產品汪如何向女票解釋——淘寶push的個性化推薦

個性化推薦是根據用戶的興趣和行為特徵，來推送出用戶喜歡的東西。那麼，這個個性化推薦是怎麼做到的呢？其中包括哪些內容呢？

周六下午的時光是愜意的，小諾和女票來到了東交民巷比利時大使館舊址，裡面的餐廳喝下午茶。進去後，倆人忙各自的事情，女票在看晚上要去的餐廳，小諾拿出書和電腦學習，畢竟他是苦逼的產品狗。過了十幾分鐘，正在小諾看的津津有味的時候，女票探過頭來，看到小諾在看《用戶網絡行為畫像》和《推薦系統實踐》，一臉嫌棄的說，你怎麼又在看推薦的書？

小諾看著有點生氣的女票，心裡想：我可不是個直男，我得說的好聽點。於是他故作深情地說：之所以我喜歡做推薦策略，是因為我想讀懂一個人的心，然後把她最喜歡的給她。

只聽啪的一聲，女票給了小諾一巴掌，說：油嘴滑舌！你這麼行，那你用你的策略預測下我晚上想吃什麼呀？

小諾摸著滾燙的臉，脫口而出：你想去吃辣妹子火鍋店。女朋友驚訝的說：你怎麼知道？小諾故作冷靜的分析：上周你就說想吃火鍋，但沒去成，所以肯定不甘心。剛才打車經過火鍋店的時候，你扭頭一直看，還說同事跟你說那家店不錯。你又是個無辣不歡的人，所以你肯定想吃火鍋。

女票說：原來這麼簡單啊，算你猜對了。小諾說：畢竟我是做推薦的，只要我有足夠多的特徵數據，我就能讀懂世界！

女票白了一眼，說：這個不算，我們部門下周要去霧靈山團建，你給我推薦下我該帶什麼衣服唄。小諾開始分析：第一步我要理清我現在知道的信息，然後才能進行推理，最後給建議。

小諾總結的信息如下：

1. 早上9點出發，高德查了一下開車去單程需要3小時。
2. 他們到達先吃午飯，下午2點上山，有車送到差不多快到山頂，大概是2點30，然後自己再走一段路。
3. 百度搜索霧靈山海拔2118米，海拔每升高1000米，氣溫下降大概6度，當然也受環境影響。
4. 現在9月早晚溫差較大，查了當天天氣晴好，溼度應該不會很高，12-24度，日落時間18點05。
5. 山上玩幾個小時，5點左右開始下山，下山曲折路線較長，一邊拍照一邊走路，大概需要1個半小時到2小時。
6. 走路會產生熱量，體感溫度會感覺熱了2度左右。

綜上推理，山頂溫度在0-12度之間，中午2點最熱的時候應該在12度，但天氣晴好，山頂場地太陽直射，有太陽輻射不會感到那麼涼，加上走路產生一些熱量，所以感覺會在十六七度左右。

5-7點的下山過程中，太陽慢慢下山，溫度會降低，熱量更多，海拔降低，感覺會到13度左右。

最後小諾給出了建議，他對女票說：你外面多套個上周你買的駝色風衣就好，上山時放在包裡，下山時溫度開始降低時穿上風衣就夠了。女票表示疑惑，小諾又詳細解釋了下。

女票開心的說知道了，然後說：淘寶真是個罪惡的app，每天都給我推送消息，害的我不停的買買買。這個是不是也是你做的推薦？

小諾說：對呀，我就是做的push的個性化推薦呀。

女票說：那你給我說說你們是怎麼做的。

小諾說：那我慢慢給你道來……

一、push目標和本質

首先什麼是push消息呢？就是淘寶每天給你推送的那一條條消息。

那push的目標是什麼呢？

1. push的目標：新用戶的拉新，和老用戶的促活，包括流失用戶的召回。
2. push推薦的本質：push是將合適的內容，在合適的時間，合適的場景下，推薦給合適的用戶。

所以你每天就會收到很多push消息嘍~

二、商品畫像和用戶畫像

這就是一個推薦的過程，我畫的非常簡單，其實真實的比這個複雜。

我們想把你可能喜歡的商品推薦給你，就要了解你和商品，所以我們要創建商品畫像和用戶畫像。我們先來說說商品畫像，商品畫像如下，主要由sku分類和屬性特徵構成，須對這些特徵建立倒排索引。

對於商品畫像，商品上下架、庫存、價格、評論數等應採取增量更新，商品標題、分類、屬性、主圖、銷量、評論等應採取全量更新。

我們再來看看用戶畫像，用戶畫像就是通過了解你的一些信息，來定義出你這個用戶是什麼樣子的。大概包括以下幾個方面。

用戶畫像如下：

用戶分群：

①在用戶畫像上，可以分為基本畫像和模型畫像。基本畫像指的是可以直接獲得的用戶數據，模型畫像指的是通過模型學習用戶數據得出的模型，如用戶流失級別，用戶挑剔度等。

②用戶的基本信息屬於長期畫像，在長時間內是不會改變的。如用戶的性別，年齡，星座等。對於基本信息不完整的用戶，可以對信息完整的用戶進行訓練，得出不同用戶群體的特點。

比如通過分析用戶的applist，得出安裝哪些app的用戶是女性的概率是多少，男性的概率是多少，這樣可以對性別缺失的用戶進行模型擴散，補上缺失項。

③用戶的興趣愛好可分為長期興趣和短期興趣，長期興趣可通過分析用戶歷史數據進行積累。比如用戶在過去半年經常性的買零食堅果，每次購買在長期興趣上都會進行一個權重累計。

