淘宝推荐位,产品汪如何向女票解释——淘宝push的个性化推荐

淘宝推荐位,产品汪如何向女票解释——淘宝push的个性化推荐

个性化推荐是根据用户的兴趣和行为特征，推出用户喜欢的内容。那么，这种个性化推荐是如何工作的呢？它包括什么？

周六下午的时间很愉快。小诺和女票来到东交民巷比利时大使馆旧址，在餐厅享用下午茶。进门后，两人忙着各自的事情。女票正在看她晚上要去的餐厅。小诺拿出书本和电脑学习。毕竟，他是一只勤奋的产品狗。十多分钟后，就在小诺津津有味地看的时候，女选民看了过来，看到小诺正在看《用户网络行为画像》和《推荐系统练习》，厌恶地说道，你怎么又来了？阅读推荐书籍？

小诺看着愤怒的女票，心想：我不是直男，我得好好说。于是他故作深情地说：我之所以喜欢做推荐策略，是因为我想读懂一个人的心，然后给她最喜欢的东西。

听到啪的一声，女票给了肖诺一巴掌，“舌头光滑！” 你可以这样做，然后用你的策略来预测我晚上想吃什么？

小诺摸了摸她滚烫的脸，脱口而出：你想和辣妹一起去火锅店。女朋友惊讶地说：你怎么知道的？肖诺故作镇定，分析道：上周，你说想吃火锅，但没做好，你一定不甘心。刚才打车经过火锅店的时候，你转过头继续看，说是同事跟你说这家火锅店不错。你是一个不爱吃辣的人，所以你肯定想吃火锅。

女选民说：就这么简单，你猜对了。小诺说：毕竟我是在做推荐，只要我有足够的特征数据，我就能看懂这个世界！

女票翻了个白眼，道：“这个不算，我们部门下周要去武陵山建队，你能不能给我推荐一下我该带什么衣服。” 小诺开始分析：第一步先把我现在知道的信息整理一下，然后再做推论，最后给出建议。

小诺总结的信息如下：

早上9点出发，高德查了一下单程开车要3个小时。他们先到吃午饭，下午2:00上山，有车送他们到山顶，大概2:30左右，然后步行一会儿。百度搜索武陵山海拔2118米。海拔每升高1000米，气温下降约6度。当然，它也受到环境的影响。现在九月早晚温差很大。查了一下，那天天气很好，湿度应该不是很高，12-24度，日落时间是18:05。在山上玩了几个小时淘宝推荐位，5:00左右开始下山。下山的弯路很长，大概用了1个。边走边拍照5到2小时。走路会发热，感觉体温会高2度左右。

综上所述，山顶温度在0-12度之间，中午2点最热的时间应该是12度，但是天气晴朗，山顶直接晒太阳，会如果有太阳辐射，就不会觉得那么冷，加上走路产生的一些热量，所以感觉会在十六七度左右。

5-7点下山的过程中，太阳会慢慢下山，气温会降低，热量会更多，海拔也会降低，感觉在13度左右。

最后，小诺给了一个建议。他对女票说：你应该多穿上周买的骆驼风衣。上山时放在包里，下山时气温开始下降时穿上风衣。女票表示疑惑，小诺详细解释。

女票高兴地表示自己知道，然后说：淘宝真是个有罪的应用程序。它每天都给我推送消息，使我不断购买和购买。这也是你的推荐吗？

小诺说：是的，我只是为推送做了个性化推荐。

女票说：那你说说你是怎么做到的。

小诺说：那我慢慢告诉你……

一、推动目标和本质

首先，什么是推送消息？是淘宝每天推送给你的消息。

推的目的是什么？

推送的目标：新用户的推广，老用户的推广，包括流失用户的召回。推送推荐的本质：推送就是在对的时间、对的场景，把对的内容推荐给对的用户。

所以你每天都会收到很多推送消息~

二、产品画像和用户画像

这是一个推荐的过程。我画的很简单，但实物比这个复杂。

如果我们想向您推荐您可能喜欢的产品，我们需要了解您和产品，因此我们需要创建产品画像和用户画像。先说产品画像。产品画像如下，主要由SKU分类和属性特征组成，必须为这些特征建立倒排索引。

对于产品画像，产品listing、库存、价格、评论数量要增量更新，产品标题、品类、属性、主图、销量、评论要全面更新。

我们来看看用户画像。用户画像通过了解您的一些信息来定义您的用户的外观。大概包括以下几个方面。

用户画像如下：

用户组：

① 用户画像可分为基础画像和模特画像。基础画像是指可以直接获取的用户数据，模型画像是指通过模型学习用户数据得到的模型淘宝推荐位,产品汪如何向女票解释——淘宝push的个性化推荐，如用户流失程度、用户关键程度等。

②用户基本信息属于长期画像，长期不变。比如用户的性别、年龄、星座等。对于基础信息不完整的用户，可以训练信息完整的用户，获取不同用户群的特征。

例如，通过分析用户的applist，可以得到安装app的用户为女性的概率和男性的概率。通过这种方式，模型可以针对缺少性别的用户进行扩散，并且可以填充缺失的项目。

③用户的爱好可以分为长期兴趣和短期兴趣，通过分析用户的历史数据可以积累长期兴趣。例如，用户在过去六个月内频繁购买零食和坚果，每次购买都会在长期利益中进行一次权重积累。

