亚洲男人的天堂在线播放,国产在线一区在线视频,欧美人与动性xxxxx交性

搜索

APP

起點課堂會員權益

職業(yè)體系課特權

線下行業(yè)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(yè)技能直播

會員專屬社群

榮耀標識

發(fā)布

注冊 | 登錄

AI產(chǎn)品經(jīng)理入門實例講解-以精準推薦模型為例到就職AI產(chǎn)品（上篇）

連詩路AI產(chǎn)品

2018-11-27

1 評論 10874 瀏覽 66 收藏

16 分鐘

本篇文章介紹了幾種精準推薦算法模型，并將算法按照機器學習風格進行劃分。

背景說明：

本文全篇命名為 AI產(chǎn)品經(jīng)理從懂精準推薦模型到產(chǎn)品創(chuàng)新，共計分上篇和下篇。

通篇以精準推薦這一產(chǎn)品經(jīng)理經(jīng)常面臨的需求為例，來講解AI產(chǎn)品經(jīng)理入門需要懂得的算法模型知識點，并提出AI產(chǎn)品經(jīng)理入門的標準和AI企業(yè)類型。

通過劃分門類后建議AI產(chǎn)品經(jīng)理針對性的補充自己的算法或者數(shù)據(jù)方面的知識。

在機器學習大數(shù)據(jù)日新月異的時代里，從拉新運營到網(wǎng)紅短視頻運營，從SEM再到精準推薦，精準推薦開啟了產(chǎn)品運營的智領革新，智在運營的新征程。

文章以產(chǎn)品經(jīng)理應該懂哪些精準推薦算法模型為主線，順道在上篇中先將算法按照機器學習風格進行劃分；下篇按照功能相似性進行劃分，從產(chǎn)品經(jīng)理必懂的精準推薦算法模型展開，實證傳統(tǒng)算法模型對產(chǎn)品精準推薦的功用和缺陷，然后總結(jié)出一套AI-UTAUT模型，即整合AI技術精準推薦模型供讀者落地具體產(chǎn)品實戰(zhàn)參考。

即本篇希望以精準推薦模型為案例通過全面的撰寫將AI產(chǎn)品經(jīng)理需要懂的算法和模型進行了系統(tǒng)的入門講解。

另外筆者在撰文之前先說明：一個產(chǎn)品經(jīng)理經(jīng)常疑惑的概念：算法和模型的關系，產(chǎn)品經(jīng)理懂得解決問題時將問題抽象為模型，對模型求解用算法，沒有誰大誰小，算法和模型沒有絕對的分界線。

首先我們看用于精準推薦的算法模型有哪些，這些模型算法各有優(yōu)缺點，然后筆者根據(jù)實戰(zhàn)下來，創(chuàng)造性的總結(jié)了一套AI-UTAUT模型。

一、精準推薦算法模型

精準推薦中的常用模型有：交叉銷售模型、關聯(lián)推薦匹配模型、互聯(lián)網(wǎng)信用模型、電商動態(tài)定價模型、信息聚合分類模型等等。

文中盡量不采用高等數(shù)學公式，盡量用直白的產(chǎn)品經(jīng)理聽得懂的語言進行講述，因為公式可以在產(chǎn)品具體業(yè)務落地的過程中根據(jù)所需要公式有選擇的進行針對的學習。

1. 交叉銷售模型

利用關聯(lián)規(guī)則發(fā)現(xiàn)兩個產(chǎn)品間潛在的相關性，進而進行捆綁與推薦；關聯(lián)規(guī)則可用Apriori等算法實現(xiàn)，交叉銷售通過研究客戶的產(chǎn)品使用情況，消費行為特點，發(fā)現(xiàn)老客戶的潛在需求，一方面通過產(chǎn)品之間的關聯(lián)，尋找實現(xiàn)產(chǎn)品捆綁銷售的機會，另一方面為新產(chǎn)品尋找已有用戶中的精準目標群體。

建立模型的具體步驟為：

（1）以個體用戶為單元，收集其訂購業(yè)務種類，計算其訂購比例；

（2）提取訂購比例較高的幾類業(yè)務，計算不同業(yè)務兩兩間的相關性，分組、篩選與分類；

（3）針對相關性和替代性高的業(yè)務組合進行交叉銷售，如綁定銷售精確推薦。

Apriori 算法：

Apriori 算法被用來在交易數(shù)據(jù)庫中進行挖掘頻繁的子集，然后生成關聯(lián)規(guī)則。常用于市場籃子分析，分析數(shù)據(jù)庫中最常同時出現(xiàn)的交易。通常，如果一個顧客購買了商品 X 之后又購買了商品 Y，那么這個關聯(lián)規(guī)則就可以寫為：X -> Y。

例如：如果一位顧客購買了牛奶和甜糖，那他很有可能還會購買咖啡粉。這個可以寫成這樣的關聯(lián)規(guī)則： {牛奶，甜糖} -> 咖啡粉。關聯(lián)規(guī)則是交叉了支持度（support）和置信度（confidence）的閾值之后產(chǎn)生的。

