編輯導(dǎo)讀：時至今日，推薦系統(tǒng)已然成為一門顯學(xué)，智能推薦成了互聯(lián)網(wǎng)產(chǎn)品的標(biāo)配。那么在互聯(lián)網(wǎng)產(chǎn)品運營場景中，如何巧用智能推薦賦能業(yè)務(wù)增長？又該如何評估推薦系統(tǒng)的優(yōu)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(dāng)用戶打開 App，面對海量內(nèi)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(tǒng)定時更新數(shù)據(jù)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(nèi)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(fā)用戶興趣，讓用戶不會出現(xiàn)選擇困難。

典型場景——微博熱搜榜、抖音熱榜

玩法二：相關(guān)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(dǎo)致信息利用率低下，相關(guān)推薦正是為了解決此類問題而生。

所謂相關(guān)推薦，是根據(jù)計算內(nèi)容或商品的相似度，進行一些相似內(nèi)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(guān)手機”，閱讀一篇文章后，下面推薦了“相關(guān)文章”，推薦內(nèi)容和用戶關(guān)注的內(nèi)容相關(guān)，可以有效幫助用戶篩選信息，過濾掉相關(guān)度低或完全不相關(guān)的信息，發(fā)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(xù)閱讀”相關(guān)推薦

玩法三：想用戶之所想，F(xiàn)eed 流讓用戶持續(xù)“消費”

伴隨內(nèi)容爆發(fā)和用戶時間的擠壓，傳統(tǒng)的內(nèi)容信息流已經(jīng)呈現(xiàn)出了很大的弊端，無法再滿足用戶高效獲取特定內(nèi)容的需求，如何讓用戶進入 App 后可以持續(xù)消費內(nèi)容？Feed 流成為最優(yōu)解。

目前 Feed 流的主流排序方式不再嚴(yán)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(chǎn)、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(jù)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(nèi)容。在內(nèi)容很多很雜，且與用戶關(guān)聯(lián)不強的情況下，F(xiàn)eed 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(fā)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(jīng)演變成生態(tài)系統(tǒng)的競爭，內(nèi)容型平臺更是如此。維護第三方生態(tài)的繁榮成了很多平臺公司的剛需，這就需要將第三方創(chuàng)作者新生產(chǎn)的內(nèi)容盡可能的推薦出去，才能保障平臺的多樣性，激發(fā)平臺上第三方創(chuàng)作者的積極性，提升平臺生態(tài)的活力。同時通過這種冷啟動推薦方式可以讓新內(nèi)容快速找到最可能的受眾，也可以快速知道哪些新內(nèi)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(xiàn)呢？以視頻為例，100 個作者新發(fā)的視頻往往只有 10 個是優(yōu)質(zhì)視頻并預(yù)期能得到平均水準(zhǔn)以上的消費，那么通過模型預(yù)估視頻的價值，并為可能成為熱門的視頻增加推薦權(quán)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(biāo)的情況下，提高創(chuàng)作者的積極性，只有創(chuàng)作者們愿意花時間創(chuàng)造更多的內(nèi)容，才能讓產(chǎn)品內(nèi)容生態(tài)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(xiàn)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(guān)鍵，因為如果新用戶來到平臺發(fā)現(xiàn)對推薦的內(nèi)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(chǎn)品的用戶量就會穩(wěn)步增長。

那么在新用戶冷啟動時，如何通過智能推薦實現(xiàn)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(quán)設(shè)備信息、首次登陸所選標(biāo)簽、綁定的社交賬號等維度出發(fā)，根據(jù)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(fā)現(xiàn)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(nèi)容就是“手指舞”。

比如新用戶通過用戶間的分享點擊來到產(chǎn)品，這個自帶的關(guān)系鏈以及分享者的用戶畫像，都是產(chǎn)品進行新用戶承接轉(zhuǎn)化的策略依據(jù)。

