設(shè)置
  • 日夜間
    隨系統(tǒng)
    淺色
    深色
  • 主題色

推薦算法,為什么不更智能一些?

人人都是產(chǎn)品經(jīng)理 2022/11/26 16:52:14 責(zé)編:遠(yuǎn)生

網(wǎng)上購(gòu)物時(shí)發(fā)現(xiàn),我已經(jīng)買了一個(gè)籃球了,在已付款的界面下方還給我推薦籃球的商品,難道我會(huì)退貨重新購(gòu)買嗎?這種推薦算法,為什么不能再智能化一些呢?本文作者對(duì)這個(gè)問(wèn)題展開了探討,與你分享。

不知道你可否有這樣的經(jīng)歷:打開一個(gè)電商軟件,進(jìn)行購(gòu)物后,在購(gòu)買成功的頁(yè)面下,仍然收到很多類似的、甚至一模一樣的商品推薦。

明明不久前才購(gòu)買了一個(gè)商品,在日后的一段期間內(nèi),仍然在電商首頁(yè),“被迫”瀏覽一樣的商品。

你一邊無(wú)奈地快速劃過(guò)這些“無(wú)用”的商品推薦,一邊吐槽電商推薦機(jī)制的笨拙,認(rèn)為這是推薦算法史上的大 BUG。不知道相關(guān)業(yè)務(wù)的產(chǎn)品經(jīng)理是怎么想的,這么久還不優(yōu)化,都 2022 年了,推薦竟然還不知道哪些商品是自己已經(jīng)買過(guò)不會(huì)再買的。

上述經(jīng)歷大概是很多人經(jīng)歷過(guò)的,那么為什么推薦效率如此之低,以至于已經(jīng)導(dǎo)致用戶不滿,降低了體驗(yàn)的情況下,電商平臺(tái)還反復(fù)把用戶已購(gòu)的相似商品推薦給用戶呢?

電商平臺(tái)推薦策略

了解一個(gè)現(xiàn)象的原因,我們不妨從這個(gè)現(xiàn)象背后涉及的本質(zhì)出發(fā),理解清楚是什么,再去想為什么就簡(jiǎn)單許多了。

首先先給大家介紹一下目前主流的電商推薦策略,主要分為基于物品的推薦體系、基于用戶的推薦體系、基于群體的推薦體系。

基于物品的推薦體系,主要是按照物品出發(fā),從用戶曾經(jīng)購(gòu)買 / 收藏過(guò)的物品,去計(jì)算其它物品與這個(gè)商品的相關(guān)性,從而進(jìn)行再推薦,優(yōu)先展示相關(guān)性高的商品。

這也是在網(wǎng)站獲取用戶信息較少時(shí),采用的一種常規(guī)推薦策略,畢竟在用戶畫像不全面時(shí),基于用戶感興趣的商品進(jìn)行推薦,出錯(cuò)的概率會(huì)小很多。

這樣的推薦策略在各電商平臺(tái)很常見,用戶在購(gòu)買 / 搜索了一個(gè)類別的商品后,往往會(huì)在首頁(yè)看到很多類似商品的推薦。

但這個(gè)策略也有弊端:容易形成信息繭房,難以去撬動(dòng)用戶其它的潛在興趣項(xiàng)。

基于用戶的推薦體系,主要是以人為出發(fā)點(diǎn),根據(jù)用戶的行為,去計(jì)算其它用戶與用戶的相似度,再根據(jù)相似用戶對(duì)于商品的喜愛度,去向目標(biāo)用戶推薦這些商品。

這樣的推薦機(jī)制,推薦商品類別的覆蓋面會(huì)進(jìn)一步擴(kuò)大,擺脫局限于某幾個(gè)類別的現(xiàn)象。拼多多的推薦策略,就考慮了這個(gè)模式,按照用戶的行為,去向用戶展示展示與之高相關(guān)度的人感興趣的商品,通過(guò)“興趣圈”“拼小圈”的模式,促進(jìn)用戶進(jìn)行購(gòu)買。

基于群體的推薦體系,主要是從群體的特征出發(fā),提煉群體的共性,給用戶進(jìn)行打標(biāo)與歸類,再向群體用戶推薦在這個(gè)群體內(nèi),大多數(shù)用戶感興趣的商品,同時(shí)適當(dāng)加入相似群體感興趣的商品,進(jìn)行推薦。