支持度的程度幫助修改在頻繁的項目集中用來作為候選項目集的數(shù)量。這種支持度的衡量是由 Apriori 原則來指導的。

Apriori 原則說明：如果一個項目集是頻繁的，那么它的所有子集都是頻繁的。

2. 關聯(lián)推薦匹配模型

關聯(lián)推薦匹配模型著眼于用戶數(shù)據(jù)的基礎屬性、媒體屬性等，實現(xiàn)產(chǎn)品精準定位，在廣告的定向投放上效果顯著。

建立該模型需要采集的用戶數(shù)據(jù)有基礎屬性數(shù)據(jù)如性別、年齡、收入、學歷；環(huán)境屬性數(shù)據(jù)如手機上網(wǎng)時間、城市、地點、系統(tǒng)平臺、語言環(huán)境；媒體屬性數(shù)據(jù)如瀏覽的媒體、瀏覽的內(nèi)容、興趣關注點、當前的需求；消費屬性數(shù)據(jù)如關注品牌、關注產(chǎn)品、消費水平、消費心態(tài)等。

AI技術使得社交網(wǎng)絡數(shù)據(jù)深度挖掘成為可能，運用計算機智能，通過社交網(wǎng)絡API獲取用戶授權數(shù)據(jù)，進而對用戶數(shù)據(jù)進行學習和解析，再通過數(shù)據(jù)挖掘進行建模與推薦（數(shù)據(jù)量更大）；完全的個性化分析可以提供最有價值的產(chǎn)品，例如 APPhero, 經(jīng)由社交網(wǎng)絡數(shù)據(jù)深挖掘，使用 FACEBOOK 的數(shù)據(jù)，讓這些數(shù)據(jù)成為推薦的基準。

AppHero 會對用戶異常熟悉，它會將用戶在 Facebook 上做過的事，包括評論和評論中的嵌套、喜歡的頁面、用戶分享的東西、個人檔案的數(shù)據(jù)、興趣、所在地等等通通收進算法模型。

關聯(lián)推薦模型圖示如下：

關聯(lián)推薦模型中，關聯(lián)規(guī)則學習方法提取規(guī)則，此模型可以完美的解釋數(shù)據(jù)中變量之間的關系。這些規(guī)則可以在大型多維數(shù)據(jù)集中被發(fā)現(xiàn)是非常重要的。最流行的關聯(lián)規(guī)則學習算法是：Apriori算法；上文已經(jīng)介紹過Apriori算法。

3. 互聯(lián)網(wǎng)信用模型

傳統(tǒng)通用模型存在環(huán)境因素難確定,屬性單一等缺點，而賣家間的差異巨大；基于APRIORI算法建立互聯(lián)網(wǎng)信用模型，更準確，并可預測信用趨勢,數(shù)據(jù)變換（文字評價轉(zhuǎn)變?yōu)閿?shù)字）.

ARRIORI算法挖掘關聯(lián)生成關聯(lián)規(guī)則，得出：信用值與好評率、行業(yè)、性別、違規(guī)操作數(shù)、婚否、地區(qū)、賣家級別、收入、逾期壞賬次數(shù)相關，按照筆者LineLian曾經(jīng)服務過的阿里淘寶網(wǎng)的交易模式來看，信用模型同樣可以用于買家，實現(xiàn)買賣雙方的公平對等；電信行業(yè)也可以參考信用卡模式度，對用戶進行信用監(jiān)管，移動的客戶中，曾經(jīng)有月貢獻1000元左右的全球通高端客戶因為欠費0.7元而被停機，導致其離網(wǎng)的先例，以信用卡模式建立的基于AI技術的電信行業(yè)用戶信用管理，仿照信用卡模式對客戶授予一定的話費透支額度，與用戶信用度相關聯(lián)；同時也可以對透支部分的消費加收額外費用擴大電信服務產(chǎn)品的差異化定價。

4. 電商動態(tài)定價模型

傳統(tǒng)動態(tài)定價方法以拍賣為主，很難收集客戶信息；基于AI技術中機器學習算法的電商動態(tài)定價模型則可以充分收集交易數(shù)據(jù)，并能通過機器學習中無監(jiān)督的自學習對價格進行調(diào)整。

電子商務通用信用模型的缺點主要有：賣家很難搜集全面的客戶競爭對手信息，不能對其進行深度挖掘；不能依據(jù)客戶特征進行差別化定價，也做不到對不同的商品做出及時適當?shù)募觾r幅度的調(diào)整；當需求量具有隨機性和價格敏感性時，動態(tài)定價就成為使利潤最大化的有效方法。

機器學習算法簡介：

有兩種方法可以對產(chǎn)品經(jīng)理現(xiàn)在遇到的所有機器學習算法進行分類：

第一種算法分組是學習風格的。
第二種算法分組是通過形式或功能相似。通常，這兩種方法都能概括全部的算法。

通過學習風格分組的機器學習算法，機器學習算法中有三種不同學習方式：

第一叫監(jiān)督學習：

基本上，在監(jiān)督機器學習中，輸入數(shù)據(jù)被稱為訓練數(shù)據(jù)，并且具有已知的標簽或結(jié)果，例如垃圾郵件/非垃圾郵件或股票價格。在此，通過訓練過程中準備模型。此外，還需要做出預測。并且在這些預測錯誤時予以糾正。訓練過程一直持續(xù)到模型達到所需水平。