知乎新用戶標(biāo)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(yīng)的活動需求和偏好也不同，但現(xiàn)實中，App 的開機圖、首頁、輪播等廣告位內(nèi)容呈現(xiàn)容易缺少差異化，如果可以根據(jù)不同生命周期用戶的需求分類來配置頁面，可以快、準(zhǔn)、穩(wěn)地進行產(chǎn)品運營，實現(xiàn)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(chǎn)品價值中的新用戶，首次訪問距今 3 天內(nèi)還未購買過商品，那么可以針對性地推出新人專享 & 節(jié)日活動，利用優(yōu)惠促銷信息刺激其激活轉(zhuǎn)化；用戶 B 是有望轉(zhuǎn)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(shù)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(zhǔn)消耗周期，適時推薦復(fù)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(fù)購環(huán)節(jié)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(jīng)過分析調(diào)研得知，產(chǎn)品的平均復(fù)購時間為 2 個月左右，根據(jù)這個周期可以給已購用戶做推薦，使在客戶有復(fù)購需求時，商品能夠恰到好處的出現(xiàn)或進行優(yōu)惠券的發(fā)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(yōu)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(fù)購率和 GMV。

二、如何評估推薦效果？

管理學(xué)大師彼得·德魯克曾經(jīng)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(tǒng)的效果評估同樣適用，要想看一個推薦系統(tǒng)是否有效，就難以繞開評估指標(biāo)。評估一個推薦系統(tǒng)，包括離線評估和在線評估兩種方式。下面詳細(xì)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(rèn)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(nèi)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(biāo)，但是這些數(shù)據(jù)指標(biāo)可能會存在比較大的偏差，所以一般不會拿此指標(biāo)來直接評估效果，而只是把它作為參照指標(biāo)。

2. 在線評估

推薦系統(tǒng)的在線評估指標(biāo)包括：點擊率、點擊人數(shù)比、留存率、轉(zhuǎn)化率等，具體包括：

1）點擊率

點擊率是評估推薦效果比較經(jīng)典的指標(biāo)，記錄了用戶每次進入推薦內(nèi)容的點擊情況，能夠粗略衡量轉(zhuǎn)化效果。

2）點擊人數(shù)比

指點擊的人數(shù)除以推薦的曝光人數(shù)，這是一個用來衡量推薦系統(tǒng)觸達率的一個重要指標(biāo)。在評估一個模型效果時，可能點擊率上漲，但點擊人數(shù)比并沒有變化，這說明推薦結(jié)果只對于部分老用戶產(chǎn)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(tǒng)，所以點擊人數(shù)比與點擊率是對推薦系統(tǒng)在不同方面的評估。

3）人均點擊次數(shù)

指每個人在推薦系統(tǒng)里面平均每天點擊了多少次。人均點擊次數(shù)是需要大家持續(xù)關(guān)注的指標(biāo)，因為這個指標(biāo)真正體現(xiàn)出用戶在這款產(chǎn)品中的使用深度。

4）留存率和轉(zhuǎn)化率

留存率和轉(zhuǎn)化率對于推薦系統(tǒng)來說，可能并不是一個那么直接的指標(biāo)，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(chǎn)品形態(tài)，但它仍是我們?nèi)ピu估推薦系統(tǒng)的一個指標(biāo)，至少我們需要知道此次推薦系統(tǒng)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(shù)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(biāo)。

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(chǎn)品的推薦系統(tǒng)，那么給用戶推薦的內(nèi)容就應(yīng)該是實時的，而不是上周發(fā)生的事情。

多樣性。多樣性其實是容易被忽視的一個指標(biāo)，因為如果不追求多樣性的話，點擊率的數(shù)據(jù)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(nèi)容感興趣，慢慢的你所有的推薦內(nèi)容都變成了體育相關(guān)，似乎很難看到其他內(nèi)容，推薦的內(nèi)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(chǎn)品用戶體驗所做的一種優(yōu)化，這里需要考慮長期和短期的權(quán)衡。

