薦的作用(電商平臺)
對于一個電商平臺,個性化推薦的作用應是相對而言,應分為用戶側、電商側兩方面去論述:
2.1用戶側
1.節省用戶成本,提升用戶體驗
隨著電子商務規模的不斷擴大,商品個數和種類快速增長,用戶需要花費大量的時間、精力才能找到自己想買的商品。尤其移動端互聯網是當下趨勢,可用戶在移動端顯得很沒有“耐心”,體驗會更不好。因此,給用戶推薦個性化的內容,在短時間內抓住用戶的”心“,能夠幫助用戶節省成本,讓用戶體驗更爽。
2.2電商側
1.促使瀏覽者轉購買者
在電商網平臺的訪問用戶,或許在瀏覽過程中并沒有購買欲望,僅僅是為了無聊打發時間或者其他原因。而當個性化推薦能夠向用戶推薦他們感興趣的商品,從而促成購買過程,達到盈利。
2.提高商品交叉銷售能力
個性化推薦能夠在用戶購買過程中,向用戶提供其他有價值或關聯的商品推薦。用戶能夠從系統提供的推薦列表中,購買自己確實需要但在購買過程中沒有想到的商品,從而有效提高電子商務系統的交叉銷售。如買手機可推薦其關聯商品:移動電源、耳機、手機殼等。
3.提高用戶的忠誠度
個性化推薦系統分析用戶的行為屬性,根據用戶需求向用戶提供有價值的商品推薦。如果推薦系統的推薦質量很高,那么用戶會對該推薦系統產生依賴。因此,個性化推薦系統不僅能夠為用戶提供個性化的推薦服務,而且能與用戶建立長期穩定的關系,從而有效保留客戶,提高客戶的忠誠度,防止客戶流失。
(三)個性化推薦的方式(電商平臺)
對于不同的平臺,個性化推薦的實現方式和側重思考點會有所不同。針對電商平臺方面,從初級到高級,在電子商務中有4種個性化方式。
3.1普通的賬戶數據
把用戶簡單地按照位置(地理位置或IP地址),性別,或者婚姻狀況來分組。通過這種方式,你可以有效地提高用戶對相關廣告或促銷的響應。很容易就可以做到給女性用戶發一則關于胸罩的促銷郵件而不發給男性用戶,但這樣就可以有效地增加與顧客之間的互動。
3.2同類商品的關聯
電商行業也常常會使用到基于關聯規則的推薦。即以關聯規則為基礎,把已購商品作為規則頭,規則體為推薦對象。比如,你購買了羽毛球拍,那我相應的會向你推薦羽毛球周邊用品。關聯規則挖掘可以發現不同商品在銷售過程中的相關性,提供相關商品的快速鏈接可以刺激其他產品的銷售,也可以給購物經驗豐富的用戶提供更好的體驗。
3.3近因、頻率和貨幣價值
這3個點的分析簡稱為RFM,是一種可以更詳細地了解用戶數據的方式。通過這種方式,每一個客戶都會擁有一個唯一的RFM值,該值通過如下三個問題來估算:
- 近因(Recency):客戶最近一次購買是如何發生的?
- 頻率(Frequency):客戶多久購買一次?
- 貨幣價值(Monetary?Value):客戶通常消費一次會花多少錢?
基于這種分析,當你想提高轉化率或者使用戶感到開心的時候,你可以決定在何時和發送什么內容給特定的客戶。試想,當用戶的舊牛仔褲已經快報廢的時候,剛好收到一條促銷信息,這是件多么令人興奮的事情??蛻魰δ愕膫€性化推送和及時性留下深刻的印象。
3.4協同過濾
最高級的電子商務個性化采用協同過濾的方式。協同過濾意味著整個電商網站可以實現對每個用戶都是單獨策劃的。
協同過濾可以提示“看過這個商品的人也看過的商品”,“根據瀏覽記錄推薦的商品”,或者“和當前商品相似的有庫存商品”(對于售罄的商品而言)。像這樣的個性化商品推薦可以促進銷售也可以增加客戶與相關的、有價值的產品之間的互動。?他們可以突出不出現在搜索結果首頁的好產品或者最火爆的產品。
這種方法可以推薦一些內容上差異較大但是又是用戶感興趣的物品,很好的支持用戶發現潛在的興趣偏好。也不需要領域知識,并且隨著時間推移性能提高。但是也存在無法向新用戶推薦的問題,系統剛剛開始時推薦質可能較量差。協同過濾成本很高且實現起來相對復雜。
(四)個性化推薦常見的問題與建議(用戶角度)
4.1冷啟動問題
新用戶因為罕有可以利用的行為信息,很難給出精確的推薦。反過來,新商品由于被選擇次數很少,也難以找到合適的辦法推薦給用戶——這就是所謂的冷啟動問題。
問題建議:
利用用戶注冊或者初始進入APP,可以通過性別、年齡分別建立性別-商品相關表、年齡-商品相關表,然后將這兩張相關表的商品列表按照一定權重相加,得到用戶的最終推薦列表;
也還可以再做非個性化推薦補充,如熱門排行榜、熱門喜歡商品等;
4.2推薦內容的屬性
個性化推薦的內容當然需要區分具體屬性,但對于用戶來說無非就是感興趣的,無感的,以及不感興趣的。那么問題來了,如何排定三者的展現比例呢,如何在展現個性化的興趣的同時達到與新事物介入的平衡?
