個(gè)性化推薦最早起源于美國(guó)電商平臺(tái)亞馬遜，推薦系統(tǒng)能夠基于上億的商品目錄為數(shù)百萬用戶提供推薦服務(wù)。那電商App基于個(gè)性化推薦實(shí)現(xiàn)精準(zhǔn)營(yíng)銷，該如何預(yù)估點(diǎn)擊率？歡迎閱讀，希望對(duì)你有幫助。

　　圍繞產(chǎn)品與商品的核心目標(biāo)進(jìn)行的推薦才是有價(jià)值的，推薦的目的可以定義為幾個(gè)點(diǎn)：

　　讓產(chǎn)品活的更久：活的久是要延長(zhǎng)產(chǎn)品的生命周期，延長(zhǎng)用戶的生命的周期，更受用戶喜歡；讓產(chǎn)品活的更好：活的更好就是通過廣告、用戶主動(dòng)付費(fèi)等方式獲得收入，帶來商業(yè)價(jià)值；

　　本質(zhì)上產(chǎn)品需要將整個(gè)用戶行為路徑進(jìn)行優(yōu)化，比如電商產(chǎn)品，在推薦的場(chǎng)景需要考慮展現(xiàn)形態(tài)，包括圖片和文字簡(jiǎn)介，購物鏈路上的商品詳情頁的描述信息豐富和核心程度，整體布局等等；去偽存精，通過信息表達(dá)需要考慮基礎(chǔ)信息區(qū)（回答商品是什么，吸引決策）。又如：優(yōu)惠（有沒有優(yōu)惠，刺激決策）；服務(wù)區(qū) (有沒有保障，加固決策）；參數(shù)規(guī)格區(qū)（有哪些可選，完成決策）；評(píng)價(jià)區(qū)（大家怎么說，輔助決策）；后續(xù)推薦卡片（再逛逛別的，流量再分發(fā)）

　　01 推薦是幫助用戶感知，而不是強(qiáng)迫用戶思考

　　在推薦商品的過程中，永遠(yuǎn)需要記住的是：幫助用戶感知，而不是將過多的主觀想法強(qiáng)加于用戶，推薦中收集用戶數(shù)據(jù)，并對(duì)用戶意圖及行為路徑建模，從而建立整體用戶認(rèn)知，將條目作為認(rèn)知的載體呈現(xiàn)給用戶，讓用戶進(jìn)行體驗(yàn)交互，并進(jìn)一步收集用戶反饋，假設(shè)用戶有正向反饋的商品是用戶表現(xiàn)出價(jià)值認(rèn)可的。在此基礎(chǔ)上，我們可以讓用戶、持續(xù)留存，并且建立一定的、情感鏈接。

　　02 全局推薦的機(jī)制

　　圍繞“數(shù)據(jù)”“商品形態(tài)，類目形態(tài)、瀏覽時(shí)長(zhǎng)”“算法”進(jìn)行“協(xié)同優(yōu)化”才能帶來更大的收益；用戶體驗(yàn)的滿意程度貫穿于整個(gè)產(chǎn)品使用過程中，如果想要有好的推薦結(jié)果，必然需要“全局”優(yōu)化；

　　推薦時(shí)機(jī)：由于興趣發(fā)現(xiàn)和收斂速度的原因，對(duì)于智能程度的感知也隨時(shí)間會(huì)產(chǎn)生較大的變化，合適的時(shí)機(jī)能夠帶來更大的收益。

　　推薦質(zhì)量：對(duì)于不同的產(chǎn)品，內(nèi)容時(shí)效性和列表新穎性有不一樣的要求，對(duì)于不同領(lǐng)域的產(chǎn)品，質(zhì)量也有不一樣的定義。

　　多樣性：對(duì)于推薦而言，既要滿足用戶行為中的正負(fù)反饋，又要給予用戶更加多樣的列表。

　　產(chǎn)品定位：不同位置的推薦定位不同 ，跳出局部最優(yōu)思想，做全局最優(yōu)化，永遠(yuǎn)是場(chǎng)景間協(xié)同，根據(jù)行為路徑的差異，行為深度的差異來做「差異化的場(chǎng)景設(shè)置。

　　單品頁：購買意圖，過渡頁：提高客單價(jià)，購物車頁：購物決策，無結(jié)果頁：減少跳出率，訂單完成頁：交叉銷售，關(guān)注推薦：提高轉(zhuǎn)化，我的xx推薦：提高忠誠(chéng)度，轉(zhuǎn)化，瀏覽時(shí)長(zhǎng)；

　　03 用戶維度的推薦

　　產(chǎn)品所面向的不同類型用戶很大程度會(huì)影響推薦系統(tǒng)的效果；如“新老用戶占比”，即營(yíng)銷引流與用戶留存的情況所影響的占比，新用戶在冷啟動(dòng)上會(huì)需要花費(fèi)更多的時(shí)間。

