零售電商發(fā)展迅猛，推薦算法精度升

中國互聯(lián)網(wǎng)電商行業(yè)發(fā)展迄今20余年，自2010年起發(fā)展迅猛，2020年全國網(wǎng)上零售總額達(dá)11.8萬億元，實物商品網(wǎng)上零售額占比達(dá)24.9%，零售電商逐漸從以“場”為中心到以“人”為中心，從“人找貨”到“貨找人”。推薦算法的精準(zhǔn)度在不斷提升，消費網(wǎng)購體驗在不斷優(yōu)化，基于用戶瀏覽內(nèi)容挖掘用戶消費需求已成為零售電商行業(yè)發(fā)展的新趨勢。(來源：申萬宏源《2022年零售電商行業(yè)投資策略：從流量到留量，追求高質(zhì)量增長》）

圖1：電商“人貨場”格局變化

然而，零售電商在飛速發(fā)展的過程中也面臨著諸多挑戰(zhàn)：

挑戰(zhàn)1? ?推薦覆蓋率低 ：運營策略單一，馬太效應(yīng)顯著

一些企業(yè)雖然擁有充足的sku，但運營人員精力有限，每天僅能在推薦位挑選幾十個甚至幾個產(chǎn)品展示，導(dǎo)致馬太效應(yīng)顯著。馬太效應(yīng)（又叫長尾效應(yīng)），即熱者愈熱，舉例來說，在實際購買場景中，由于推薦的次數(shù)越多，部分商品購買或者點擊的次數(shù)就越多，形成的用戶購買軌跡就越多，所以得到的推薦機會就越多，進(jìn)而產(chǎn)生的推薦也越多，變得越熱。隨著不斷迭代，推薦的商品就會集中在少部分商品中，而大部分長尾商品是沉寂的，一個推薦系統(tǒng)如果長時間處于長尾效應(yīng)中，推薦覆蓋率降低，大量商品被浪費，造成推薦疲勞，其推薦效果就會變差。

解決方案1??全方位多角度召回策略，個性化推薦避免馬太效應(yīng)

一個好的推薦系統(tǒng)，要考慮到充分的挖掘長尾商品，通過個性化推薦，把合適的長尾商品送到真正需要他們的用戶眼前。達(dá)觀智能推薦系統(tǒng)內(nèi)置了近30種優(yōu)質(zhì)召回策略并支持自定義召回策略，可快速適配不同推薦業(yè)務(wù)場景，實現(xiàn)全方位多角度地生成個性化推薦結(jié)果。

圖2：召回策略卡片展示

例如基于時間維度，對于新上架的物品，可能還沒有足夠的用戶行為數(shù)據(jù)來引導(dǎo)推薦，達(dá)觀智能推薦系統(tǒng)內(nèi)置了【最新上架召回策略】，基于物品的最新上架時間獲取當(dāng)前最新物品作為推薦候選集，不用擔(dān)心新商品沒有展示量導(dǎo)致沒有推薦機會的惡性循環(huán)，新商品也可以成為新的爆款。

基于價格維度，不同用戶可以接受的價格區(qū)間不同，例如長時間給學(xué)生黨推薦奢侈品等不符合其屬性的商品會導(dǎo)致用戶興趣疲軟，達(dá)觀智能推薦系統(tǒng)內(nèi)置的【價格段熱門物品召回策略】基于價格將物品分為若干層級，并計算每個層級內(nèi)的熱點物品，作為推薦候選集，解決了用戶價格個性化問題，提高了用戶購買率。

圖3：Top 5潛力物品展示

在實際應(yīng)用中，單一的推薦算法往往推出的結(jié)果較為單調(diào)，為了盡可能多的覆蓋客戶興趣，推薦系統(tǒng)通常使用多路召回算法，可以照顧到多樣性和新穎性的需求，同樣可以降低馬太效應(yīng)，實現(xiàn)真正的個性化推薦

挑戰(zhàn)2??推薦不準(zhǔn)：商品不符合用戶喜好，轉(zhuǎn)化率走低

一些企業(yè)雖然進(jìn)行了多樣化推薦，但其推薦的商品類目、品牌等等不符合用戶的自然屬性和行為，例如為男性用戶推薦美妝類目，為青少年人群推薦母嬰用品等，這樣一方面浪費了流量資源，另外從用戶角度看如果長時間沒有推送自己感興趣的商品會降低對整個產(chǎn)品的興趣度和依賴性。

解決方案2? ?利用物品-用戶畫像匹配，結(jié)合知識圖譜精準(zhǔn)推薦

達(dá)觀智能推薦系統(tǒng)根據(jù)商品和用戶的標(biāo)簽屬性構(gòu)建畫像并進(jìn)行人-貨匹配，同時利用人群實驗等進(jìn)行效果測試，打造專屬精準(zhǔn)推薦結(jié)果

1、商品畫像

通過對商品名稱、價格、品牌、類別、標(biāo)簽、顏色等商品屬性進(jìn)行分析，構(gòu)建商品的基礎(chǔ)畫像；利用達(dá)觀自研的NLP自然語言處理技術(shù)可提取商品關(guān)鍵詞、分析用戶評論，拓展更加豐富的商品特征；基于達(dá)觀零售行業(yè)知識圖譜，可發(fā)現(xiàn)商品間深層次關(guān)聯(lián)關(guān)系，生成更加多樣性和更加精準(zhǔn)的推薦結(jié)果。
圖4：商品圖譜關(guān)聯(lián)性展示