常見的基于群體的推薦,大概就是每次注冊(cè)新賬號(hào)時(shí),平臺(tái)都會(huì)讓用戶選擇感興趣的圈子,然后再基于所選擇的圈子,向用戶推薦群體感興趣的內(nèi)容和商品。

不管是基于用戶、群體、物品的推薦,都是提煉人物的共性,再根據(jù)相似性,去進(jìn)行推薦。從這一層進(jìn)行考慮,也就不難理解為什么推薦體系,總是會(huì)推薦十分相似的商品了,因?yàn)檫@些商品都存在高相關(guān)性,在推薦體系眼中,都是用戶高感興趣的商品。

那么也許你會(huì)發(fā)問(wèn):為什么電商推薦體系那么傻,連最基本的去重都不做?難道我買了一個(gè)求婚戒指,我還會(huì)想要再買一個(gè)求婚戒指嗎?

重復(fù)推薦的原因

誠(chéng)然,反復(fù)推薦同樣的商品,不僅讓用戶厭煩,降低體驗(yàn)感,于銷售額而言,也沒有改善。畢竟很少有人會(huì)在上一秒買了一個(gè)商品,下一秒再購(gòu)買一個(gè)“一模一樣”的商品。

但是,當(dāng)一個(gè)問(wèn)題長(zhǎng)期存在,且沒有很大變化的時(shí)候,我們不妨停下來(lái),再多細(xì)想一點(diǎn),這背后的原因到底是為什么。

商品的購(gòu)買高頻性是重復(fù)推薦的第一個(gè)原因。

當(dāng)用戶買了一件毛衣后,他 / 她可能因?yàn)閾Q季的原因,還會(huì)選擇再多購(gòu)買幾件毛衣;

當(dāng)用戶購(gòu)買了嬰兒紙尿褲后,在不久的時(shí)間后,他 / 她會(huì)選擇再次購(gòu)買紙尿褲,甚至?xí)鲇诒容^心理,再下單另外一個(gè)品牌的紙尿褲;

當(dāng)用戶購(gòu)買了一個(gè)香薰后,他 / 她可能目前對(duì)于香薰興趣度較高,還會(huì)繼續(xù)下單其它品牌的香薰。

從上可以看出,用戶重復(fù)購(gòu)買一個(gè)類別的商品的原因千奇百怪,可能出于特定的場(chǎng)景、出于使用商品的頻率、出于自身興趣的原因,但是這些商品對(duì)于用戶而言,都具有購(gòu)買高頻性,用戶愿意重復(fù)購(gòu)買。

高復(fù)購(gòu)一直是電商平臺(tái)追求的東西,如果有一個(gè)商品用戶有反復(fù)購(gòu)買傾向,那么也不難理解平臺(tái)愿意損失一部分用戶體驗(yàn),換取更多潛在可觸發(fā)的商機(jī)的現(xiàn)象了。

平臺(tái)的商業(yè)化訴求是重復(fù)推薦的第二個(gè)原因。

廣告業(yè)務(wù)一直是電商平臺(tái)的主要營(yíng)收模塊,而這個(gè)模塊又和點(diǎn)擊率、曝光率高度相關(guān)。

人都有比較心理,即使這個(gè)商品用戶已經(jīng)很明確短期內(nèi)不會(huì)購(gòu)買,但出于好奇和比較心理,總有人愿意去點(diǎn)擊近期已購(gòu)商品的頁(yè)面,查看其它相似產(chǎn)品的詳細(xì)信息,進(jìn)行一番比較。而用戶點(diǎn)擊得越多、停留的時(shí)間越長(zhǎng),給電商平臺(tái)帶來(lái)的廣告效益就越高。

哪怕這樣的行為對(duì)于短期的銷量沒有提升,但是平臺(tái)可以利用這種行為,給用戶推薦更多同類商品的優(yōu)質(zhì)商家,既賺取了廣告費(fèi),又幫助商家吸引了一批目標(biāo)人群,此外,變相種還能因?yàn)檫@種推薦機(jī)制,加劇商家的競(jìng)爭(zhēng),讓他們提高更好的服務(wù)與產(chǎn)品,何樂而不為呢?