示例問題：分類和回歸。

示例算法：邏輯回歸和反向傳播神經(jīng)網(wǎng)絡。

第二叫無監(jiān)督學習：

在無監(jiān)督機器學習中，輸入數(shù)據(jù)未標記且沒有已知結(jié)果。我們必須通過推導輸入數(shù)據(jù)中存在的結(jié)構來準備模型。這可能是提取一般規(guī)則，但是我們可以通過數(shù)學過程來減少冗余。

示例問題：聚類，降維和關聯(lián)規(guī)則學習。

示例算法：Apriori算法和k-Means。

第三叫半監(jiān)督學習：

輸入數(shù)據(jù)是標記和未標記示例的混合。存在期望的預測問題，但該模型必須學習組織數(shù)據(jù)以及進行預測的結(jié)構。

示例問題：分類和回歸。

示例算法：其他靈活方法的擴展。

其他根據(jù)功能相似性講算法進行劃分的方法將在下一篇文章中進行講述，本文綜合從學習風格上進行劃分，并主要講跟精準推薦相關的算法模型。

電商動態(tài)定價模型舉例：攜程大數(shù)據(jù)殺熟背后的算法模型！大數(shù)據(jù)殺熟，即同一件商品或者同一項服務，互聯(lián)網(wǎng)廠商顯示給老用戶的價格要高于新用戶。大數(shù)據(jù)能殺熟的基礎是海量用戶數(shù)據(jù)。如上文所述企業(yè)一般會在后臺抓取用戶的消費記錄，通過用戶行為判斷其偏好和消費意愿強烈程度。如果企業(yè)發(fā)現(xiàn)你是一個對價格不敏感的用戶，就會調(diào)高價格，減少優(yōu)惠比例。

首先，通過你的基礎屬性數(shù)據(jù)判斷你所在的用戶群體、人群特征（如消費能力），通過你的行為數(shù)據(jù)判斷你的偏好和消費意愿強烈程度。綜合分析后，判斷出你是誰，你現(xiàn)在要做什么，愿意付出多少代價去做。最后，企業(yè)根據(jù)精準的用戶畫像，去對消費能力高、消費意愿強烈的用戶展示更多的價格、賺取更多的利潤。

本文支招閱讀了此文的讀者防殺熟的方法：

第一，可以進行一些伴隨搜索，故意混淆AI；
第二、必要時關掉App數(shù)據(jù)許可；
第三、關掉定位許可；
第四、關閉Wi-Fi自動連接等；
第五、重新注冊一個新賬號登錄，平臺方往往會為了留住新用戶而給新用戶薅羊毛的機遇。

5. 信息聚合分類模型

信息雜志化是近年來的發(fā)展趨勢，雜志化閱讀一方面將社交網(wǎng)站集成一體，個性化定制界面使信息獲取更方便；但雜志化閱讀應用諸如 Flipboard 并不具備個體社交網(wǎng)絡軟件的很多功能，因此其必須要主打方便和效率；但目前為止其模式知識簡單的“搬運”。

但雜志化并不意味著信息大雜燴，對信息進行聚合分類可以大大提升閱讀效率，大數(shù)據(jù)與Flipboard模式的結(jié)合可以很好地解決這一問題，通過社交網(wǎng)站數(shù)據(jù)的采集并進行特征歸類，自動將每一條信息劃歸最合適的分類區(qū)，大大提高了閱讀效率，該模型還可以定期對數(shù)據(jù)進行自學習與更新，產(chǎn)生新的分類建議。

大量數(shù)據(jù)不僅可以通過AI技術建立模型供企業(yè)/賣家進行內(nèi)部分析，也可以通過合法交易供其他企業(yè)/賣家使用，數(shù)據(jù)提供者不僅可以從中獲益，數(shù)據(jù)本身也能創(chuàng)造更多價值，在電視廣告領域，總部設在紐約的Nielsen 已經(jīng)連續(xù)十多年為廣告主以及電視臺提供了相關數(shù)據(jù)。

下圖為頭條通過AI技術提取內(nèi)容特征自動將每一條信息劃歸最合適的分類區(qū)然后精準推薦給對此特征感性趣的讀者的例子：

小結(jié)：

毋庸置疑，AI技術結(jié)合大數(shù)據(jù)將徹底改變產(chǎn)品運營的脈絡，重塑我們產(chǎn)品經(jīng)理對于拉新，留存和精準推薦的認知。與其試圖一次性解決所有AI產(chǎn)品經(jīng)理的問題，不如從小型可試點算法模型開始；使用上文中可以借鑒的模型實現(xiàn)自己產(chǎn)品精準到達用戶來促進成功。

這一篇為《AI產(chǎn)品經(jīng)理入門實例講解-以精準推薦模型為例到就職AI產(chǎn)品》中的（上篇）下篇將講AI產(chǎn)品經(jīng)理精準推薦創(chuàng)新模型AI-UTAUT模型。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab