你反感“猜你喜欢”吗?

来源:Chinapex创略 时间: 2018-06-07 关键词:精准营销,关联,算法,模型

“如果按照推荐,我这个月应该去三趟日本,其中两趟都要住同一家温泉酒店。”

 

Tina刚去了了日本出差,各大旅游APP和网站,对她的邮箱和手机进行狂轰乱炸,向她推销关于日本旅游的一切。

 

事实上,这种“猜你喜欢”式的推荐,能养活不少段子手,在网上有许多对“猜你喜欢”的吐槽:

 

“有天我点开一张比基尼模特的图,第二天我妈点开我的邮箱,给我推荐了一堆女士内衣,我不知道该怎么解释。”

 

“上礼拜我网上买了个电动牙刷,结果每天给我推荐各种电动牙刷,月底收到一封邮件,里面说我买的牙刷降价了。”

 

“我买了一件巴萨球衣,然后天天给我推荐皇马球衣,我是个巴萨死忠,这周五他们要打欧冠决赛了。”

 

统计了一下周围的人,发现他们每天接受到各类电商的推荐。其中大部分感觉是“这是什么嘛,为什么你会觉得我喜欢这个?”其中一小部分会产生“我的天,你给我推荐这个干嘛?”

 

久而久之,大部分人把铺天盖地,时准时不准的推送当成既定现实接受下来,既不欣喜也不愤怒,高兴了就点开看看,不高兴就一删了之。

 

 

为什么是“我”被推荐?

 

《科技纵览》这本杂志上曾经发表过一描述过亚马逊的文章,其中有一段话令人印象深刻。

 

“在亚马逊眼里,你是一个很大、很大的表格里一串很长的数字。这串数字描述了你所看过的每一样东西,你点击的每一个链接以及你在亚马逊网站上买的每一件商品;表格里的其余部分则代表了其他数百万到亚马逊购物的人。你每次登陆网站,你的数字就会发生改变;在此期间,你在网站上每动一下,这个数字就会跟着改变。这个信息又会反过来影响你在访问的每个页面上会看到什么,还有你会从亚马逊公司收到什么邮件和优惠信息。”

 

文章里也有写亚马逊电商的推荐逻辑,称之为个性化协同推荐(PersonalizedCollaborative Recommender)。这种算法会追踪用户的每一个行为(如浏览过的页面、订单记录和商品评分),以此进行推荐,同时会根据许多其他的顾客也购买了这些商品或者对其显示出好感,而将两样物品视为彼此关联。

 

说白了,他们推荐就看两点:第一,你买过类似商品;第二,买过这个商品的其他用户他们买什么。

 

对于推荐,各村都有高招,其他网站也有各类推荐算法,音乐类和电影类网站APP大都使用了一种简单的协同算法,被称为“用户关联”(user-user)的算法。

 

这种算法善于给用户归类,比如你我都是周杰伦的粉丝,《不爱我就拉到》这首歌都打了5分,那我们的距离就为0,但《等你下课》这首歌你打5分我打2分。那我们就有3的距离。按照这样的计算得出来品味相对“靠近” 的用户,我们把他们称之为共有一个 “邻集”(neighborhood),可以进行相同的推荐。

 

同样的,商品之间也有关联,喜欢菜刀的用户同样会给电磁炉打高分,因此菜刀和电磁炉处在同一个邻集当中,一对物品之间的距离可能是根据成百上千万的用户的评分计算得出,在一段时间里往往保持相对稳定,因此推荐系统可以预先计算距离,并更快的生成推荐结果。

 

为什么会产生“错配”?

 

一个品类的商品中,常常会出现“二八法则”,有几个“爆款”,大多数商品都偏冷门,这就导致许多用户只在某些“爆款”下产生共同的购买和评分,形成相应的邻集,然后推荐相同商品,这就非常靠不住。例如,喜欢IPHONE手机、Newbalance球鞋、周杰伦专辑的消费者可能千差万别,但在电商数据库中,他们就被归为一类。再来用户之间的距离可以变得很快,等算法收集完数据,错误的推送早就发出去了。

 

更关键的是,同类产品,受众也可能完全不同;而同一个产品的受众,消费习惯也完全不同。如果通过商品就把两个毫无关联的人归为一类,这种方式本身就有点“死板”。比如对于不吃辣的人,辣鸡翅和原味鸡翅就是两个完全不同的商品;而对巴萨足球迷来说,向他推荐皇马队服已经是一种冒犯了。相似但不同的商品、相似但不同的用户,要实现精准的匹配,需要将商品和消费者进行多维度的分类。

 

 

除了猜你喜欢,还要被你喜欢

 

以食物为例,一种食品可以分解成口味、材质、是否深加工等等维度,而一个人的食品购物记录,可以通过算法归纳出他对食品的各维度偏好,这样匹配的精准程度就会非常高。一些抽象的产品,比如音乐、书籍,也有相似的维度:年代、国家、流派等等。目前人工智能的应用能对这些抽象的维度进行精准的测算和分类。

 

但即便是对的商品推荐,在用户不喜欢的时间场景下发送,就会适得其反。这就需要对用户更加多维和深度的洞察。用户在网上浏览的过程中,电商们除了商品信息之外,还能收获很多用户的行为数据:比如页面浏览的轨迹,转发、点赞习惯,包括主动发布的评论,和其他用户的互动等。这些数据虽然并不关联购买,却可以显示用户的基本信息、接受信息的偏好、消费习惯等。

 

这样一来,用户在数据库中的邻集,不仅仅是购买或浏览过相同的商品,可能是有相同的社交媒体受众、相同的活跃时间,这些都有利于电商们对不同用户实施不同的推送策略。而电商平台上做的就是筛选,将一件让你怦然心动的商品推荐,以最合适的方式送到你面前。