　　因?yàn)樾掠脩敉ǔＪ悄切]有行為或者行為過少的用戶，本質(zhì)還是數(shù)據(jù)稀疏問題帶來的困難，初期可以用冷啟動(dòng)的一些方法來進(jìn)行推薦，最終最有效的方式是將新用戶留下來，將新用戶培養(yǎng)成老用戶；“不同性別用戶的占比”這個(gè)主要體現(xiàn)在用戶的行為性別，因?yàn)椴煌詣e的人在使用產(chǎn)品過程中的差異非常大，對(duì)體驗(yàn)好壞的體感也有較大差異；

　　精準(zhǔn)推薦營(yíng)銷涉及到，站內(nèi)與站外綜合運(yùn)營(yíng)，比如：DSP、ASO、ASA、精準(zhǔn)推送、智能推薦、用戶畫像、會(huì)員營(yíng)銷。

　　基于地理位置的精準(zhǔn)：以攜程的旅游景點(diǎn)、項(xiàng)目營(yíng)銷為例，定了麗江的機(jī)票的用戶，給其推送麗江當(dāng)?shù)氐木频瓯韧扑捅本┑木频旮菀妆挥脩艚邮?，從而下單?/p>

　　行為維度、個(gè)性維度：通過用戶的搜索、購買、社交等表現(xiàn)，可以對(duì)其進(jìn)行個(gè)性化的認(rèn)知和洞察，繼而進(jìn)行人群劃分，譬如按照收入、性別、喜好等等，比如攜程的旅游景點(diǎn)、項(xiàng)目營(yíng)銷為例，由于對(duì)用戶分析的精準(zhǔn)，你知道經(jīng)常訂購400-500元區(qū)間的酒店，并且喜好商務(wù)酒店，所以大概率推送的商務(wù)酒店應(yīng)該在100-500區(qū)間。

　　點(diǎn)擊率預(yù)測(cè)：廣告中點(diǎn)擊率預(yù)估計(jì)算出的是精準(zhǔn)的點(diǎn)擊概率，A點(diǎn)擊率0.22% , B點(diǎn)擊率0.34%等，需要結(jié)合其它因子（出價(jià)）用于排序；推薦算法對(duì)準(zhǔn)確值沒有明確要求，只需計(jì)算出一個(gè)最優(yōu)的次序A>B>C即可

　　點(diǎn)擊率 = 點(diǎn)擊數(shù)/瀏覽數(shù)(點(diǎn)擊率越高，意味著在相同投入的情況下，收獲了更多的用戶注意力)

　　點(diǎn)擊率預(yù)估 = 在某種環(huán)境x下，某個(gè)推送y展現(xiàn)給某個(gè)用戶z后，用戶點(diǎn)擊的概率r

　　點(diǎn)擊率只是衡量效果的一個(gè)指標(biāo)，但大部分公司均會(huì)將其作為重要指標(biāo)考核。

　　場(chǎng)景的廣泛使用，起源于移動(dòng)互聯(lián)網(wǎng)的迅猛發(fā)展；用戶的行為在多屏間跳轉(zhuǎn)，在PC上的碎片化，如今成為了跨屏的碎片化，此時(shí)的精準(zhǔn)，又加入了場(chǎng)景的維度；平臺(tái)根據(jù)用戶的最終極速畫像，推薦時(shí)機(jī)、場(chǎng)景、渠道、商品等選擇投放內(nèi)容，精準(zhǔn)投放。

　　搜索場(chǎng)景：搜索中有強(qiáng)搜索信號(hào)-“查詢?cè)~(Query)”，查詢?cè)~和內(nèi)容的匹配程度很大程度影響了點(diǎn)擊概率； 點(diǎn)擊率也高，搜索能到達(dá)百分之幾的點(diǎn)擊率。

　　非搜索場(chǎng)景：（例如展示廣告，信息流廣告），點(diǎn)擊率的計(jì)算很多來源于用戶的興趣和廣告特征，上下文環(huán)境；移動(dòng)信息流廣告的屏幕比較大，用戶關(guān)注度也比較集中，好位置也能到百分之幾的點(diǎn)擊率。對(duì)于很多文章底部的廣告，點(diǎn)擊率非常低，用戶關(guān)注度也不高，常常是千分之幾，甚至更低。

　　專欄作家

　　小鑷子，人人都是產(chǎn)品經(jīng)理專欄作家。養(yǎng)成挖掘性的思考習(xí)慣、綜合、市場(chǎng)、運(yùn)營(yíng)、技術(shù)、設(shè)計(jì)、數(shù)據(jù)、擅長(zhǎng)跨境電商，綜合電商與商業(yè)模型。

　　本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

　　題圖來自Pexels，基于CC0協(xié)議。

　　該文觀點(diǎn)僅代表作者本人，人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。

  今天的分享就到這里了，想了解更多關(guān)于淘寶代運(yùn)營(yíng)哪家公司好、十大淘寶代運(yùn)營(yíng)服務(wù)商等內(nèi)容，敬請(qǐng)關(guān)注火蝠電商官網(wǎng)。