智能推荐七大玩法场景化解读和评估体系

编辑导读：时至今日，推荐系统已然成为一门显学，智能推荐成了互联网产品的标配。那么在互联网产品运营场景中，如何巧用智能推荐赋能业务增长？又该如何评估推荐系统的优劣？本文作者对此进行了分析，希望对你帮助。

一、智能推荐七大玩法场景化解读

玩法一：热门事件，让“吃瓜群众”看过来！

当用户打开 App，面对海量内容和商品无从选择，这时如果有最热推荐或爆款商品等版块，就极有可能快速吸引他的注意力。

这种热门推荐场景一般由系统定时更新数据并主动推荐到用户面前，用户打开界面就能接触到讨论度最高的内容，一方面满足了用户的从众心理，不会错过一手瓜，另一方面也能激发用户兴趣，让用户不会出现选择困难。

典型场景——微博热搜榜、抖音热榜

玩法二：相关推荐，让用户“意犹未尽”

信息爆炸时代，罗列所有信息等同于给用户添麻烦，这样不仅使用户无从下手，而且导致信息利用率低下，相关推荐正是为了解决此类问题而生。

所谓相关推荐，是根据计算内容或商品的相似度，进行一些相似内容或商品的推荐，以满足用户延伸阅读或者延伸购买的需求。比如用户浏览一个手机后，下面推荐了“相关手机”，阅读一篇文章后，下面推荐了“相关文章”，推荐内容和用户关注的内容相关，可以有效帮助用户筛选信息，过滤掉相关度低或完全不相关的信息，发挥用户时间的最大效用，提升阅读和购买的幸福度。

典型场景：微信读书“继续阅读”相关推荐

玩法三：想用户之所想，Feed 流让用户持续“消费”

伴随内容爆发和用户时间的挤压，传统的内容信息流已经呈现出了很大的弊端，无法再满足用户高效获取特定内容的需求，如何让用户进入 App 后可以持续消费内容？Feed 流成为最优解。

目前 Feed 流的主流排序方式不再严格按照时间线，而是广泛使用智能 Feed 排序。智能排序基于趋势、热门、用户生产、编辑推荐、相似性等因素综合考虑。新的 Feed 流不再需要用户主动订阅或者搜索，只要根据其浏览时长、点赞分享等动作，或者建立用户画像，就可以主动推荐用户感兴趣的内容。在内容很多很杂，且与用户关联不强的情况下，Feed 流无疑是一个很好的筛选器。它对用户了如指掌，能够源源不断地提供用户想了解的，可以有效地提升使用时长。

典型场景：知乎 Feed 流

玩法四：激发并推荐 UGC，度过“冷启动期”

去中心化的时代，平台之间的竞争已经演变成生态系统的竞争，内容型平台更是如此。维护第三方生态的繁荣成了很多平台公司的刚需，这就需要将第三方创作者新生产的内容尽可能的推荐出去，才能保障平台的多样性，激发平台上第三方创作者的积极性，提升平台生态的活力。同时通过这种冷启动推荐方式可以让新内容快速找到最可能的受众，也可以快速知道哪些新内容是大受用户欢迎的，有助于提升平台自身的营收。

具体怎么实现呢？以视频为例，100 个作者新发的视频往往只有 10 个是优质视频并预期能得到平均水准以上的消费，那么通过模型预估视频的价值，并为可能成为热门的视频增加推荐权重就能让爆款尽快的出来，另外 90 个也要合理的推荐，在尽量不影响大盘核心指标的情况下，提高创作者的积极性，只有创作者们愿意花时间创造更多的内容，才能让产品内容生态更加丰富。

玩法五：因人而异，“黄金时间”有效留住新用户

众所周知，现在获取新用户的成本和难度都在增大，因此一旦获取新用户，他们的留存就变得非常关键，因为如果新用户来到平台发现对推荐的内容不感兴趣，那么很有可能快速卸载流失。相反，如果新用户冷启动推荐的好，会让这部分用户留下来，最终产品的用户量就会稳步增长。

