更多：推薦系統(tǒng)…

這里需要提一下客戶體驗價值，它幫助企業(yè)了解每個客戶的體驗價值和商業(yè)價值，從而幫助決定如何對待客戶體驗，以及如何調(diào)整客戶體驗項目的投入。每個產(chǎn)品特性導致不同的評估指標，最核心的是如何評估用戶需求滿足度？不同場景、不同階段的推薦系統(tǒng)各部分重要程度不同 ~~

推薦效果影響因素：用戶需求、數(shù)據(jù)質(zhì)量、算法策略、模塊位置、展現(xiàn)樣式、契合產(chǎn)品…

推薦目標：實現(xiàn)產(chǎn)品目標，合適的才是最好的

核心問題：如何構(gòu)建一個用戶對商品的評價模型

宗旨：服務提供方與消費方的雙贏

推薦系統(tǒng)是一個多方交互的復雜系統(tǒng)，有很多因素能夠?qū)ν扑]系統(tǒng)的效果產(chǎn)生影響，本文試對這些因素中的一些代表性因素進行簡單的闡述分析。

▌宏觀

從宏觀上來看，好的推薦系統(tǒng)就是滿足用戶的需求，幫助其進行路徑優(yōu)化與興趣發(fā)現(xiàn)。微觀上來講，好的推薦系統(tǒng)一定是再為產(chǎn)品服務，不同的產(chǎn)品階段，我們需要確立不同的推薦系統(tǒng)目標及評價體系。比如產(chǎn)品上線初期，該產(chǎn)品線上的用戶為初次體驗用戶，我們可能更多的讓用戶體驗到性價比，以電商推薦產(chǎn)品為例，比如新客專享等福利。再比如產(chǎn)品逐步發(fā)展，我們可能會去著重考量瀏覽深度，點擊率，轉(zhuǎn)化率，客單價，gmv 等指標，或是多個指標的整體值。

推薦系統(tǒng)評價的體系會圍繞以下幾點進行決策：新上線的功能或者算法對產(chǎn)品價值多大，成本多高，收益如何？展開的話就是可以問自己以下幾個問題：目前的推薦系統(tǒng)與產(chǎn)品和核心是否一致，是否是在強化瀏覽深度，點擊率，gmv 等現(xiàn)階段的目標，與目前產(chǎn)品的發(fā)展階段是否相符，這里主要考量產(chǎn)品自身的用戶量，人群大小，用戶使用頻度等，最終就是結(jié)合以上兩個問題，所使用的推薦算法策略，是否能夠強化產(chǎn)品核心心智。

1. 產(chǎn)品域角度

1) 依賴于產(chǎn)品領(lǐng)域知識及目的

推薦產(chǎn)品的評價強依賴于產(chǎn)品領(lǐng)域知識，不同的領(lǐng)域?qū)τ谠u價也會有比較大的區(qū)別，工具類的產(chǎn)品重黏性和時長，電商重回訪和轉(zhuǎn)化。

2) 無整體評估方案存在

推薦產(chǎn)品的評估方案也存在?trade off?，很難做到各個方面都兼顧，只能說根據(jù)產(chǎn)品的各個階段選擇適合的評估方案，不斷調(diào)整及迭代。產(chǎn)品初期可能會考慮用戶的交互及瀏覽時長等體驗指標，產(chǎn)品中后期會從商業(yè)價值實現(xiàn)角度考慮商業(yè)收益等指標。

2. 信息檢索角度

1)?路徑優(yōu)化

推薦作為信息分發(fā)的路徑，定位于快速幫助用戶找到合適的條目，簡化和縮短用戶行為路徑，用完即走，當然不是永遠不來。每次快速完成用戶需求，并且用戶持續(xù)地來。

2)?準確的推薦

信息分發(fā)維度，推薦就是需要準確，必然是準確的推薦是好推薦的核心要素之一。

3. 推薦系統(tǒng)角度

1)?長尾挖掘

挖掘必然是推薦需要去完成的一件事，長尾作為大頭的存在，分發(fā)過程中需要將把握，或者說長尾挖掘是好的推薦系統(tǒng)需要去完成的任務。

2)?用戶不知道什么商品存在

好的推薦系統(tǒng)是既可以根據(jù)用戶的反饋來推薦，也可以不斷幫助用戶進行探索，因為用戶可能不具有某個領(lǐng)域內(nèi)的知識，好的推薦系統(tǒng)還需承載幫助用戶發(fā)現(xiàn)新事物的功能。

