神策智能推荐七大玩法场景化解读和评估体系

 

 

时至今日，推荐系统已然成为一门显学，智能推荐成了互联网产品的标配。那么在互联网产品运营场景中，如何巧用智能推荐赋能业务增长？又该如何评估推荐系统的优劣？本文从以下角度带你一探究竟。

• 智能推荐七大玩法场景化解读

• 如何评估推荐效果？

• 推荐系统如何实现业务闭环？

注：文中数据均为模拟

一、智能推荐七大玩法场景化解读

玩法一：热门事件，让“吃瓜群众”看过来！

当用户打开 App，面对海量内容和商品无从选择，这时如果有最热推荐或爆款商品等版块，就极有可能快速吸引他的注意力。

这种热门推荐场景一般由系统定时更新数据并主动推荐到用户面前，用户打开界面就能接触到讨论度最高的内容，一方面满足了用户的从众心理，不会错过一手瓜，另一方面也能激发用户兴趣，让用户不会出现选择困难。

典型场景——微博热搜榜、抖音热榜

玩法二：相关推荐，让用户“意犹未尽”

信息爆炸时代，罗列所有信息等同于给用户添麻烦，这样不仅使用户无从下手，而且导致信息利用率低下，相关推荐正是为了解决此类问题而生。

所谓相关推荐，是根据计算内容或商品的相似度，进行一些相似内容或商品的推荐，以满足用户延伸阅读或者延伸购买的需求。比如用户浏览一个手机后，下面推荐了“相关手机”，阅读一篇文章后，下面推荐了“相关文章”，推荐内容和用户关注的内容相关，可以有效帮助用户筛选信息，过滤掉相关度低或完全不相关的信息，发挥用户时间的最大效用，提升阅读和购买的幸福度。

典型场景：微信读书“继续阅读”相关推荐

玩法三：想用户之所想，Feed 流让用户持续“消费”

伴随内容爆发和用户时间的挤压，传统的内容信息流已经呈现出了很大的弊端，无法再满足用户高效获取特定内容的需求，如何让用户进入 App 后可以持续消费内容？Feed 流成为最优解。

目前 Feed 流的主流排序方式不再严格按照时间线，而是广泛使用智能 Feed 排序。智能排序基于趋势、热门、用户生产、编辑推荐、相似性等因素综合考虑。新的 Feed 流不再需要用户主动订阅或者搜索，只要根据其浏览时长、点赞分享等动作，或者建立用户画像，就可以主动推荐用户感兴趣的内容。在内容很多很杂，且与用户关联不强的情况下，Feed 流无疑是一个很好的筛选器。它对用户了如指掌，能够源源不断地提供用户想了解的，可以有效地提升使用时长。

典型场景：知乎 Feed 流

玩法四：激发并推荐 UGC，度过“冷启动期”

去中心化的时代，平台之间的竞争已经演变成生态系统的竞争，内容型平台更是如此。维