那么在新用户冷启动时，如何通过智能推荐实现更好的激活留存呢？可以从新用户的获取来源、注册时填写的年龄、性别、地址等信息、授权设备信息、首次登陆所选标签、绑定的社交账号等维度出发，根据这些维度推测用户偏好进行智能推荐，能够在黄金时间有效留住新用户。

比如抖音在平台上发现年轻的一二线城市的用户喜欢拍摄“手指舞”，“手指舞”视频就成为站外获客的一个素材，通过这个素材点击带来的新用户，打开抖音的第一个视频内容就是“手指舞”。

比如新用户通过用户间的分享点击来到产品，这个自带的关系链以及分享者的用户画像，都是产品进行新用户承接转化的策略依据。

知乎新用户标签选择页面

玩法六：以类聚，以群分，页面配置千人千面

用户所处的生命周期阶段不同，对应的活动需求和偏好也不同，但现实中，App 的开机图、首页、轮播等广告位内容呈现容易缺少差异化，如果可以根据不同生命周期用户的需求分类来配置页面，可以快、准、稳地进行产品运营，实现广告位资源的价值最大化和用户惊喜度的提升。

比如在某电商的轮播位素材推荐时，用户 A 是正在探索产品价值中的新用户，首次访问距今 3 天内还未购买过商品，那么可以针对性地推出新人专享 & 节日活动，利用优惠促销信息刺激其激活转化；用户 B 是有望转化为 VIP 的高潜力用户，累计购买金额大于 1000，且累计购买次数大于 10 次，针对这类用户可以采用 VIP 入会等活动。

玩法七：算准消耗周期，适时推荐复购

每个消费者的购物消费都是有周期的，针对购买链条中复购环节的周期性特点进行算法推荐，能够提升平台流量价值最大化。

比如某奢侈品电商平台经过分析调研得知，产品的平均复购时间为 2 个月左右，根据这个周期可以给已购用户做推荐，使在客户有复购需求时，商品能够恰到好处的出现或进行优惠券的发放，可以有效促进用户体验和 GMV 的双重提升。再如，针对奶粉品类用户，通常一罐奶粉吃一个月，那么可以固定在每个月月初投放 1-2 张奶粉品类优惠券并通过推送 Push 等提醒用户选购奶粉，这样能有效提升这类用户的复购率和 GMV。

二、如何评估推荐效果？

管理学大师彼得·德鲁克曾经说过“如果你无法度量它，就无法管理它”，这对于一个推荐系统的效果评估同样适用，要想看一个推荐系统是否有效，就难以绕开评估指标。评估一个推荐系统，包括离线评估和在线评估两种方式。下面详细展开介绍。

1. 离线评估

离线评估包括人工评估、AUC、DCG。

人工评估比较好理解，比如我们认为一个用户很喜欢动画片，于是进行一些推荐，我们可以直接去观察所推荐的内容中用户播放动画片的比例是否比较大；同时 AUC、DCG 也是常用的模型离线评价指标，但是这些数据指标可能会存在比较大的偏差，所以一般不会拿此指标来直接评估效果，而只是把它作为参照指标。

2. 在线评估

推荐系统的在线评估指标包括：点击率、点击人数比、留存率、转化率等，具体包括：

1）点击率

点击率是评估推荐效果比较经典的指标，记录了用户每次进入推荐内容的点击情况，能够粗略衡量转化效果。

2）点击人数比

指点击的人数除以推荐的曝光人数，这是一个用来衡量推荐系统触达率的一个重要指标。在评估一个模型效果时，可能点击率上涨，但点击人数比并没有变化，这说明推荐结果只对于部分老用户产生比较好的效果，对于触达不到的用户，仍然没有成功吸引他们来使用我们的推荐系统，所以点击人数比与点击率是对推荐系统在不同方面的评估。

