一、智能推薦七大玩法場(chǎng)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(duì)海量?jī)?nèi)容和商品無(wú)從選擇，這時(shí)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(chǎng)景一般由系統(tǒng)定時(shí)更新數(shù)據(jù)并主動(dòng)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(huì)錯(cuò)過一手瓜，另一方面也能激發(fā)用戶興趣，讓用戶不會(huì)出現(xiàn)選擇困難。
典型場(chǎng)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(shí)代，羅列所有信息等同于給用戶添麻煩，這樣不僅使用戶無(wú)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(jì)算內(nèi)容或商品的相似度，進(jìn)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(gòu)買的需求。比如用戶瀏覽一個(gè)手機(jī)后，下面推薦了“相關(guān)手機(jī)”，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(shí)間的最大效用，提升閱讀和購(gòu)買的幸福度。
典型場(chǎng)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(fèi)”
伴隨內(nèi)容爆發(fā)和用戶時(shí)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(wú)法再滿足用戶高效獲取特定內(nèi)容的需求，如何讓用戶進(jìn)入 App 后可以持續(xù)消費(fèi)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(shí)間線，而是廣泛使用智能 Feed 排序。智能排序基于趨勢(shì)、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(dòng)訂閱或者搜索，只要根據(jù)其瀏覽時(shí)長(zhǎng)、點(diǎn)贊分享等動(dòng)作，或者建立用戶畫像，就可以主動(dòng)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(qiáng)的情況下，F(xiàn)eed 流無(wú)疑是一個(gè)很好的篩選器。它對(duì)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(shí)長(zhǎng)。
典型場(chǎng)景：知乎 Feed 流
玩法四：激發(fā)并推薦 UGC，度過“冷啟動(dòng)期”
去中心化的時(shí)代，平臺(tái)之間的競(jìng)爭(zhēng)已經(jīng)演變成生態(tài)系統(tǒng)的競(jìng)爭(zhēng)，內(nèi)容型平臺(tái)更是如此。維護(hù)第三方生態(tài)的繁榮成了很多平臺(tái)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(tái)的多樣性，激發(fā)平臺(tái)上第三方創(chuàng)作者的積極性，提升平臺(tái)生態(tài)的活力。同時(shí)通過這種冷啟動(dòng)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(tái)自身的營(yíng)收。
具體怎么實(shí)現(xiàn)呢?以視頻為例，100 個(gè)作者新發(fā)的視頻往往只有 10 個(gè)是優(yōu)質(zhì)視頻并預(yù)期能得到平均水準(zhǔn)以上的消費(fèi)，那么通過模型預(yù)估視頻的價(jià)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(gè)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?cè)敢饣〞r(shí)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(shí)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?yàn)槿绻掠脩魜淼狡脚_(tái)發(fā)現(xiàn)對(duì)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(dòng)推薦的好，會(huì)讓這部分用戶留下來，最終產(chǎn)品的用戶量就會(huì)穩(wěn)步增長(zhǎng)。
那么在新用戶冷啟動(dòng)時(shí)，如何通過智能推薦實(shí)現(xiàn)更好的激活留存呢?可以從新用戶的獲取來源、注冊(cè)時(shí)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(hào)等維度出發(fā)，根據(jù)這些維度推測(cè)用戶偏好進(jìn)行智能推薦，能夠在黃金時(shí)間有效留住新用戶。
比如抖音在平臺(tái)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(gè)素材，通過這個(gè)素材點(diǎn)擊帶來的新用戶，打開抖音的第一個(gè)視頻內(nèi)容就是“手指舞”。