若7:0:0,肯定是不行的,那樣只會將客戶端越做越窄,而且用戶也不希望自己固步自封,閉門造車,他們也渴望接觸一些新鮮的事物,拓展自己的興趣;
若6:1:0怎么樣呢?感覺也不好,性感美女好看,但我不希望每天早上睜開眼你就給我看性感美女,因為這東西看多了也會厭煩。
若3:3:1也不行,一半以上的內容很可能都不是我的興趣所在,那我會覺得圖失望圖憂傷。
那我建議是選擇4:2:1會相對好,能在各個方面都相對平衡一些。
4.3用戶場景挖掘和利用
深入挖掘用戶的場景行為模式,有望提高推薦的效果。譬如說,新用戶和老用戶具有很不一樣的選擇模式:一般而言,新用戶傾向于選擇熱門的商品,而老用戶對于小眾商品關注更多,新用戶所選擇的商品相似度更高,老用戶所選擇的商品多樣性較高。如一些場景的建議,此處列舉2種常見:
1.基于用戶隨時間變化的活躍性推薦
如在進行手機個性化閱讀推薦的時候,如果曾經的數據顯示某個用戶只在7點基于用戶隨時間變化的活躍性推薦。到8點之間有一個小時左右的手機閱讀行為(可能是上班時在地鐵或者公交車上),那么9點鐘發送一個電子書閱讀的短信廣告就是很不明智的選擇。從含時數據中還可以分析出影響用戶選擇的長期和短期的興趣,通過將這兩種效應分離出來,可以明顯提高推薦的精確度。
2.基于位置信息的推薦
如預測用戶的移動軌跡和判斷用戶在當前位置是否有可能進行餐飲購物活動等,同時還要有定量的辦法去定義用戶之間以及地點之間的相似性。如團購app向用戶推薦近處的餐飲購物等等場所;但是,有時候在用戶經常出沒的地點,譬? 如工作地點、學校、住家等等進行推薦的效果往往是比較差的,因為用戶對于這些地點比系統還熟悉,而且很難想象用戶在上下班的路上會有特別地情致購物或者進餐。實際上可以預測的時空信息往往是商業價值比較低的,而用戶在吃飯時間去了一個平常不太去的地方,往往有更大的可能是和朋友聚會就餐。這就要求系統更加智能,能夠對用戶當前行為所蘊含的信息量進行估計(要同時考慮時間和空間),并且在信息量充分大的時候進行推薦。
4.4?用戶朋友、社會推薦
用戶更喜歡來自朋友的推薦而不是被系統“算出來的推薦”。最近有證據顯示,朋友推薦也是淘寶商品銷售一個非常重要的驅動力量。來自朋友的社會推薦有兩方面的效果:一是增加銷售(含下載、閱讀……),二是在銷售后提高用戶的評價。當然,在社會推薦方向存在的挑戰主要可以分為三類:一是如何利用社會關系提高推薦的精確度,二是如何建立更好的機制以促進社會推薦,三是如何將社會信任關系引入到推薦系統中。社會推薦的效果可能來自于類似口碑傳播的社會影響力,也可能是因為朋友之間本來就具有相似的興趣或者興趣相投更易成為朋友,對這些不同的潛在因素進行量化區別,也屬學術研究的熱點之一。
(五)總?結
能夠基于用戶數據提供個性化推薦,這是互聯網產品可以提供的一項特色功能。用戶也對這樣的方式很感興趣,即便不夠準確,用戶需求依舊存在。那么產品在設置個性化推薦功能時,除了要不斷完善推薦算法的精準度外,也要注意一些討巧的方式,既防止讓不準確的推薦嚇跑用戶,又不至于讓用戶面對海量內容時不知所措:
多樣性和和精確性的平衡。推薦的內容,不能只包含精確算出的內容,應要考慮多樣性,一些特別的需求非常強調多樣性和新穎性,譬如類似于“唯品會”這樣的限時搶購模式或者最近非常流行的團購模式;
個性化推薦可以結合朋友、社會關系的推薦。用戶知道大多數人的選擇是什么,也是一個不錯的推薦方式。當一個產品已經有了數據積累時,不妨把產品獲得的數據反饋給用戶,有的時候,群眾的眼光可能真是雪亮的;
考慮推送的場景和時機。分析用戶的互動行為,在不同的場景推送對應所需要的內容,這會讓用戶感覺更貼心;
本文由 @鴨蛋番薯 原創發布于人人都是產品經理?,未經許可,禁止轉載。
不懂就問~請問推薦內容的屬性為什么7:0:0、4:3:1都是按總和7去計算比例呢
這篇文章,估計定位“掃盲型”較妥當~ ??
??