3）人均点击次数

指每个人在推荐系统里面平均每天点击了多少次。人均点击次数是需要大家持续关注的指标，因为这个指标真正体现出用户在这款产品中的使用深度。

4）留存率和转化率

留存率和转化率对于推荐系统来说，可能并不是一个那么直接的指标，比如推荐对留存的影响到底有多大，很大程度上决定于不同的产品形态，但它仍是我们去评估推荐系统的一个指标，至少我们需要知道此次推荐系统的迭代到底对于留存率的影响有多大，如果迭代后的留存率下降，即使点击率和点击人数都在上升，可能这一次迭代仍不能上线，因为它影响了留存的指标。

还有一些方面，具体展开如下：

时效性。如果我们在做一个新闻产品的推荐系统，那么给用户推荐的内容就应该是实时的，而不是上周发生的事情。

多样性。多样性其实是容易被忽视的一个指标，因为如果不追求多样性的话，点击率的数据会好看一点。

不知道大家有没有这样的体验，如果你对体育内容感兴趣，慢慢的你所有的推荐内容都变成了体育相关，似乎很难看到其他内容，推荐的内容越来越窄。短期来说，提升多样性可能会让点击率有一些损失，但是长期来说，多样性是为了提升整个产品用户体验所做的一种优化，这里需要考虑长期和短期的权衡。

稳定性。如果服务器经常挂掉，或者说响应时间总是五秒钟，这样的服务基本上是不可用的，我们一定要站在服务的角度去评估我们的推荐系统。 覆盖率。覆盖率指能够推荐出来足够多的长尾内容，一个 UGC 平台，需要去鼓励一些用户让他们来生成内容，即使是一些很小的用户，即使没有粉丝，也希望他的内容可以有一些曝光，有曝光就会有人去点赞，久而久之会形成一种良性循环。如果平台总是分发一些大 V 的内容，平台里小白用户的使用和体验就会变得非常糟糕，慢慢的就没有这些小的内容窗口了，平台将被大 V 占领，所以覆盖率也是一个推荐系统需要考虑的指标。

至于具体需要去考虑哪些指标，以及怎么去制定这些指标，要根据不同的产品形态以及产品不同的阶段而定。

三、推荐系统如何实现业务闭环？

仅仅了解这些评估指标是不够的，一套真正能发挥价值，赋能业务增长的推荐系统一定是一个可以快速迭代的闭环系统。那么，推荐系统如何实现业务闭环呢？

首先，数据是一切算法的前提，数据是否能够采对，直接影响推荐系统的最终效果能否满足预期。数据质量是推荐系统的基础，建立一个好的推荐系统，不仅需要数据采集够准确，还需要数据维度够全，粒度够细，时效性够高，这取决于是否具备全端的数据采集能力，能够实时同步数据流，以及精细的数据校验。

接着，当收集到能够表示用户偏好的数据后，需要我们开始设计推荐策略，构建算法模型。这个环节不仅要求有很强的算法能力，同时也需要对当前的业务有深入的理解。

最后，在推荐系统上线后，再次收集数据表现，对推荐效果进行多维的验证分析，了解具体的用户行为反馈，评估数据指标，再根据具体指标表现进一步调整模型参数、策略设计等，从而提升推荐效果，完成推荐系统迭代，形成闭环。全流程闭环的推荐系统支持支持采集终端（Web、App、H5、小程序、软件等）的用户行为、后端服务器日志（Log）、业务数据和第三方等多方数据源，存储最细粒度数据，利用最新深度学习和语义分析模型构建推荐引擎，推荐结果可利用数据分析模型多维度、多指标的实时效果分析，形成快速反馈，精准迭代特征集和算法模型。

如果想要去评估推荐系统对业务的影响，可以通过数据分析搭建高效数据指标体系，进行多维度、多指标的交叉分析来验证推荐效果。

同时，考虑到推荐系统要与企业业务相结合才能实现价值最大化，还可以根据不同行业的用户行为习惯和业务场景特点实现个性化推荐，助力提升核心业务指标。

 

本文由 @神策-乔一鸭 原创发布于人人都是产品经理，未经许可，禁止转载

题图来自 Unsplash，基于 CC0 协议