有一天因為用戶受熱點事件影響，開始在短期內買零食果脯，則模型應在短期內提高此興趣點的權重，以便不受長期興趣的影響而無法提高。

④對於行為特徵，消費信息等數據，可設計用戶對比度，比如設置用戶對比3家同類商品才購買1個為三級，用戶對比5家以上相同商品才購買1個是一級。

也可以根據用戶點開app頻次設計用戶流失模型，比如用戶1天為打開是流失F級，3天未打開是流失E級，7天未打開是流失C級，一個月未打開是流失A級。

三、推薦策略和算法

我們建立了商品和用戶的畫像，就要來分析你喜歡什麼樣的商品，商品如何和你匹配上，這就涉及到了策略和算法。

（1）常用算法

①基於統計學的過濾，如基本信息中的性別，年齡，地域等。

②基於用戶的協同過濾。

③基於商品的協同過濾。

④決策樹模型等。

（2）推薦策略

①applist：通過讀取用戶app列表，用app和商品分類進行匹配，了解用戶的興趣點，此策略針對於新用戶的興趣獲取，以及老用戶的新興趣挖掘。

②本地化：實時獲取用戶地理位置，與用戶本地天氣，城市層級，生活圈，本地熱點等結合進行push推送。此策略為的是提升用戶感知，增加推送好感。

③通勤場景：在通勤中，用戶如屬於行動網路狀態，push和落地頁應減少插圖或者多圖的比例。此策略為的是考慮用戶感受，增加用戶好感。

④興趣試探：對於新用戶來說因興趣愛好信息積累較少，在push推薦時可選取熱度高，點擊率高，表現好的push進行推送，這樣即使用戶興趣不增加，也保證了用戶不產生厭惡。

⑤負反饋策略：對於用戶看到不點擊，以及點擊即退出的push，應該有負反饋機制，降低此類push在此用戶面前出現的頻率或者不再出現。

⑥季節策略：可根據季節，天氣，節氣變化，針對性的向用戶推送具有此類特徵的商品。

⑦熱點策略：根據近期話題或事件熱點，結合相關商品進行推送。

（3）分發排序

①push可以分類型，如通用型，活動型，群體型，個體型，系統型，熱點型。並給不同類型的push設定優先級。在推送時高優先級的push優先推送。

②在召回排序時，通過第一層的統計社會學信息過濾，候選集中的push會存在多條，此時可根據以上提到的各策略模型綜合的對push進行打分，比如有30個策略模型，可從30個維度按照不同的加權對push進行綜合打分，由高到低的進行排序，得分高的優先推送。

③當一天內的推送push數量達到3-5條的上限時，當天即停止推送。

四、push個性化推薦的衡量指標

那麼當我們為用戶推薦商品之後，如何來看我們的推薦效果呢，這裡就需要有衡量的指標。

1. 短期來看是push拉新數量，和拉新貢獻度。
2. 長期來看，是從推送，點擊，到達，瀏覽，加購，下單，支付，復購整個鏈條來提高，為最後的GMV負責。

GMV=流量*轉化率*客單價。流量=新用戶+老用戶。

從用戶行為路徑來看，一條push推送後，經歷了，到達，展示，點擊，瀏覽，加購，下單，支付的流程。評價push效果的指標也據此產生。

五、push優化方向

按照以上指標，我們需要對以上幾個方面進行優化。

（1）提升push的到達率

重複發送push：通過服務端重複發送，客戶端本地排重來實現到達率優化。

重複發送策略，可以分次分時間間隔發送，如每隔x小時，發送y條push，每天發送z次。

（2）提升push的點擊率

1. 增加push的豐富度。如針對活動和熱點事件的全量推送；針對某用戶群體的群體推送；針對單個用戶歷史信息和興趣愛好的個性化推薦。
2. 塑造具有吸引力的文案。對於某個push，可以設置多個文案，用ABtest的方法，將同質用戶分組，推薦同一個push的不同文案，快速獲得點擊率高的文案進行全量發送。
3. push文案設計：應從文案基礎，用戶感知，用戶習慣，形式多樣性等方面考慮。具體如下。

文案基礎：無錯別字，無錯誤標點。主語突出，無無意義詞語冗餘。文案完整，或主述對象完整，文案過長可末尾用省略號提示。

形式多樣性：圖片，文字，表情，提示音等，豐富push形式。

用戶感知：比如讓用戶有參與感的有，含有當地名，@用戶。讓用戶有親近感的有，熟知人名，電影電視名。以及關於熱點熱句的文字。

用戶習慣：如習慣看半角文案，因為全形文案會有不正規的感覺。

（3）落地頁設計

①落地頁內容和push內容應該保持一致，相輔相成。

②落地頁內容應該突出商品主體，抓住用戶眼球。

③對於新用戶來說，因使用習慣還未養成，對app了解度也還不夠，落地頁最好有一定的指引，引導用戶理解產品。

（4）Push的頻控設計

主要是為了不過度打擾用戶。

①push對於每日每個用戶的推送條數應該有上限的設置。比如系統消息或者互動消息類的push可以無上限，活動和個性化推薦類的push總量應控制在3-5條。

②push推送的時間段應選擇用戶的空閒時間，一般分布在早，中，晚，睡前四個時間段。如7-10點，11-14點，17-19點，22-24點

③從長期來看，可以通過模型，算出用戶一般每日可接受的push條數，以及單個用戶可接受的push條數。

小諾說：好啦，我講完了~女票說：我腦子嗡嗡的，就聽懂個大概。

最後

醒醒醒醒！做策略的哪來的女票？還是滾去學習吧……

#專欄作家#

大鵬，公眾號：一個數據人的自留地。人人都是產品經理專欄作家《數據產品經理修煉手冊》作者。

本文原創發布於人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基於CC0協議