内容要點
本期課程從推薦的業務價值、推薦領域難點問題、可實作的場景功能來闡述推薦的價值和意義。
推薦的起源和價值實作
具有“推薦系統之王”稱号的電子商務網站-亞馬遜，在推薦的應用上走在了行業的最前列。
在初期的設計中，亞馬遜主要将推薦應用于3個闆塊：
第一種是最常見的基于item的協同過濾算法，利用過去的曆史行為進行推薦；
第二種是利用facebook間好友關系的推薦；
第三種是相關推薦-打包銷售場景，這個和後續中場景部分的相關推薦差别較大。打包銷售主要的應用場景類似于買了手機買手機殼的場景。
以上三種，在當時是一個較為全面的推薦管理，串聯了消費者浏覽、購買以及購買後的場景。從已有的資料材料中統計，當時20%-30%的銷售來源于推薦系統。
對于每一個消費者而言，推薦系統使自己擁有了一個線上商店，能夠不虛此次通路，在商店中找到自己感興趣的商品。
由推薦的引入，快速促進業務增長的案例中，值得一提的還有Netflix。與前者類似，Netflix應用的是基于使用者曆史行為的協同過濾，為使用者推薦感興趣的影視作品。據統計，Netflix有60%的使用者，是通過其推薦系統找到自己感興趣的電影和視訊的，可見推薦成為了承載流量的主要入口。從2006年起，Netflix開始舉辦推薦系統比賽，通過技術底層驅動的形式來促進業務增長，對推薦應用的重視程度可見一斑。
回到現在，市場上很多火爆的app已經将推薦應用得更加多元化，比如典型的電商場景下，通過資訊流的混排打造逛起來的體感，利用消費者評價或app領袖級買家引導促成消費。縱觀各行業，不論是内容論壇、廣告分發，還是教育教育訓練、書籍小說，個性化推薦都成為了必不可少的功能。
之是以能夠引發這種現象，就是因為推薦這種智能分發能夠帶來的業務價值提升絕不是一星半點。客觀而言，通過千人千面進行推薦，可以大幅提升分發效率，促進點選率名額的提升。
對于老使用者，能夠在推薦闆塊找到自己的興趣變化、驚喜發現，提升粘性；新使用者能夠迅速在app中擷取最喜好最關心的内容，進而促進新、老使用者的留存粘性提升。
利用内容分發促進轉化，一方面可能由當下主打下沉市場的app應用中的返利機制促成，另一方面是為了培養粘性使用者，提升使用者活躍度，進而為後期變現、轉化打下良好的基礎。
推薦并不止完成長短興趣的探測與精準觸達就可達成目标，也需要給到使用者多樣化的體驗，使其能發現從未擷取的新穎好物，不斷發現驚喜，真正喜歡上一個app。有時候推薦要比使用者更懂在當下他需要什麼，通過什麼能夠給他帶來歡喜，這也是人們對推薦的心裡預期。
從客觀名額、主觀體驗通盤來看，推薦的價值展現在，作為一股強大的動力，貫穿于從獲客到粉絲型使用者的整個培養流程，推動使用者的轉化與粘性提升。
推薦領域難點問題
将一個個性化推薦的場景搭建好并不是一件易事，通常需要解決幾個推薦應用中比較棘手的問題。
首先是新使用者冷啟動，有時候我們花了很大力氣做了活動、營銷、廣告或是買入一些管道的使用者，但最後的結果并不理想。新使用者留存難，對于推薦而言難在缺少新使用者的資訊，而怎麼解決這個問題，後期我們将進行剖析。
第二是回音壁問題，指的是當使用者的興趣比較集中時，我們往往在内容推薦過程中陷入局限，進而導緻使用者走不出興趣圈，逐漸疲憊。
第三是馬太效應，往往80%的流量會集中在20%的内容之中，剩下的80%并不是内容不好，而是比較小衆，或因為流量分發的限制就此埋沒。是以，當存在一些小衆愛好的使用者時，很難做到準确分發。
第四，上下文聯系、通路心智、行為變化也是一個先進的推薦系統應該解決的問題。
綜上可見，推薦想要做好仍面臨着很多挑戰。
可實作的場景功能
當我們想要把推薦部署應用在app前，需結合具體的場景建構合理的應用方案。
以阿裡雲智能推薦主打的場景為例，如以下幾個常見的場景，就可以拉近app的資深體驗使用者與推薦的距離。
首先，我們進入一個消費場景，可看見猜你喜歡和相關推薦這2個場景。
猜你喜歡，承載的是當消費者的購買意向不明确時，更多的是讓我們能夠逛起來。看了很久沒找到合适的商品、一直感興趣沒下狠心下單的商品、很有意思看了就想要的小物件，都被我們期待着出現，或者換個角度看，這是電商平台讓我們逛起來的同時，提升轉化率的意向商品集。
相關推薦的差異主要在于，當我們願意花心思研究某個商品的參數、詳情，說明購買意向已經相對明确。看了又看就是推薦在商品性質上和目前駐足商品類似的，并且結合使用者口味容易引導購買的商品。
其次，例如一個新聞閱讀的場景。
新聞的展示往往會區分幾個頻道，稱之為專欄。針對每個專欄的推薦，都代表使用者的興趣相對集中的分布。在不同的專欄涉及不同内容的選舉、分發，基于智能推薦，快速實作場景化專欄搭建是一個很友善的操作。作為一個智能的回報，這些專欄也能夠根據不同使用者的興趣覆寫點，進行優先級展示的重組。就像在很多app裡看到的多功能闆塊、多業務闆塊，在推薦中的應用就會展現在一個基于banner熱點圖的推薦，這樣會展示給使用者更加定制化的體驗。
而實際看到的結果，應該是具備視覺與類目豐富覆寫的體驗。在智能推薦内部，提供了2種功能，分别是打散和混排，這些業務幹預也是為了滿足提升使用者體驗的訴求。這一步的設定最好先完成一個使用者行為分析的分層，比如，從電商領域分析的資料可知，大部分的男性消費者更傾向于使用搜尋的功能，發現自己想要的商品，推薦直擊搜尋内容會具備更高的轉化率，再多元的展現都不及準确的推薦有效。而女性則不具備這樣的特點。
以上也可見，推薦和使用者行為傾向也具備很強的關聯，推薦這個闆塊指引着我們更加全面、細粒度地了解平台使用者，已發展成為業務反哺的參考。
加入社群
點選訂閱
《阿裡雲搜尋與推薦技術交流期刊》掃碼入群，了解更多資訊，擷取資料