個性化推薦驅動業務增長應用與實踐全解讀

一、我們為什么需要推薦系統？

1、智能推薦的核心價值

推薦本質是讓人們在海量信息中找到他們需要的內容，是信息爆炸時代下的產物。改革開放以來，物質文化生活極大豐富，內容和商品生產門檻在不斷降低，面對信息過載，精力有限的用戶的接受速度，與內容和商品的生產速度呈現矛盾。在這種情況下，智能推薦系統普及與應用，其核心價值就是解決信息過載。

2、什么樣的企業需要智能推薦？

智能推薦提升產品智能化及用戶體驗。以內容分發行業為例，門戶時代的編輯，通過人工的方式進行頻道內的內容分發。以體育頻道為例，編輯所關注的內容粒度可能是 NBA，但對于關注“詹姆斯”這種更細粒度的用戶群體，編輯則無法很好滿足。

智能推薦降低運營成本，提升運營效率。隨著流量紅利消失，企業關注降本增效。傳統的門戶可能需要成百上千的編輯來進行內容分發，依舊無法滿足用戶更細粒度的內容需求。智能推薦的存在，可實現幾個運營負責一個客戶端內容的分發，日常做一些推薦干預即可。

智能推薦提升核心的業務指標。今日頭條構建起智能推薦分發內容并實現崛起，證明了智能推薦可以助力業務增長。今日頭條此前公布其用戶每天使用時長是 75 分鐘，已經遠超于門戶類網站。

被驗證過的價值及全行業的擴散。今日頭條的成功驗證了智能推薦的價值，如今智能推薦不再是今日頭條的專屬，已經擴展成為移動互聯網基礎設施。

二、我們需要什么樣的推薦系統？

1、常用的推薦類型及場景

常用的推薦類型包括個性化推薦、相關推薦、熱門推薦三類。

個性化推薦：內容媒體的 Feed 流、電商“猜你喜歡”，視頻 APP 的輪播，商品詳情頁“猜你喜歡”……這些場景都是個性化推薦，通過千人千面，讓用戶直接看到感興趣的內容或商品。

圖 1 個性化推薦

相關推薦：根據計算內容或商品的相似度，進行一些相似內容或商品的推薦，以滿足用戶延伸閱讀或者延伸購買或復購的需求。

圖 2?相關推薦

熱門推薦：微博的話題榜、知乎熱榜等，都是通過點擊、收藏、評論等用戶行為計算出熱門及排名，提供給用戶的熱門內容，滿足從眾心理。

圖 3?熱門推薦

2、企業應該自建，OR 選擇第三方廠商？

（1）適合自建的企業及自建風險

對于同時符合大型公司、技術積累深厚、戰略縱深類的公司適合自建。相比中小型公司，大型公司擁有足夠資源、時間、人力儲備來滿足自建需求。大型公司有深厚的技術積累，且有足夠的現金牛業務，不迫切需要增長，則可以自建。但是自建會面臨較高的招聘成本、時間風險、效果風險。

（2）引用第三方廠商及風險

引入第三方相比自建的確是投資低、見效快，但是會面臨企業智能推薦能力沉淀，以及系統能否與業務相融合的風險。

綜合衡量后，我們認為對于大部分企業智能推薦建設的最佳實踐是，專業的公司做專業的事，選最專業最符合自身需求的廠商，而非最便宜的，從而將主要精力聚焦在自身核心業務上。

3、如何實現卓越的業務目標？

第一，??數據治理精耕細作：數據埋點與校驗。如果埋點和校驗本身有問題的話，再厲害的算法都無濟于事。神策智能推薦非常重視數據埋點與校驗，每個客戶都會有專業的分析師分析客戶推薦需求，確定埋點方案，并與客戶技術人員一道做埋點校驗，從源頭上保證數據質量，從而能夠實現超出預期的推薦效果。

第二，??深度學習應用于推薦召回與排序。協同過濾已經存在 20 余年，神策智能推薦主要采用深度學習，對比協同過濾，深度學習召回模型更有優勢，如下。

（1）更全面的行為表達。在模型中結合點擊、收藏、搜索等多種行為，能更全面地表示用戶行為偏好，而在協同過濾中是不能這么做的。

（2）可添加畫像特征，可加入性別、地域等用戶畫像相關的特征。如果你有額外的一些標簽或發生的信息，這個模型是可以兼容的，它可以把所有信息糅雜在同一模型里面去做，而在協同過濾模型里面是完全無法引入的。

（3）考慮用戶的行為順序。比如用戶通常的行為順序是，先買一個手機，然后再去買一個手機殼；買了一個汽車后可能會買個汽車坐墊。如果推薦順序是：用戶買了個手機殼后被推薦了一款手機，這樣的邏輯明顯是錯誤的。協同過濾是不具備序列關系的學習能力的，它將所有的行為都看成一個完全平等的關系，而深度學習是可以學習順序，在整體模型的表達的能力和調優方面都非常前沿。

（4）組合復雜特征。神經網絡可以進行更復雜的特征組合，挖掘更深層次的關聯關系。

第三，??全面的行為特征與第三方畫像數據。神策智能推薦全面采集用戶行為特征，不只是點擊曝光，包括分享、收藏、訂單轉化等數據都會進行采集，基于此構建的推薦系統，進行推薦效果調優。如果客戶提供給第三方畫像數據，則可以更好解決了智能推薦系統冷啟動的問題。

第四，??訓練有素的工程與算法人員。神策智能推薦具有BAT背景的工程與算法團隊，具有豐富的推薦系統構建經驗。

4、數據積累和賦能

數據資本時代，數據是企業的核心資產。馬云曾說阿里巴巴是一家數據公司，阿里巴巴用數據驅動業務實現了持續快速的增長。隨著人口紅利消失，精細化運營與數據驅動成為企業成敗的關鍵，數據沉淀是第一步。神策智能推薦不僅能夠提供超出客戶預期的推薦效果，還能夠以私有化部署的方式，為客戶沉淀數據資產。客戶可以將采集數據用于精細化運營、用戶畫像或廣告營銷等場景，最大化發揮數據價值。

授人以魚，不如授人以漁。推薦系統作為移動互聯網的基礎設施，事關企業事業的成敗，如果采用 SaaS 服務，SaaS 廠商不再提供服務或者業務重心轉變，都可能導致企業業務受到致命影響。因此適用企業的推薦系統需要自主可控，推薦系統的能力也應該是可沉淀的。神策智能推薦采用私有化部署，將推薦系統部署到客戶的服務器上，同時會有推薦系統的使用培訓，客戶的技術人員也可以添加特征、調整召回、訓練模型并調參，真正做到交付給客戶自主可控的推薦系統。

5、推薦與業務深入融合

算法沒有價值觀，但企業有價值觀。算法是服務于企業業務的，歸根結底是由企業的意志來決定推薦結果導向。

推薦系統與業務結合實現價值最大化。只是追求推薦指標的話，標題黨、假冒偽劣低價產品能夠符合短期的推薦指標，但是從長期來看是傷害用戶體驗的，以及破壞平臺生態的，只有推薦系統與企業業務結合才能實現價值最大化。

基于業務認知提供的推薦運營后臺。基于以上兩點，我們為客戶提供了智能推薦的運營后臺，用戶可以根據自媒體或供應商提供內容或商品的優劣與否做加權和降權，避免一些自媒體作者或者商家研究算法后利用平臺漏洞。諸如此類，幫助企業推薦系統與業務結合，實現最大價值。神策智能推薦場景列表圖和物品庫如下圖。

圖 4 神策智能推薦之場景列表

圖 5 神策智能推薦之物品庫

通過神策智能推薦之場景列表，用戶可從場景列表查看場景基本信息及操作入口。物品庫可供各場景用來推薦的物品總庫，可針對單條或多條物品做封禁操作，封禁后，該物品不會被任何推薦場景推出。泛內容類、泛電商類企業對此應用較廣，例如泛內容類平臺，針對某些政治敏感、負能量、黃賭毒內容需要封禁；泛電商類平臺，涉及某些商品下架或者有質量服務問題被投訴過多的問題。

三、推薦系統助力業務增長實踐

1、神策數據服務的客戶維度

行業維度：資訊/論壇/短視頻/長視頻/小說/在線教育/廣電

業務維度：推薦 0-1 替代專家規則、有自建推薦需助力增長、賦能多條產品線（駐地）

增長指標：CTR/平均消費數（泛內容行業）、留存率、下單率/GMV（泛電商行業）

2、助力客戶業務增長實踐

案例一：某內容媒體高時效性個性化推薦提升人均瀏覽量

該公司內部有算法團隊，但遇到推薦效果瓶頸，希望尋求第三方推薦廠商提升推薦效果。推薦提升核心指標：點擊率。最終結果是 CTR ：比自建推薦提升了 40.67%，比友商推薦提升了 11.23%。

圖 6 某內容媒體業務增長實踐

案例二：某 IPTV 播放平臺個性化推薦提升影視推薦精準度，提升人均瀏覽次數

在與神策合作前，該平臺采用人工編輯，以周為時間周期固定內容全量推薦。目標有三：急需引入智能推薦引擎，實現“千人千面”的個性化推薦；提升影視推薦的精準度、更新頻率；提升用戶觀影體驗。

圖 7 某 IPTV 播放平臺業務增長實踐

該案例中智能推薦的效果是，對比人工推薦，CTR 指標即提升了 6 倍；對推薦內容的人均瀏覽次數提升了 1.9 倍；完成整體方案的培訓，賦能客戶方算法團隊，將方案推廣到其他駐地。

神策智能推薦系統是一款賦能業務增長的智能推薦系統，目前正在服務的客戶包括惠頭條、媽媽幫，菲助、中青看點、縱橫文學、百度視頻、東方明珠、心上等。它基于神策分析的強大的數據采集能力，幫助企業從用戶行為數據的采集、建模、挖掘到效果分析，完成從“數據采集+推薦引擎+效果反饋”的推薦全流程。下圖是神策智能推薦的實施落地流程圖。

圖 8 神策智能推薦落地流程圖

最后，推薦幾本有價值的書籍，會對你了解大數據和智能推薦有很大幫助。

關注神策數據公眾號回復“智能推薦驅動業務”可獲取完整版PPT