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(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買的需求。比如用戶瀏覽一個手機(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(fèi)”
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(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(diǎn)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(qiáng)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(hù)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(shí)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(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?yàn)槿绻掠脩魜淼狡脚_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(shí)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(jìn)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(diǎn)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(diǎn)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(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(shí)中，App 的開機(jī)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(jìn)行產(chǎn)品運(yùn)營，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，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(jì)購買金額大于 1000，且累計(jì)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(fèi)者的購物消費(fèi)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(diǎn)進(jìn)行算法推薦，能夠提升平臺流量價(jià)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(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(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(jià)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(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)，這是一個用來衡量推薦系統(tǒng)觸達(dá)率的一個重要指標(biāo)。在評估一個模型效果時，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)果只對于部分老用戶產(chǎn)生比較好的效果，對于觸達(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)擊率是對推薦系統(tǒng)在不同方面的評估。
3)人均點(diǎn)擊次數(shù)
指每個人在推薦系統(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(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(shí)時的，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指標(biāo)，因?yàn)槿绻蛔非蠖鄻有缘脑�，點(diǎn)擊率的數(shù)據(jù)會好看一點(diǎn)。
不知道大家有沒有這樣的體驗(yàn)，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(diǎn)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(yàn)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(diǎn)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(yàn)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(shí)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(jià)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(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，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(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。這個環(huán)節(jié)不僅要求有很強(qiáng)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(jìn)行多維的驗(yàn)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(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(shí)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(jìn)行多維度、多指標(biāo)的交叉分析來驗(yàn)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(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)場景特點(diǎn)實(shí)現(xiàn)個性化推薦，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師信息，第一時間了解用戶增長師相關(guān)資訊，敬請關(guān)注唯學(xué)網(wǎng)用戶增長師欄目，如有任何疑問也可在線留言，小編會為您在第一時間解答!