算法的局限性是第三個(gè)原因。

哪怕最熟悉自己的人,也無(wú)法知道一個(gè)人的全部喜好,也會(huì)猜錯(cuò)最親近的人的心思,更何況是算法。推薦系統(tǒng)只能從用戶的歷史行為(購(gòu)買、收藏、點(diǎn)贊等)和相關(guān)性去猜測(cè)用戶喜歡什么樣的東西,無(wú)法做到精確度 100%。

而且它也很難完全地去選擇合適的顆粒度,進(jìn)行商品去重。舉個(gè)例子,如果一個(gè)商品分為三個(gè)層級(jí),比如籃球在“運(yùn)動(dòng)-球類-籃球”這個(gè)類目下,那在用戶購(gòu)買了籃球后,相關(guān)的推薦頁(yè)面不應(yīng)該出現(xiàn)籃球了,按照這個(gè)邏輯,應(yīng)該在第三類目標(biāo)簽里面去進(jìn)行去重處理。

但是,如果換個(gè)品類呢,如果用戶購(gòu)買的是耳環(huán)呢,類目變成了“飾品-耳飾-耳環(huán)”,按照這個(gè)邏輯,在去除了耳環(huán)后,用戶可能還是會(huì)收到耳夾、耳釘?shù)纳唐吠扑],如果對(duì)于不想再購(gòu)買類似商品的用戶而言,這樣的去重也是無(wú)效去重。

而且類目之間并不是完全的不重合關(guān)系,有的類目會(huì)相交(比如乳酪既屬于乳制品,又屬于烘焙原料),那么進(jìn)行了一個(gè)類目的去重后,也無(wú)法保證商品還屬于其它有交集的類目,能被完全過(guò)濾掉。

換而言之,算法難以做到完全有效地去重。而且用戶是千人千面且動(dòng)態(tài)的,他們的心思難以預(yù)測(cè),無(wú)法按照一個(gè)統(tǒng)一的標(biāo)準(zhǔn)去進(jìn)行去重和推薦,也無(wú)法根據(jù)靜態(tài)的歷史數(shù)據(jù),去完美預(yù)測(cè)用戶以后的行為。

在這個(gè)用戶看來(lái)已買不會(huì)再買的東西(如耳飾),在另一個(gè)用戶眼里可能是會(huì)重復(fù)購(gòu)買。也許可以加入一些用戶行為去進(jìn)行考慮(如這個(gè)人是否經(jīng)常購(gòu)物、經(jīng)常買什么類別的產(chǎn)品),但因?yàn)槿耸莿?dòng)態(tài)變化的,推薦機(jī)制難以完美區(qū)分什么商品在用戶眼里是重復(fù),什么商品在用戶眼里是高頻購(gòu)買類。

用戶行為的不可控,是平臺(tái)重復(fù)推薦的第四個(gè)原因。

常規(guī)看來(lái),一個(gè)用戶在購(gòu)買了一件商品后,不可能在當(dāng)天內(nèi),再購(gòu)買一件高相似的商品,難道要用戶退款再下單嗎?

但是“七天無(wú)理由”退換讓這成為了可能。因?yàn)樾滦偷氖酆蠓?wù),讓很多用戶習(xí)慣購(gòu)買多件同類商品,進(jìn)行比較后,再選取最合適自己的一個(gè)商品留下。這個(gè)行為讓用戶短期內(nèi)購(gòu)買大量同類商品形成了可能,而基于用戶的這個(gè)習(xí)慣,電商平臺(tái)也樂于推薦相似商品,畢竟銷售額看著高一點(diǎn),展示數(shù)據(jù)也會(huì)好看。

而且正如第三點(diǎn)所言,人是動(dòng)態(tài)變化的,人的行為和目的千奇百怪,今天不打算再購(gòu)買的東西,明天很可能因?yàn)楹糜训耐扑]就再次下單相似商品,這些不可控,讓重復(fù)推薦有了存在的空間。

如何提高重復(fù)推薦的效率

這么一看,商品重復(fù)推薦,既有技術(shù)層面難以解決的問(wèn)題,在商業(yè)、用戶層面,也確實(shí)有這種購(gòu)買已購(gòu)商品的需求。

那么,如何在用戶體驗(yàn)以及商業(yè)化之間達(dá)到平衡,提高推薦效率?