比如新用戶通過用戶間的分享點(diǎn)擊來到產(chǎn)品，這個(gè)自帶的關(guān)系鏈以及分享者的用戶畫像，都是產(chǎn)品進(jìn)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(yè)面
玩法六：以類聚，以群分，頁(yè)面配置千人千面
用戶所處的生命周期階段不同，對(duì)應(yīng)的活動(dòng)需求和偏好也不同，但現(xiàn)實(shí)中，App 的開機(jī)圖、首頁(yè)、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(yè)面，可以快、準(zhǔn)、穩(wěn)地進(jìn)行產(chǎn)品運(yùn)營(yíng)，實(shí)現(xiàn)廣告位資源的價(jià)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(shí)，用戶 A 是正在探索產(chǎn)品價(jià)值中的新用戶，首次訪問距今 3 天內(nèi)還未購(gòu)買過商品，那么可以針對(duì)性地推出新人專享 & 節(jié)日活動(dòng)，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(jì)購(gòu)買金額大于 1000，且累計(jì)購(gòu)買次數(shù)大于 10 次，針對(duì)這類用戶可以采用 VIP 入會(huì)等活動(dòng)。
玩法七：算準(zhǔn)消耗周期，適時(shí)推薦復(fù)購(gòu)
每個(gè)消費(fèi)者的購(gòu)物消費(fèi)都是有周期的，針對(duì)購(gòu)買鏈條中復(fù)購(gòu)環(huán)節(jié)的周期性特點(diǎn)進(jìn)行算法推薦，能夠提升平臺(tái)流量?jī)r(jià)值最大化。
比如某奢侈品電商平臺(tái)經(jīng)過分析調(diào)研得知，產(chǎn)品的平均復(fù)購(gòu)時(shí)間為 2 個(gè)月左右，根據(jù)這個(gè)周期可以給已購(gòu)用戶做推薦，使在客戶有復(fù)購(gòu)需求時(shí)，商品能夠恰到好處的出現(xiàn)或進(jìn)行優(yōu)惠券的發(fā)放，可以有效促進(jìn)用戶體驗(yàn)和 GMV 的雙重提升。再如，針對(duì)奶粉品類用戶，通常一罐奶粉吃一個(gè)月，那么可以固定在每個(gè)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(gòu)奶粉，這樣能有效提升這類用戶的復(fù)購(gòu)率和 GMV。
二、如何評(píng)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(wú)法度量它，就無(wú)法管理它”，這對(duì)于一個(gè)推薦系統(tǒng)的效果評(píng)估同樣適用，要想看一個(gè)推薦系統(tǒng)是否有效，就難以繞開評(píng)估指標(biāo)。評(píng)估一個(gè)推薦系統(tǒng)，包括離線評(píng)估和在線評(píng)估兩種方式。下面詳細(xì)展開介紹。
1. 離線評(píng)估
離線評(píng)估包括人工評(píng)估、AUC、DCG。
人工評(píng)估比較好理解，比如我們認(rèn)為一個(gè)用戶很喜歡動(dòng)畫片，于是進(jìn)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(dòng)畫片的比例是否比較大;同時(shí) AUC、DCG 也是常用的模型離線評(píng)價(jià)指標(biāo)，但是這些數(shù)據(jù)指標(biāo)可能會(huì)存在比較大的偏差，所以一般不會(huì)拿此指標(biāo)來直接評(píng)估效果，而只是把它作為參照指標(biāo)。
2. 在線評(píng)估
推薦系統(tǒng)的在線評(píng)估指標(biāo)包括：點(diǎn)擊率、點(diǎn)擊人數(shù)比、留存率、轉(zhuǎn)化率等，具體包括：
1)點(diǎn)擊率
點(diǎn)擊率是評(píng)估推薦效果比較經(jīng)典的指標(biāo)，記錄了用戶每次進(jìn)入推薦內(nèi)容的點(diǎn)擊情況，能夠粗略衡量轉(zhuǎn)化效果。
2)點(diǎn)擊人數(shù)比
指點(diǎn)擊的人數(shù)除以推薦的曝光人數(shù)，這是一個(gè)用來衡量推薦系統(tǒng)觸達(dá)率的一個(gè)重要指標(biāo)。在評(píng)估一個(gè)模型效果時(shí)，可能點(diǎn)擊率上漲，但點(diǎn)擊人數(shù)比并沒有變化，這說明推薦結(jié)果只對(duì)于部分老用戶產(chǎn)生比較好的效果，對(duì)于觸達(dá)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(diǎn)擊人數(shù)比與點(diǎn)擊率是對(duì)推薦系統(tǒng)在不同方面的評(píng)估。
3)人均點(diǎn)擊次數(shù)
指每個(gè)人在推薦系統(tǒng)里面平均每天點(diǎn)擊了多少次。人均點(diǎn)擊次數(shù)是需要大家持續(xù)關(guān)注的指標(biāo)，因?yàn)檫@個(gè)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(duì)于推薦系統(tǒng)來說，可能并不是一個(gè)那么直接的指標(biāo)，比如推薦對(duì)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(píng)估推薦系統(tǒng)的一個(gè)指標(biāo)，至少我們需要知道此次推薦系統(tǒng)的迭代到底對(duì)于留存率的影響有多大，如果迭代后的留存率下降，即使點(diǎn)擊率和點(diǎn)擊人數(shù)都在上升，可能這一次迭代仍不能上線，因?yàn)樗绊懥肆舸娴闹笜?biāo)。
還有一些方面，具體展開如下：
時(shí)效性。如果我們?cè)谧鲆粋�(gè)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(shí)時(shí)的，而不是上周發(fā)生的事情。
多樣性。多樣性其實(shí)是容易被忽視的一個(gè)指標(biāo)，因?yàn)槿绻蛔非蠖鄻有缘脑�，點(diǎn)擊率的數(shù)據(jù)會(huì)好看一點(diǎn)。
不知道大家有沒有這樣的體驗(yàn)，如果你對(duì)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(huì)讓點(diǎn)擊率有一些損失，但是長(zhǎng)期來說，多樣性是為了提升整個(gè)產(chǎn)品用戶體驗(yàn)所做的一種優(yōu)化，這里需要考慮長(zhǎng)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(shí)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(píng)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(zhǎng)尾內(nèi)容，一個(gè) UGC 平臺(tái)，需要去鼓勵(lì)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(huì)有人去點(diǎn)贊，久而久之會(huì)形成一種良性循環(huán)。如果平臺(tái)總是分發(fā)一些大 V 的內(nèi)容，平臺(tái)里小白用戶的使用和體驗(yàn)就會(huì)變得非常糟糕，慢慢的就沒有這些小的內(nèi)容窗口了，平臺(tái)將被大 V 占領(lǐng)，所以覆蓋率也是一個(gè)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(shí)現(xiàn)業(yè)務(wù)閉環(huán)?
僅僅了解這些評(píng)估指標(biāo)是不夠的，一套真正能發(fā)揮價(jià)值，賦能業(yè)務(wù)增長(zhǎng)的推薦系統(tǒng)一定是一個(gè)可以快速迭代的閉環(huán)系統(tǒng)。那么，推薦系統(tǒng)如何實(shí)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(duì)，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(gè)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(shí)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(shí)同步數(shù)據(jù)流，以及精細(xì)的數(shù)據(jù)校驗(yàn)。
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(jì)推薦策略，構(gòu)建算法模型。這個(gè)環(huán)節(jié)不僅要求有很強(qiáng)的算法能力，同時(shí)也需要對(duì)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(duì)推薦效果進(jìn)行多維的驗(yàn)證分析，了解具體的用戶行為反饋，評(píng)估數(shù)據(jù)指標(biāo)，再根據(jù)具體指標(biāo)表現(xiàn)進(jìn)一步調(diào)整模型參數(shù)、策略設(shè)計(jì)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(chǔ)最細(xì)粒度數(shù)據(jù)，利用最新深度學(xué)習(xí)和語(yǔ)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(shí)時(shí)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(píng)估推薦系統(tǒng)對(duì)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(jìn)行多維度、多指標(biāo)的交叉分析來驗(yàn)證推薦效果。
同時(shí)，考慮到推薦系統(tǒng)要與企業(yè)業(yè)務(wù)相結(jié)合才能實(shí)現(xiàn)價(jià)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(chǎng)景特點(diǎn)實(shí)現(xiàn)個(gè)性化推薦，助力提升核心業(yè)務(wù)指標(biāo)。
內(nèi)容來源于網(wǎng)絡(luò)
以上是關(guān)于用戶增長(zhǎng)師的相關(guān)信息，以供大家查看了解。想要了解更多用戶增長(zhǎng)師信息，第一時(shí)間了解用戶增長(zhǎng)師相關(guān)資訊，敬請(qǐng)關(guān)注唯學(xué)網(wǎng)用戶增長(zhǎng)師欄目，如有任何疑問也可在線留言，小編會(huì)為您在第一時(shí)間解答!