某天，由于用户受到热点事件的影响，短期内开始购买零食和果脯，模型短期内应该增加这个兴趣点的权重，以免受到长期影响长期利益，无法提高。

④ 针对行为特征、消费信息等数据，可以设计用户对比。例如，设置用户比较3个同类产品购买1个为第三级，用户比较5个以上相同产品购买1个为第一级。

您还可以根据用户打开应用的频率设计用户流失模型。比如用户打开应用1天是流失F级，3天不开放是流失E级，7天不开放是流失级C，如果一个月不开，就是流失A级。。

三、推荐策略和算法

我们已经建立了产品和用户的画像，我们将分析你喜欢什么样的产品以及如何与你匹配，这涉及到策略和算法。

(1）常用算法

① 根据基本信息中的性别、年龄、地区等统计信息进行过滤。

② 基于用户的协同过滤。

③基于商品的协同过滤。

④ 决策树模型等。

(2）推荐策略

①应用列表：通过阅读用户的应用列表，将应用与产品类别进行匹配，了解用户的兴趣点，旨在获取新用户的兴趣，挖掘老用户的新兴趣。

②本地化：实时获取用户地理位置，并结合用户当地天气、城市等级、生活圈、当地热点进行推送。这个策略是为了提高用户感知，增加推送好感度。

③通勤场景：在通勤过程中，如果用户属于移动网络状态，在推送和落地页中应减少插图或多张图片的比例。这种策略是考虑用户的感受，增加用户的好感度。

④趣味测试：对于新用户，由于兴趣爱好信息积累较少，推送推荐时可以选择人气高、点击率高、性能好的推送，这样即使用户兴趣不大增加，保证用户不会产生反感。

⑤ 负反馈策略：对于用户看到而未点击的推送，应有负反馈机制，点击退出，以减少此类推送出现在用户面前或不再出现的频率。

⑥ 季节性策略：根据季节、天气、节气的变化淘宝推荐位，有针对性地向用户推送具有这些特点的产品。

⑦热点策略：根据近期话题或事件热点推送产品。

(3）分布排序

①推送可分为通用型、活动型、群组型、个人型、系统型、热点型等。并为不同类型的推送设置优先级。推送时优先推送高优先级的推送。

②召回排序时，通过第一层统计社会学信息过滤，候选集中会有多次推送。此时，可以根据上述策略模型对推送进行综合评分。例如，有 30 个策略模型。，您可以根据不同的权重从30个维度对推送进行综合评分，从高到低排序，以最高分推送。

③当一天内推送次数达到上限3-5次时，当天停止推送。

四、推送指标以获得个性化推荐

那么我们在给用户推荐产品的时候，怎么看我们的推荐效果呢？​​这里我们需要衡量指标。

短期来看，就是新推的数量和新的贡献。从长远来看，是推送、点击、到达、浏览、加购、下单、支付、回购的全链条来提升和负责最终的GMV。

GMV=流量*转化率*客单价。流量=新用户+老用户。

从用户行为路径来看，一次推送后，会经历到达、展示、点击、浏览、外链购买、下单、支付等流程。评价推力效果的指标也相应生成。

五、推送优化方向

根据以上指标，我们需要对以上几个方面进行优化。

(1）提高push的到达率

推送的重复发送：通过服务器端的重复发送和客户端的本地重载来优化到达率。

重复发送策略可以在不同的时间间隔发送。例如，每 x 小时发送 y 次推送，每天发送 z 次。

(2）提高推送的点击率

增加推送的丰富度。如全力推送活动和热点事件；为某个用户组群推；针对个人用户的历史信息和爱好进行个性化推荐。创建有吸引力的副本。一次推送，可以设置多条文本，使用ABtest方法对同质用户进行分组，为同一次推送推荐不同的文本，快速获取高点击文本进行全量发送。推送文案设计：应从文案基础、用户感知、用户习惯、形式多样性等方面考虑。详情如下。

文案基础：没有错别字淘宝推荐位,产品汪如何向女票解释——淘宝push的个性化推荐，没有错误的标点符号。主题突出，没有多余的无意义的词。如果文案完整，或者主要主题完整，如果文案太长，可以在最后使用省略号。

形式多样：图片、文字、表情、提示音等，丰富推送形式。

用户感知：例如，让用户感到参与的那些包括本地名称，@user。让用户有一种亲切感，熟悉的名字，影视名字。以及关于热门句子的文字。

用户习惯：如果你习惯看半角文案，因为全角文案会感觉不规则。

(3）登陆页面设计

①落地页内容和推送内容要保持一致，相辅相成。

②落地页的内容要突出产品主体，抓住用户的眼球。

③ 对于新用户，由于使用习惯尚未养成，对app的了解不够，最好在落地页有一定的指引，引导用户了解产品。

(4）推频控制设计

主要是为了不过多打扰用户。

①推送应该有每个用户每天的推送数量上限。例如，系统消息或互动消息的推送可以无限制，活动和个性化推荐的总推送次数应限制在3-5条。

②推送时间段应选择用户空闲时间，一般分布在早上、中午、晚上、睡前四个时间段。如7-10点、11-14点、17-19点、22-24点

③ 从长远来看，该模型可以用来计算一个用户每天可以接受的推送次数，以及单个用户可以接受的推送次数。

小诺说：好，我说完了。女票说：我脑子嗡嗡作响，大致可以理解。

最后

醒一醒！女性对战略的投票从何而来？继续学习…

#专栏作家#

大鹏，公众号：数据人的私人场所。每个人都是《数据产品经理培训手册》的产品经理专栏作家。

本文最初发表于每个人都是产品经理。未经许可禁止复制

题图来自Unsplash，基于CC0协议