用戶端上,需要考慮更多用戶的行為因素,按照復(fù)購(gòu)概率為維度進(jìn)行展開,對(duì)用戶進(jìn)行區(qū)分。

比如用戶是否是一個(gè)熱衷購(gòu)物,且有反復(fù)退貨傾向的人;用戶是否喜歡收藏很多相似的商品;用戶是否喜歡加購(gòu)很多類似商品等。對(duì)于有短時(shí)間內(nèi)購(gòu)買多個(gè)相似商品的用戶,可以適當(dāng)減弱去重效應(yīng);而對(duì)于那種從搜索 / 推薦到快速下單,且購(gòu)買頻率低的用戶,就可以加大去重的效果。

同時(shí),給予用戶一定的選擇權(quán),基于算法無(wú)法精準(zhǔn)猜測(cè)用戶的喜好的現(xiàn)狀,可以加入“不喜歡”功能,讓用戶對(duì)于商品有點(diǎn)擊“不喜歡”的權(quán)力,電商平臺(tái)可根據(jù)反饋,不斷去優(yōu)化推薦的商品矩陣。

商品端上,考慮商品的類別和購(gòu)買頻率,再對(duì)不同類別的商品進(jìn)行不同的重復(fù)推薦邏輯。

比如女裝類、日用品類、零食類,用戶購(gòu)買的頻率高,且有同時(shí)間購(gòu)買多件的可能性,就可以加入再推薦機(jī)制,投入更多的廣告展示模塊,促進(jìn)用戶進(jìn)行購(gòu)買,提升轉(zhuǎn)化率。

如果是用戶使用頻率低,且單件就可以滿足需求的商品,就減弱復(fù)推頻率,比如眼鏡、手機(jī)、充電寶等,一般用戶購(gòu)買后,很長(zhǎng)時(shí)間不會(huì)再進(jìn)行購(gòu)買,這個(gè)時(shí)候可以推薦更多的互補(bǔ)類產(chǎn)品,促進(jìn)用戶進(jìn)行下單。

此外,在商業(yè)化因素上,也需要考慮一個(gè)合適的廣告模式。

畢竟廣告如果僅僅只是投放了,實(shí)際沒效果,不能促進(jìn)銷量和銷售額,對(duì)于平臺(tái)而言,也難以長(zhǎng)期盈利。

在投放廣告時(shí),可以撈一下原來(lái)用戶點(diǎn)擊重復(fù)推薦商品的數(shù)據(jù),分析一下用戶在哪個(gè)模塊更有可能點(diǎn)擊類似商品,是首頁(yè)的信息流廣告里面,還是在交易成功的推薦頁(yè)面里,或者是電商平臺(tái)的分享模塊里面?

對(duì)癥下藥,在用戶興趣度更高的頁(yè)面和節(jié)點(diǎn)進(jìn)行再推薦,提升商品的點(diǎn)擊率,也降低用戶因?yàn)橹貜?fù)刷到同樣商品降低的體驗(yàn)感。

總結(jié)一下

電商平臺(tái)的重復(fù)推薦策略,在用戶看來(lái)又傻又難以忍受,但我們從技術(shù)、商業(yè)化因素、用戶的行為上,不難看出這樣的機(jī)制還是有存在的必要性的,不能一刀切去砍掉它,也難以做到不推薦相似已購(gòu)商品。

不過(guò)我們可以從重復(fù)推薦的流程、邏輯出發(fā),進(jìn)行優(yōu)化,從而做到更加高效的推薦,讓電商平臺(tái)看著更聰明一點(diǎn)。

題圖來(lái)自 Unsplash,基于 CC0 協(xié)議

本文來(lái)自微信公眾號(hào):人人都是產(chǎn)品經(jīng)理 (ID:woshipm),作者:Conlin

廣告聲明:文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接(包括不限于超鏈接、二維碼、口令等形式),用于傳遞更多信息,節(jié)省甄選時(shí)間,結(jié)果僅供參考,IT之家所有文章均包含本聲明。

相關(guān)文章

關(guān)鍵詞:算法,電商

軟媒旗下網(wǎng)站: IT之家 最會(huì)買 - 返利返現(xiàn)優(yōu)惠券 iPhone之家 Win7之家 Win10之家 Win11之家

軟媒旗下軟件: 軟媒手機(jī)APP應(yīng)用 魔方 最會(huì)買 要知