2、用戶畫像

從用戶的靜態(tài)信息和動態(tài)信息兩方面進(jìn)行刻畫：靜態(tài)信息即用戶性別、所在省份、城市、使用的手機品牌等，根據(jù)用戶屬性進(jìn)行分析推薦，如女性用戶多推薦美妝、服裝、配飾等，男性用戶多推薦電子產(chǎn)品、運動鞋；
動態(tài)信息即用戶的行為信息，如點擊、收藏、加入購物車、購買、評論等，可分析用戶的行為特點和偏好，如對用戶點擊數(shù)量較多的同類別、同品牌、相似價格的商品進(jìn)行推薦。

圖5：群體用戶畫像

3、人群實驗

為了測試制定的推薦方案是否可以獲得較好的數(shù)據(jù)反饋，我們可在推薦場景下進(jìn)行流量分流做人群實驗，為不同的人群制定不同的推薦方案，例如給上海用戶的推薦方案為咸粽個性化，給陜西用戶的推薦方案是甜粽個性化，進(jìn)行精準(zhǔn)推薦。

圖6：可進(jìn)行分組實驗或A/B實驗兩種推薦實驗類型

實驗過后的效果數(shù)據(jù)可通過達(dá)觀的場景效果分析模塊進(jìn)行總覽及對比分析，多維指標(biāo)全方位解析推薦效果，進(jìn)而精準(zhǔn)調(diào)整運營策略，實現(xiàn)真正的精細(xì)化運營。

圖7：推薦場景總覽圖

圖8：推薦場景對比分析圖

挑戰(zhàn)3??推薦不新：推薦結(jié)果單薄重復(fù)，無法滿足新穎度需求

推薦的商品雖然符合了用戶屬性和過往行為，但結(jié)果過于拘泥于用戶已有行為，無法滿足用戶的新穎度、探索性需求，也會導(dǎo)致用戶審美疲勞、體驗下降，造成用戶流失。推薦系統(tǒng)不僅應(yīng)該發(fā)掘客戶已有的、確定的興趣，也應(yīng)該發(fā)掘客戶潛在的、未知的需求，促進(jìn)用戶在平臺的轉(zhuǎn)化。

解決方案3??自主推薦探索，?快速捕捉用戶興趣變化

在數(shù)據(jù)分析里有一個經(jīng)典的啤酒和尿布案例：出來買尿不濕的家長以父親居多，如果他們在買尿不濕的同時看到了啤酒，將有很大的概率購買，這樣就可以提高啤酒的銷售量。
基于這種關(guān)聯(lián)關(guān)系，達(dá)觀智能推薦系統(tǒng)在系統(tǒng)中內(nèi)置了多種數(shù)據(jù)挖掘算法。比如【用戶協(xié)同召回策略】，可以基于海量的用戶點擊行為數(shù)據(jù)，計算不同用戶間的相似度，將相似度高的用戶的點擊商品作為推薦候選集。比如【社交關(guān)系召回策略】，如果你的好友或親人在喜歡某個商品，那可能他喜歡的東西你也會喜歡，基于這樣的推薦理念進(jìn)行用戶興趣探索，拓展用戶興趣領(lǐng)域，增加推薦新穎度另外，用戶的興趣是在不斷變化的，比如在電商領(lǐng)域，用戶購買一個商品前，會大量瀏覽點擊相關(guān)商品，而一旦購買成功后，對于同樣商品的短期興趣就會迅速衰減。如果不能及時感知到這種變化，就會降低用戶體驗。達(dá)觀智能推薦系統(tǒng)內(nèi)置【用戶實時行為召回策略】，根據(jù)用戶的實時行為數(shù)據(jù)，計算用戶在當(dāng)前時間段內(nèi)的短期偏好，獲得相關(guān)商品作為推薦候選，精準(zhǔn)把控用戶興趣變化。

目前，在零售電商行業(yè)，達(dá)觀智能推薦系統(tǒng)已服務(wù)過安利、阿迪達(dá)斯、屈臣氏、樂友、一條、虎撲、順豐大當(dāng)家、家有購物等企業(yè)。在客戶服務(wù)過程中，達(dá)觀智能推薦團(tuán)隊將根據(jù)業(yè)務(wù)方需求持續(xù)深度優(yōu)化推薦效果，幫助客戶實現(xiàn)目標(biāo)需求，從測試、優(yōu)化到維護(hù)，提供全方位服務(wù)。

除此之外，達(dá)觀智能推薦還廣泛服務(wù)于銀行、廣電、運營商、傳媒、政企、互聯(lián)網(wǎng)等行業(yè)，與招商銀行、民生銀行、華夏銀行、陜西廣電、山東廣電、人民網(wǎng)、澎湃新聞等企業(yè)達(dá)成合作，在各行各業(yè)都有豐富的積累和實踐經(jīng)驗，助力企業(yè)實施精細(xì)化運營和提升用戶體驗。