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