个性化推荐驱动业务增长应用与实践全解读

一、我们为什么需要推荐系统？

1、智能推荐的核心价值

推荐本质是让人们在海量信息中找到他们需要的内容，是信息爆炸时代下的产物。改革开放以来，物质文化生活极大丰富，内容和商品生产门槛在不断降低，面对信息过载，精力有限的用户的接受速度，与内容和商品的生产速度呈现矛盾。在这种情况下，智能推荐系统普及与应用，其核心价值就是解决信息过载。

2、什么样的企业需要智能推荐？

智能推荐提升产品智能化及用户体验。以内容分发行业为例，门户时代的编辑，通过人工的方式进行频道内的内容分发。以体育频道为例，编辑所关注的内容粒度可能是 NBA，但对于关注“詹姆斯”这种更细粒度的用户群体，编辑则无法很好满足。

智能推荐降低运营成本，提升运营效率。随着流量红利消失，企业关注降本增效。传统的门户可能需要成百上千的编辑来进行内容分发，依旧无法满足用户更细粒度的内容需求。智能推荐的存在，可实现几个运营负责一个客户端内容的分发，日常做一些推荐干预即可。

智能推荐提升核心的业务指标。今日头条构建起智能推荐分发内容并实现崛起，证明了智能推荐可以助力业务增长。今日头条此前公布其用户每天使用时长是 75 分钟，已经远超于门户类网站。

被验证过的价值及全行业的扩散。今日头条的成功验证了智能推荐的价值，如今智能推荐不再是今日头条的专属，已经扩展成为移动互联网基础设施。

二、我们需要什么样的推荐系统？

1、常用的推荐类型及场景

常用的推荐类型包括个性化推荐、相关推荐、热门推荐三类。

个性化推荐：内容媒体的 Feed 流、电商“猜你喜欢”，视频 APP 的轮播，商品详情页“猜你喜欢”……这些场景都是个性化推荐，通过千人千面，让用户直接看到感兴趣的内容或商品。

图 1 个性化推荐

相关推荐：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或复购的需求。

图 2 相关推荐

热门推荐：微博的话题榜、知乎热榜等，都是通过点击、收藏、评论等用户行为计算出热门及排名，提供给用户的热门内容，满足从众心理。

图 3 热门推荐

2、企业应该自建，OR 选择第三方厂商？

（1）适合自建的企业及自建风险

对于同时符合大型公司、技术积累深厚、战略纵深类的公司适合自建。相比中小型公司，大型公司拥有足够资源、时间、人力储备来满足自建需求。大型公司有深厚的技术积累，且有足够的现金牛业务，不迫切需要增长，则可以自建。但是自建会面临较高的招聘成本、时间风险、效果风险。

（2）引用第三方厂商及风险

引入第三方相比自建的确是投资低、见效快，但是会面临企业智能推荐能力沉淀，以及系统能否与业务相融合的风险。

综合衡量后，我们认为对于大部分企业智能推荐建设的最佳实践是，专业的公司做专业的事，选最专业最符合自身需求的厂商，而非最便宜的，从而将主要精力聚焦在自身核心业务上。

3、如何实现卓越的业务目标？

第一，  数据治理精耕细作：数据埋点与校验。如果埋点和校验本身有问题的话，再厉害的算法都无济于事。神策智能推荐非常重视数据埋点与校验，每个客户都会有专业的分析师分析客户推荐需求，确定埋点方案，并与客户技术人员一道做埋点校验，从源头上保证数据质量，从而能够实现超出预期的推荐效果。

第二，  深度学习应用于推荐召回与排序。协同过滤已经存在 20 余年，神策智能推荐主要采用深度学习，对比协同过滤，深度学习召回模型更有优势，如下。

（1）更全面的行为表达。在模型中结合点击、收藏、搜索等多种行为，能更全面地表示用户行为偏好，而在协同过滤中是不能这么做的。

（2）可添加画像特征，可加入性别、地域等用户画像相关的特征。如果你有额外的一些标签或发生的信息，这个模型是可以兼容的，它可以把所有信息糅杂在同一模型里面去做，而在协同过滤模型里面是完全无法引入的。

（3）考虑用户的行为顺序。比如用户通常的行为顺序是，先买一个手机，然后再去买一个手机壳；买了一个汽车后可能会买个汽车坐垫。如果推荐顺序是：用户买了个手机壳后被推荐了一款手机，这样的逻辑明显是错误的。协同过滤是不具备序列关系的学习能力的，它将所有的行为都看成一个完全平等的关系，而深度学习是可以学习顺序，在整体模型的表达的能力和调优方面都非常前沿。

（4）组合复杂特征。神经网络可以进行更复杂的特征组合，挖掘更深层次的关联关系。

第三，  全面的行为特征与第三方画像数据。神策智能推荐全面采集用户行为特征，不只是点击曝光，包括分享、收藏、订单转化等数据都会进行采集，基于此构建的推荐系统，进行推荐效果调优。如果客户提供给第三方画像数据，则可以更好解决了智能推荐系统冷启动的问题。

第四，  训练有素的工程与算法人员。神策智能推荐具有BAT背景的工程与算法团队，具有丰富的推荐系统构建经验。

4、数据积累和赋能

数据资本时代，数据是企业的核心资产。马云曾说阿里巴巴是一家数据公司，阿里巴巴用数据驱动业务实现了持续快速的增长。随着人口红利消失，精细化运营与数据驱动成为企业成败的关键，数据沉淀是第一步。神策智能推荐不仅能够提供超出客户预期的推荐效果，还能够以私有化部署的方式，为客户沉淀数据资产。客户可以将采集数据用于精细化运营、用户画像或广告营销等场景，最大化发挥数据价值。

授人以鱼，不如授人以渔。推荐系统作为移动互联网的基础设施，事关企业事业的成败，如果采用 SaaS 服务，SaaS 厂商不再提供服务或者业务重心转变，都可能导致企业业务受到致命影响。因此适用企业的推荐系统需要自主可控，推荐系统的能力也应该是可沉淀的。神策智能推荐采用私有化部署，将推荐系统部署到客户的服务器上，同时会有推荐系统的使用培训，客户的技术人员也可以添加特征、调整召回、训练模型并调参，真正做到交付给客户自主可控的推荐系统。

5、推荐与业务深入融合

算法没有价值观，但企业有价值观。算法是服务于企业业务的，归根结底是由企业的意志来决定推荐结果导向。

推荐系统与业务结合实现价值最大化。只是追求推荐指标的话，标题党、假冒伪劣低价产品能够符合短期的推荐指标，但是从长期来看是伤害用户体验的，以及破坏平台生态的，只有推荐系统与企业业务结合才能实现价值最大化。

基于业务认知提供的推荐运营后台。基于以上两点，我们为客户提供了智能推荐的运营后台，用户可以根据自媒体或供应商提供内容或商品的优劣与否做加权和降权，避免一些自媒体作者或者商家研究算法后利用平台漏洞。诸如此类，帮助企业推荐系统与业务结合，实现最大价值。神策智能推荐场景列表图和物品库如下图。

图 4 神策智能推荐之场景列表

图 5 神策智能推荐之物品库

通过神策智能推荐之场景列表，用户可从场景列表查看场景基本信息及操作入口。物品库可供各场景用来推荐的物品总库，可针对单条或多条物品做封禁操作，封禁后，该物品不会被任何推荐场景推出。泛内容类、泛电商类企业对此应用较广，例如泛内容类平台，针对某些政治敏感、负能量、黄赌毒内容需要封禁；泛电商类平台，涉及某些商品下架或者有质量服务问题被投诉过多的问题。

三、推荐系统助力业务增长实践

1、神策数据服务的客户维度

行业维度：资讯/论坛/短视频/长视频/小说/在线教育/广电

业务维度：推荐 0-1 替代专家规则、有自建推荐需助力增长、赋能多条产品线（驻地）

增长指标：CTR/平均消费数（泛内容行业）、留存率、下单率/GMV（泛电商行业）

2、助力客户业务增长实践

案例一：某内容媒体高时效性个性化推荐提升人均浏览量

该公司内部有算法团队，但遇到推荐效果瓶颈，希望寻求第三方推荐厂商提升推荐效果。推荐提升核心指标：点击率。最终结果是 CTR ：比自建推荐提升了 40.67%，比友商推荐提升了 11.23%。

图 6 某内容媒体业务增长实践

案例二：某 IPTV 播放平台个性化推荐提升影视推荐精准度，提升人均浏览次数

在与神策合作前，该平台采用人工编辑，以周为时间周期固定内容全量推荐。目标有三：急需引入智能推荐引擎，实现“千人千面”的个性化推荐；提升影视推荐的精准度、更新频率；提升用户观影体验。

图 7 某 IPTV 播放平台业务增长实践

该案例中智能推荐的效果是，对比人工推荐，CTR 指标即提升了 6 倍；对推荐内容的人均浏览次数提升了 1.9 倍；完成整体方案的培训，赋能客户方算法团队，将方案推广到其他驻地。

神策智能推荐系统是一款赋能业务增长的智能推荐系统，目前正在服务的客户包括惠头条、妈妈帮，菲助、中青看点、纵横文学、百度视频、东方明珠、心上等。它基于神策分析的强大的数据采集能力，帮助企业从用户行为数据的采集、建模、挖掘到效果分析，完成从“数据采集+推荐引擎+效果反馈”的推荐全流程。下图是神策智能推荐的实施落地流程图。

图 8 神策智能推荐落地流程图

最后，推荐几本有价值的书籍，会对你了解大数据和智能推荐有很大帮助。

关注神策数据公众号回复“智能推荐驱动业务”可获取完整版PPT