因果性推薦

是指用戶本身沒有明確需求，推薦讓用戶無中生有的產(chǎn)生新的需求。

在學術界有個爭議就是“關聯(lián)性推薦”到底算不算推薦，因為他滿足的是既存需求，嚴格意義上并沒有創(chuàng)新新的需求，我個人的答案是yes，我們逆向來推，如果不做關聯(lián)性推薦，用戶雖然有既存需求，但是很有可能會流失，或者體驗上沒有這么流暢。所以我覺得不需要糾結在這一點，我們只需要在意用戶覺得推薦準不準，用的爽不爽。

關聯(lián)性推薦實踐

1）識別用戶所在商戶

如果用戶連接了wifi，很容易識別到用戶所在的商戶，然后將該商戶置頂，并且外露商戶優(yōu)惠等信息。在所有的推薦策略里，該策略覆蓋面隨談小，但是轉化率最高。

還有一種方式，就是在商戶詳情頁增加一個功能，就叫“我想去”，用戶點擊這個按鈕之后，一段時間內(nèi)，這個商戶就可以在首頁直接推薦，縮短用戶查看路徑。

2）識別用戶意向到店

通過多種行為方式的組合，可以猜測出用戶想去的商戶。設想如果你要約一個朋友去吃飯，你會怎么篩選商戶呢，一般路徑都是先搜索看到感興趣的商戶，然后點進去看詳情，包括查看地理位置、推薦菜，如果你點擊了商戶電話、收藏了商戶，或者將這家商戶分享到微信，那么你要去這間店的概率就更高了，最后再結合你的地理位置變化，就有極高的概率猜測出你要去哪一家店。

3）用戶的實時行為

在這里講述兩個概念，用戶的長期偏好和實時偏好，我們常說的用戶畫像一般都是指用戶的長期偏好，例如筆者的長期偏好是日料，但是可能因為最近喜歡一個妹子，但是妹子喜歡火鍋，所以我的短期偏好就是火鍋。而且通過實踐證明，用戶的偏好是會隨時間衰變的，實時偏好的數(shù)據(jù)更能表征用戶當下的需求，推薦效果也更精準。

實時偏好一般可以通過用戶的搜索、導航篩選或者用戶瀏覽來推斷，倘若用戶沒有形成交易閉環(huán)，比如購買團購、買單、排號等行為，我們可以假設他的需求沒有被滿足，可能是沒找到合適的店，也可能是需求被別的事情打斷了，這個時候我們將用戶實時偏好的商戶推薦給用戶轉化率往往比較好。

因果性推薦實踐

1）協(xié)同過濾算法

包含基于商戶的協(xié)同過濾和基于用戶的協(xié)同過濾，其實質就是中國人常說的“物以類聚、人以群分”，前者是根據(jù)你喜歡的商戶，為你推薦類似的商戶，后者是先找到與你口味相似的人，然后推薦他們喜歡的商戶。有很多文章講述二者的區(qū)別，這里不做展開贅述，唯一強調一點是，二者雖然推薦方式類似，但是推薦結果僅有50%左右是雷同的，因此在實踐中不一定非要二選一，可以將兩種策略結合使用，效果更好。

2）用戶長期偏好

這里的用戶偏好是指用戶的長期偏好，非實時偏好，識別出用戶的長期偏好后，為期推薦相應的商戶。

從實踐結果來看，關聯(lián)性推薦>因果性推薦>補余推薦(附近熱門、全程熱門)，而且關聯(lián)性推薦更容易讓用戶產(chǎn)生一種“推薦很準”的印象，因此建議構建推薦系統(tǒng)的時候，可以重點考慮關聯(lián)性推薦。

2 所有的喜歡都是熟悉+意外

在我做推薦之初，一直有個疑惑，就是什么才是好的推薦，當時咨詢了很多人，大家分成兩派，一派覺得好的推薦，就是向我推薦優(yōu)質的但是我沒去過的商戶；另外一派覺得好的推薦就是向我推薦我熟悉的店，因為大家平時去的店相對都是固定的，推薦給我陌生的店，我也沒興趣。

這兩種意見都有自己的弊端，推新的內(nèi)容，用戶不理解，勢必造成數(shù)據(jù)效果差，但是總是推用戶熟悉的東西，會形成馬太效應，越推越窄。

后來讀到一篇文章，講有一個音樂應用軟件，最開始設計算法的時候，是只推薦用戶沒聽過的音樂。但是在內(nèi)部測試的時候，程序出現(xiàn)了一個bug，在給用戶推薦新的音樂之外，還錯誤地推薦了一些用戶已經(jīng)聽過的、甚至很熟悉的音樂。這樣測試了一段時間，效果還不錯。后來程序員發(fā)現(xiàn)了bug，立刻改正了，讓程序只推薦新的音樂。結果發(fā)現(xiàn)，改正后的算法反而沒有原來的算法受歡迎。所以其實人們并不喜歡完全陌生的東西，并且總是希望能從新東西中發(fā)現(xiàn)點熟悉的元素。