穩(wěn)定性。如果服務(wù)器經(jīng)常掛掉，或者說響應(yīng)時間總是五秒鐘，這樣的服務(wù)基本上是不可用的，我們一定要站在服務(wù)的角度去評估我們的推薦系統(tǒng)。 覆蓋率。覆蓋率指能夠推薦出來足夠多的長尾內(nèi)容，一個 UGC 平臺，需要去鼓勵一些用戶讓他們來生成內(nèi)容，即使是一些很小的用戶，即使沒有粉絲，也希望他的內(nèi)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(huán)。如果平臺總是分發(fā)一些大 V 的內(nèi)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(nèi)容窗口了，平臺將被大 V 占領(lǐng)，所以覆蓋率也是一個推薦系統(tǒng)需要考慮的指標(biāo)。

至于具體需要去考慮哪些指標(biāo)，以及怎么去制定這些指標(biāo)，要根據(jù)不同的產(chǎn)品形態(tài)以及產(chǎn)品不同的階段而定。

三、推薦系統(tǒng)如何實現(xiàn)業(yè)務(wù)閉環(huán)？

僅僅了解這些評估指標(biāo)是不夠的，一套真正能發(fā)揮價值，賦能業(yè)務(wù)增長的推薦系統(tǒng)一定是一個可以快速迭代的閉環(huán)系統(tǒng)。那么，推薦系統(tǒng)如何實現(xiàn)業(yè)務(wù)閉環(huán)呢？

首先，數(shù)據(jù)是一切算法的前提，數(shù)據(jù)是否能夠采對，直接影響推薦系統(tǒng)的最終效果能否滿足預(yù)期。數(shù)據(jù)質(zhì)量是推薦系統(tǒng)的基礎(chǔ)，建立一個好的推薦系統(tǒng)，不僅需要數(shù)據(jù)采集夠準(zhǔn)確，還需要數(shù)據(jù)維度夠全，粒度夠細(xì)，時效性夠高，這取決于是否具備全端的數(shù)據(jù)采集能力，能夠?qū)崟r同步數(shù)據(jù)流，以及精細(xì)的數(shù)據(jù)校驗。

接著，當(dāng)收集到能夠表示用戶偏好的數(shù)據(jù)后，需要我們開始設(shè)計推薦策略，構(gòu)建算法模型。這個環(huán)節(jié)不僅要求有很強的算法能力，同時也需要對當(dāng)前的業(yè)務(wù)有深入的理解。

最后，在推薦系統(tǒng)上線后，再次收集數(shù)據(jù)表現(xiàn)，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(shù)據(jù)指標(biāo)，再根據(jù)具體指標(biāo)表現(xiàn)進一步調(diào)整模型參數(shù)、策略設(shè)計等，從而提升推薦效果，完成推薦系統(tǒng)迭代，形成閉環(huán)。全流程閉環(huán)的推薦系統(tǒng)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(wù)器日志（Log）、業(yè)務(wù)數(shù)據(jù)和第三方等多方數(shù)據(jù)源，存儲最細(xì)粒度數(shù)據(jù)，利用最新深度學(xué)習(xí)和語義分析模型構(gòu)建推薦引擎，推薦結(jié)果可利用數(shù)據(jù)分析模型多維度、多指標(biāo)的實時效果分析，形成快速反饋，精準(zhǔn)迭代特征集和算法模型。

如果想要去評估推薦系統(tǒng)對業(yè)務(wù)的影響，可以通過數(shù)據(jù)分析搭建高效數(shù)據(jù)指標(biāo)體系，進行多維度、多指標(biāo)的交叉分析來驗證推薦效果。

同時，考慮到推薦系統(tǒng)要與企業(yè)業(yè)務(wù)相結(jié)合才能實現(xiàn)價值最大化，還可以根據(jù)不同行業(yè)的用戶行為習(xí)慣和業(yè)務(wù)場景特點實現(xiàn)個性化推薦，助力提升核心業(yè)務(wù)指標(biāo)。

本文由 @神策-喬一鴨 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自?Unsplash，基于 CC0 協(xié)議