缺乏科學(xué)精神的“產(chǎn)品理想主義”與“技術(shù)理想主義”要不得。

最近正在忙推薦系統(tǒng)的一些事，歸納出來了幾個(gè)新人或者是技術(shù)人員需要注意或已經(jīng)注意到還沒說到點(diǎn)子上的那些問題，以供給各位一些參考。

一、高估系統(tǒng)對(duì)用戶需求的捕捉能力

我們都說，搜索引擎是滿足用戶主動(dòng)需求的產(chǎn)品，而推薦系統(tǒng)則是滿足用戶隱含需求的產(chǎn)品。當(dāng)用戶明確需要什么信息，就把需求轉(zhuǎn)化為檢索詞，丟到搜索引擎，搜索引擎幫用戶找到它，而推薦系統(tǒng)則能良好的感知用戶未明確陳述的需求，為其呈現(xiàn)信息。那么問題來了，既然推薦系統(tǒng)能夠捕捉用戶的需求，也就是說用戶還沒丟關(guān)鍵詞給搜索引擎之前已然知道用戶要什么，直接為用戶呈現(xiàn)出信息不更好？還需要搜索引擎干嘛？！

當(dāng)然更好，當(dāng)然很好，只是做不到。

用戶的需求是多變的，其中暗含著某些規(guī)律，但卻不可能被完全的，徹底的捕捉到，例如用戶瀏覽一個(gè)商品頁面，可能他對(duì)網(wǎng)頁上的產(chǎn)品感興趣，可能他被網(wǎng)頁上的代言美女吸引，可能他在為女友準(zhǔn)備禮物，可能他在為家人準(zhǔn)備年貨，也可能只是誤操作罷了，這些細(xì)節(jié)被系統(tǒng)感知到的難度太大，所以我們無法知道用戶下一步要去做什么，哪又如何推薦？

推薦系統(tǒng)有其邊界，一切技術(shù)均有其邊界，局限于當(dāng)前技術(shù)成熟度，局限于數(shù)據(jù)，局限于現(xiàn)實(shí)世界與技術(shù)世界的距離。當(dāng)產(chǎn)品經(jīng)理不了解技術(shù)的邊界，而技術(shù)人員則缺乏產(chǎn)品思維的時(shí)候，這種錯(cuò)誤便容易發(fā)生。

二、不顧場景，強(qiáng)暴用戶需求

假設(shè)你非常喜歡榴蓮蛋糕，任何人送你一款這樣的蛋糕你都無比高興，任何人推薦一款這樣的蛋糕你一定會(huì)認(rèn)真考慮。但是如果某一天你正在私宅床上與女友翻滾廝磨，有一人推門而入，問你：“根據(jù)俺們系統(tǒng)的分析，請(qǐng)問您是否需要一款美味的榴蓮蛋糕？”，不知你是否感覺開心。而有一天你正在廁所，蹲坐在親愛的馬桶上，同樣這個(gè)人也推開門問你“請(qǐng)問您是否需要一款美味的蛋糕？”你有沒有不去把他打死的沖動(dòng)？

這是典型的“不顧場景”的案例。

可能系統(tǒng)良好的挖掘了用戶的需求，但是如果不顧場景，帶來的將是用戶巨大的反感。例如，我們公認(rèn)的基于社交網(wǎng)絡(luò)進(jìn)行各種類型的推薦都是非常好的推薦思路：你所熟悉的人的行為對(duì)你有著非常好的借鑒作用。這一點(diǎn)沒錯(cuò)。但是一般而言，對(duì)商品的推薦還是要放在商品售賣網(wǎng)站，對(duì)電影的推薦也請(qǐng)放在電影票售賣網(wǎng)站（個(gè)人覺得這個(gè)推薦應(yīng)該放在相關(guān)的網(wǎng)站中，比如用戶在瀏覽產(chǎn)品的新聞的時(shí)候，也可以進(jìn)行推薦。當(dāng)然現(xiàn)在這種情況下的推薦多是廣告）。瀏覽這些網(wǎng)站的用戶，都帶著強(qiáng)烈的隱含需求，但選錯(cuò)了地方，往往形成對(duì)用戶的“強(qiáng)暴”，安能不敗。（比如360瀏覽器，自己本身帶有廣告過濾功能，能屏蔽網(wǎng)頁中的廣告插件，但是自己卻會(huì)彈出“今日特賣”做廣告，這點(diǎn)的確很反感。）

三、將“推薦”理解為“推送” （這種情況更多的是廣告）

繼續(xù)第二個(gè)坑的故事，被揍的推銷員遁回家后萬般委屈，當(dāng)腦海中縈繞著的“我咋知道你啥時(shí)候需要榴蓮蛋糕，我咋知道你啥時(shí)候蹲廁所”的幽怨思緒沉寂下來后，痛定思痛決定不再到用戶家里推銷，而是告訴用戶，需要蛋糕的時(shí)候打個(gè)電話給他，他會(huì)推薦幾款最好的蛋糕給用戶，終于避免了被揍并且收獲了不菲訂單。