?看到這篇文章，我豁然開朗，原來好的推薦就是在新奇和熟悉之間尋找一個平衡點，如何尋找這個平衡點呢，有幾種方式：

從人出發(fā)

統(tǒng)計用戶過去常去店鋪的重復度，如果重復讀很低，說明用戶相對更喜歡新奇的商戶，這時候增大新商戶的占比，反之亦然。

從場景出發(fā)

一般情況下工作日大家一般傾向于去近一點、熟悉一點的商戶，周末大家傾向于去探索一些新奇的商戶。

3 推薦理由是提升用戶信任的橋梁

向用戶推薦的商戶，尤其是對用戶來說陌生的商戶，推薦理由可以降低用戶的理解成本，提高信任感。加了推薦理由點擊數(shù)據(jù)不一定能提升(筆者通過AB測試，數(shù)據(jù)僅提升1%)，但是推薦理由能夠提升用戶的瀏覽體驗，明白推薦邏輯。以下是一些推薦理由的一些case：

• 好友推薦：Jason等x個好友推薦，最好將用戶親密度高好友名外露
• 名人推薦：歌手薛之謙開的店
• 媒體推薦：《星尚》頻道推薦
• 入選榜單：《美食與美酒》雜志評選2016 best 50餐廳
• 人以群分：與你口味相似的人都喜歡，摩登主婦都喜歡
• 用戶行為：您7天前瀏覽過的商戶

4 推薦的最高境界是讓用戶產(chǎn)生驚喜

驚喜是什么？Wiktionary的定義是：

An unsought, unintended, and/or unexpected, but fortunate, discovery and/or learning experience that happens by accident. 并未刻意尋找的，并未提前期待的，可又是幸運的且意外發(fā)現(xiàn)。

舉兩個我碰到的例子，一個是音樂：

有一些人可能遇到過這樣的一種場景，就是一直聽到一首很喜歡的歌，但是就是不知道歌名，然后在網(wǎng)易云音樂聽到以后會去評論說我這這首歌好久，終于找到了。網(wǎng)易云音樂專門去挖掘過這樣的評論，然后將這些音樂推薦給用戶，用戶自然就會產(chǎn)生很大驚喜感。

另外一個是kindle：

一天老大告訴我們，kindle太神奇了，他老婆在讀一本書，剛推薦給他，他就發(fā)現(xiàn)他的kindle也向他推薦了這本書，我們猜測kindle是通過兩人經(jīng)常在晚上連接相同的wifi來猜測二者的家人關系，然后將一個人喜歡的書推薦給另外一個。

那么O2O推薦怎么創(chuàng)造驚喜感？以下是一些考慮的切入點：

1）他鄉(xiāng)遇故知：當用戶在陌生環(huán)境里的話，推薦其好友去過的店鋪，這一點在國外環(huán)境尤其適用，試想當你來到韓國首爾旅游，發(fā)現(xiàn)附近一家店你的好友曾經(jīng)點評過，會不會產(chǎn)生一種“他鄉(xiāng)遇故知”的親切感；當然退一步直接推薦附近美食排行榜，同樣是適用的，會產(chǎn)生一定的驚喜感。

2）月是故鄉(xiāng)明：巧妙使用用戶的身份標簽，例如故鄉(xiāng)信息，Jason來自洛陽，我們那里的特色美食胡辣湯，這時候向我推薦附近的胡辣湯商戶，并且注明推薦理由，或者向我推薦洛陽人最愛的餐廳合集，我會很有感觸。

3）愛他之所愛：通過用戶連接wifi信息等，是可以判斷用戶的家人/朋友關系的，這時將家人/朋友喜歡的店推薦給另外一個人，是會讓用戶產(chǎn)生驚喜的，尤其是當兩人去同一家店的時候。

5 豐富推薦維度進行全方位命中

猜你喜歡式的個性化推薦，是普適性推薦，推薦邏輯很多都是黑盒的，對于用戶來講形式單一，趣味性不足。在推薦維度方面，做的最好的是某寶，光在推薦維度上有5種，在用戶分層和內(nèi)容形態(tài)上互為補充，均取得了較好的效果。

按照用戶細分

用戶細分的方式一般有兩種：

1. 用戶消費能力，比如中高客單價的用戶群和低端客單價的用戶群；
2. 用戶分層，比如學生黨、辣媽、有車一族等，通過身份標簽來獲得認同，同時可以滿足較長尾的用戶需求

按照內(nèi)容組織形式

內(nèi)容組織形式包含3種：

1. 直接推店鋪或者優(yōu)惠(點評猜你喜歡)
2. 通過UGC短評來推薦(某寶的有好貨)
3. 以及現(xiàn)在很流行的PGC文章來推薦(小紅書等)。

其中PGC一般較為專業(yè)，定位于中高端人群更合適。

作者：Jason（微信號liuzs0204），阿里巴巴資深產(chǎn)品經(jīng)理，前美團點評搜索與推薦產(chǎn)品經(jīng)理。

本文由 @Jason 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉載