“双12“将至,个性化推荐引擎能否又一次帮助电商引爆销量?

来源:创略科技 时间: 2018-11-28

今年,天猫“双11”的销量再次刷新记录,转眼“双12”即将到来,你是否看着还没还完的花呗账单,又一次加入剁手大军?

其实对你双手产生威胁的并不只是商家精心安排的折扣优惠,更可能是电商的个性化推荐系统。

原本只想购买一条裙子的你,被推荐购买了衣服、鞋、手袋、围巾等一整套搭配裙子的行头;原本你只想随便看看,却被推荐的产品连续种草并完成购买——无论你是新客户还是老客户,个性化推荐都能根据你的画像、偏好、行为等数据为你匹配感兴趣的商品。

乔布斯曾说,“消费者并不知道自己需要什么,直到我们拿出自己的产品,他们就发现,这是我要的东西”。同样的,面对眼花缭乱的信息,琳琅满目的商品,大部分用户可能并不知道自己想要什么,如果没有个性化推荐系统,用户很可能与更喜欢的商品、内容插肩而过。

个性化推荐能为企业带来巨大的收益,据统计,亚马逊有35%的销售来自于个性化推荐系统;视频网站Netflix 声称,个性化推荐的用户能带来10%-25%的增量收入。平台拥有海量内容或商品,每天曝光在用户面前的却只有一小部分,这无疑是资源的巨大浪费,个性化推荐解决的就是“信息过载下,如何高效吸引并留住客户”的问题。

个性化推荐基础——用户画像和推荐算法

用户画像是通过对用户数据的收集、分析和挖掘,从多个维度建立能够描绘用户轮廓、属性、兴趣等标签体系。企业收集用户人口属性、商业属性、行为数据,通过机器学习进行分类、聚类等挖掘分析,形成用户画像体系。

机器学习发展至今已经衍生了多种个性化推荐的算法,传统的个性化推荐算法有协同过滤推荐、基于内容过滤推荐,随着人工智能技术的发展,又形成了基于深度学习的神经网络推荐模型。

场景一:协同过滤,基于用户相似性进行推荐

协同过滤模型的基本原理是:基于行为数据,计算用户之间的“距离”、商品之间的“距离”,“距离”越近,说明其相似越高。从而帮助品牌实现向相似的用户推荐不同商品(或内容)、或将相似的商品(或内容)推荐给不同的用户。

如A、B用户都经常浏览保湿类护肤内容,则A、B用户是相似用户。当A浏览某类面膜内容时,则可向B推荐该内容。

场景二:关联推荐,基于内容相似性进行推荐

关联推荐是将文章表示成关键词向量,对关键词进行排名并计算权重,再用余弦等公式得到物品的相似性并进行推荐。如果浏览过关键词“亮白”的用户,大概率会被美白、祛斑、防晒等相似内容吸引。

场景三:基于客户画像,推送相关内容

基于商品/内容画像实现个性化推荐的原理,与前述用户画像相似,即根据商品或内容的不同标签,形成其画像体系,依此,锁定其目标受众从而进行推荐。

如果A用户是干性皮肤、居住在空气质量一般的城市,则品牌后续将可为A推荐干性皮肤护理、强化皮肤健康度等相关护肤内容。值得注意地是,现实中,用户偏好可能会发生叠加或转移,用户画像需要不断进行更新,以使品牌能及时捕获消费者偏好及需求,提供高度相关的内容。比如用户收入增加,则其可能会关注更高端的护肤品内容;用户频繁出差导致工作地点不断变更,则其对护肤需求也会发生变化;动态预测客户需求,才能实现智能个性化推荐。