用戶渴望驚喜，又憎恨被打擾的折中究竟在哪？

不妨變主動(dòng)變被動(dòng)，當(dāng)下無數(shù)的互聯(lián)網(wǎng)產(chǎn)品都有一個(gè)“發(fā)現(xiàn)”模塊，包括微信，Twiiter等大量產(chǎn)品。用戶有需求的時(shí)候，會(huì)主動(dòng)的找“推薦”，避免被打攪。而對(duì)于推薦系統(tǒng)，也避免對(duì)用戶形成打擾，引起用戶反感。

四、不顧用戶需求的“個(gè)性化”程度，粗暴技術(shù)選型

我們將推薦系統(tǒng)的目標(biāo)進(jìn)行簡化，假設(shè)它要解決的是點(diǎn)擊率/轉(zhuǎn)化率預(yù)估問題（但實(shí)際上遠(yuǎn)不止這個(gè)問題，本文不展開）。那么這些指標(biāo)都與哪些因素有關(guān)？我們用“看島國片子”為例，也就是說，用戶點(diǎn)擊/觀看一部被推薦片子，都與哪些因素有關(guān)？

• 平臺(tái)的因素：一部片子放在官方的平臺(tái)上，跟放在旮旯的小平臺(tái)，完全一樣的信息，這些數(shù)字顯然不同（小平臺(tái)的片子誰敢點(diǎn)？病毒啊對(duì)不?。?/li>
• 片子本身的魅力：幾部片子，即使有同樣的靜態(tài)信息（導(dǎo)演，女優(yōu)，出品商等），一定也會(huì)有所差異，這些差異的原因非常難以捕捉，但通過歷史信息卻可以看到；
• 片子信息造成的差異
• 用戶的群體偏好
• 用戶的個(gè)性化偏好

五、總結(jié)

其中這幾個(gè)因素，有一定的界限，其對(duì)應(yīng)的技術(shù)選型也不同，如果只有平臺(tái)的因素，點(diǎn)擊率與轉(zhuǎn)化率遵循Beta分布，只需要對(duì)這些值進(jìn)行估計(jì)。而片子本身的魅力通過簡單的歷史信息統(tǒng)計(jì)便可得到。片子信息造成的差異，則可以通過典型的線性預(yù)估 屬性特征進(jìn)行處理。而如果有強(qiáng)烈的群體偏好，則可以在線性預(yù)估模型里面增加交叉特征，但是如果個(gè)性化需求極其強(qiáng)烈，那么協(xié)同過濾算法可能更加適合。

推薦系統(tǒng)的不同產(chǎn)品形態(tài)，其實(shí)就是“個(gè)性化”程度不同。沒有太強(qiáng)個(gè)性化類型的，這樣的推薦系統(tǒng)要解決的問題是“大家都喜歡什么？”，簡單的統(tǒng)計(jì)便能搞定。對(duì)于多數(shù)廣告類產(chǎn)品，個(gè)性化需求太難以捕捉，要解決的問題是“什么樣的人喜歡什么樣的結(jié)果？”那么線性模型 屬性特征 交叉特征更加適合。但是對(duì)于大多數(shù)推薦產(chǎn)品，尤其是大平臺(tái)的推薦產(chǎn)品，去探索“每個(gè)人喜歡什么東西？”的個(gè)性化推薦技術(shù)（協(xié)同過濾，SVD等）可能更加適合。而不同的產(chǎn)品，選型哪怕類似，卻也或多或少隱含差異，例如社交網(wǎng)絡(luò)中的一些推薦產(chǎn)品，基于圖挖掘的推薦方式可能更加適合。

一句話，技術(shù)選型必須參照產(chǎn)品形態(tài)與用戶需求。我曾經(jīng)跟同事慨嘆現(xiàn)在方法之多，資料之多，不知道如何選擇，同事冷幽幽的一句“全部實(shí)現(xiàn)了，再看個(gè)半年Case就行了。”然也。

還有挺多，暫時(shí)先談如上一些。歸根結(jié)底一句話：缺乏科學(xué)精神的“產(chǎn)品理想主義”與“技術(shù)理想主義”要不得。

相關(guān)閱讀：

深度丨從零搭建推薦體系：概述及標(biāo)簽體系搭建（上）

深度丨從零搭建推薦體系：用戶體系、項(xiàng)目體系和推薦體系（中）

深度丨從零搭建推薦體系： 推薦體系和評(píng)估體系（下）

個(gè)性化推薦技術(shù)｜產(chǎn)品經(jīng)理和產(chǎn)品運(yùn)營的必修課

#專欄作家#

吳邢一夫（微信號(hào)mystic326531548），人人都是產(chǎn)品經(jīng)理專欄作家。3年產(chǎn)品經(jīng)理工作經(jīng)驗(yàn)，需求、用戶、數(shù)據(jù)有深入研究。歡迎交流想法，拒絕無意義添加好友。

本文原創(chuàng)獨(dú)家發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。謝謝合作。