4. 交互角度

1)?用戶好的體驗

好的用戶體驗，外在表現(xiàn)為對產(chǎn)品的評價，回訪、黏性、口碑等角度。

2)?教育引導

好的推薦可以快速地教育用戶，幫助用戶快速地了解產(chǎn)品和使用產(chǎn)品。

3)?說服并使用戶信任

可以讓用戶對產(chǎn)品的認知升級，并且開始信任推薦產(chǎn)品，對于推薦產(chǎn)品的結(jié)果產(chǎn)生依賴和信任感。

5. 商業(yè)視角

1) 可以為企業(yè)實體帶來商業(yè)價值的實現(xiàn)。

2) 優(yōu)化銷售邊界和利潤

幫助產(chǎn)品拓展邊界，通過場景構(gòu)建更多樣、更貼心的體驗，最終提升利潤等。

6. 推薦的 5W

進一步展開，從細節(jié)來講好的推薦系統(tǒng)往往會考量5個 w： when ，where ，who ，what ，why 。

When：主要是在圍繞時間維度做文章。圍繞季節(jié)、早晚、熱點時期、節(jié)日、周期等因素為平臺用戶提供推薦服務，一般圍繞時間維度的推薦會涉及用戶的購物習慣，易耗品的購物周期等，舉個例子來說，比如常見用戶在奶粉、紙尿褲等商品上會呈現(xiàn)一定的購物周期規(guī)律，通過數(shù)據(jù)分析發(fā)現(xiàn)，用戶的購物周期呈正態(tài)分布，如下圖。再比如周末線上支付線下消費的產(chǎn)品銷量會比工作日高等。當然泛推薦領(lǐng)域的信息推送等一般也會考慮時間因子進行信息推送 ( 短信 – email ) 。

Where：這個維度主要考慮地理位置因素，包涵了粗粒度的省份城市因素和細粒度的經(jīng)緯度，粗細粒度一般在不同的產(chǎn)品場景下被使用，細粒度的地理位置信息一般在用在時效性、區(qū)域性要求較高的產(chǎn)品上，比如外賣 ( O2O ) ；粗粒度則更多的是的輕位置信息的電商產(chǎn)品重，比如衣服，百貨等 ( B2C ) ，雖然輕位置信息，但是位置信息也會被使用在這類產(chǎn)品重，比如南方與北方姑娘喜歡的衣服風格會不一樣，天氣因素也會隨地理位置的不同不同，所以同一時間南北方的消費需求會存在差異。

Who：人物維度，則更多地去考慮用戶各類信息特征，比如用戶是男是女，是老是少，是新用戶還是老用戶，平時喜歡買什么品牌，喜歡什么品類的東西，風格如何等等，這些都是在描述這個人，現(xiàn)在這一類技術(shù)一般作為用戶畫像存在，通過用戶行為和人口統(tǒng)計學數(shù)據(jù)構(gòu)建的畫像體系。

What：這個維度則是需要推薦的主體是什么，主體類型可能有以下服飾，百貨，文章，音樂，美食，視頻等等，不同物料有著不同的自帶屬性，并且產(chǎn)品附加信息也不同。比如文章，視頻等對時效性的要求比電商類產(chǎn)品更高，特別是新聞類內(nèi)容基本時效性要求在天級；再比如剛剛說的對位置信息的利用，美食相對于衣服這類商品對位置的要求就更高。所以在推薦的過程中我們會根據(jù)推薦的主體不同做更多的推薦策略算法和系統(tǒng)的適配，最終去推動。

Why：這個維度更多地會去考量推薦地可解釋性問題，外化到產(chǎn)品維度則是推薦理由，比如是通過好友推薦的，比如通過瀏覽的商品推薦相似的商品等等 。所以上面這一切都基于數(shù)據(jù)洞察，維度基本有以下幾個：用戶數(shù)，用戶群體，推薦功能，推薦內(nèi)容，非個性化 or 個性化，Top-N ，列表瀏覽，是否實時反饋，消費需求變化情況。

通過以上維度進行產(chǎn)品定位，最終可以考慮的設計要素有：需求分析和用戶調(diào)研，功能設計，界面設計，架構(gòu)設計，算法設計，系統(tǒng)評測。總之，每個產(chǎn)品特性導致不同的評估指標，對于用戶滿足度不同的定義也帶來了不同的評估方式，并且不同場景、不同階段的推薦系統(tǒng)各個部分重要程度不同。

用戶不只追求更優(yōu)質(zhì)的商品，也會期待看到商品為自己帶來價值、便利性與獨特性。在積極打造更好的購物體驗的同時，必須記住渠道策略并不是一體適用、能夠一招打天下。電商平臺上，每一名用戶可以采取的購買路徑就至少有10,000條。而根據(jù)內(nèi)部的數(shù)據(jù)分析，一般來說，85%的銷量會來自35條高流量路徑。

7. 回到電商

回到電商，好的電商推擠產(chǎn)品，需要圍繞商品更新，商品質(zhì)量，商品與買家的匹配程度，好的推薦產(chǎn)品遵循以下四點：

提升買家用戶的體驗，提高選購決策質(zhì)量與效率實現(xiàn)優(yōu)質(zhì)買家的差異化服務；

提高商品的有效曝光機會與轉(zhuǎn)化率，提升賣家用戶的效果與效益；

利益均衡機制，均衡曝光機會，提升曝光商品及商家的覆蓋率；

提升買家留存率與賣家續(xù)簽率，提升買賣家的忠誠度，提升商品點擊機率。

瀏覽與成交之間存在著巨大鴻溝，好的推薦將幫助平臺挖掘消費的深度，在各個特定場景下提升推薦轉(zhuǎn)化；拓寬消費的廣度，提升推薦對物料的覆蓋，提升對用戶的覆蓋，各個場景的擴充，做到淺層消費到深層消費再到擴展消費。

▌微觀

1. 整體維度

HEART模型：Happiness 愉悅度、滿意度、推薦度、感知易用性；

Engagement 沉浸度：使用頻度訪問頻次、頁面點擊、停留時長, 點擊 / 轉(zhuǎn)化等比率，為產(chǎn)品帶來點擊率、轉(zhuǎn)化、時長、黏性的提升；

Adoption 采納性：新用戶率、客流量、退出率；

Retention ?用戶粘度：老用戶留存率、周回訪率、周訪問頻率；

Task Success 任務完成度。

2. 算法維度

準確度評價指標：

預測準確度，分類準確度，排序準確度，預測打分關(guān)聯(lián)，半衰期效用指標, 準確的用戶對商品的評分。

準確度之外的評價指標：

推薦列表的流行性和多樣性， 召回率，覆蓋率，新鮮性和意外性，用戶滿意度。

其它相關(guān)指標：

用戶對算法準確度的敏感度，算法對不同產(chǎn)品的普適性，廣義的質(zhì)量評價，個人隱私的保護，推薦系統(tǒng)的魯棒性等 具體上述幾個指標的計算等，我們在推薦系統(tǒng)的評價這一章展開。

3. 線上 & 線下指標

1)?離線指標與評價：mse 、rmse 、auc 、ndcg 、roc 等。

2)?線上指標與評價：abtest 、ctr 、cvr 、gmv 等，一般通過 ABtest 來完成。

▌開始前，先問自己幾個問題

目前即將開始的推薦與產(chǎn)品核心是否一致，是否直接強化：PV / UV 、GMV ；是否與產(chǎn)品發(fā)展階段相符 (?用戶量、感興趣人群大小、頻度 ) ；是否有合理的性價比、投入產(chǎn)出比。推薦功能對該產(chǎn)品有無價值 ( 可以 ) ，價值多大 ( 值得 ) ，成本和收益 ( 現(xiàn)在 ) ，優(yōu)先級 ( 怎樣 )??。

▌好的推薦系統(tǒng)迭代流程

首先需要明確產(chǎn)品線當前需求，做好推薦系統(tǒng)定位。就優(yōu)化面來說：主要區(qū)分為是考慮做單產(chǎn)品局部優(yōu)化，還是直接考慮全局優(yōu)化，平衡整體收益與各模塊內(nèi)部收益； 而從用戶維度區(qū)分定位，則可以區(qū)分高收益用戶與低收益用戶。

有了定位就可以確定推薦目標了，從之前的介紹來看，我們可以選擇宏觀與微觀指標，長期與短期指標來驅(qū)動迭代。下一步就是方案選型，通過系統(tǒng)開發(fā)周期的限定下，明確重點，選擇合理的方案，并且預估一個合理的目標值。開發(fā)過程中可以逐步明確相關(guān)流程，并做調(diào)整。推薦系統(tǒng)的優(yōu)化是一個逐步迭代的過程，這一過程中需要我們進行效果的監(jiān)控，從而推動策略的迭代。當然可能在迭代過程中，我們推薦系統(tǒng)也會隨著產(chǎn)品發(fā)展調(diào)整目標，也可能因為產(chǎn)品的相關(guān)原因，停滯或停止。

貫穿上述過程的整個流程，主要分為：

需求分析和用戶調(diào)研、功能設計、界面設計、架構(gòu)設計、算法設計、系統(tǒng)評測。

作者介紹：

姚凱飛，Club Factory 推薦算法負責人。碩士畢業(yè)于上海交通大學，前阿里推薦算法工程師，多年電商及視頻推薦經(jīng)驗，目前在出海電商Club Factory負責推薦算法工作。

總結(jié)

以上是生活随笔為你收集整理的python推荐哪个系统好_什么是好的推荐系统?的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。