好久不见
看看去年就计划了好多篇文章都没有出来，也是蛮羞愧的。
这本是六月份开头的一篇文章，直到产品上线迭代N次都没有好好码字，再次捡起来慢慢叨。
当然，初始的想法我并没有想到“智能推荐”的事情，而是想如何去优化自己的产品，从数据驱动是一个很好的切入点，于是乎，就找到下面一堆，我认为可以优化的“数据驱动的切入点”。
当时画的脑图，还有些内容是重复的，显然当时并没有想好做什么方向。但是对于任何一家公司、平台而言，核心数据永远都是用户带来的交易价值。
能够让用户更多的去消费、支付，营销工具必然是起到关键性的作用。借鉴别家关于内容、电商型的产品，比如当你搜索过一个明星，那么某天你发现推送的新闻便是关于这个明星；比如某宝中的猜你喜欢经常出现你浏览过的商品。“投其所好”显然可以抓住用户的注意力和时间。所以想将用户喜爱的东西送到用户手中。优惠券是当时只能利用的工具。
用户喜欢的优惠券要满足用户偏好，而且在当时在某一场景中的整体ROI(投资回报率return on investment)远远高于设计指标，说明其本身的不合理性。优化就需要对用户历史数据进行分析。然而不同的用户的投资行为千差万别，甚至同一个用户对于不同时期的营销活动表现也不尽相同，所以单纯改变优惠券的金额期限是不能最大程度满足需求。
将自己的近期投资行为列出，并且聚集出最适合的数据，当时看了些机器学习的算法和研发小伙伴沟通，拿那些皮毛知识去沟通需求发现效果并不是很好，他们更在乎为了要做一件事情的目的，而不是用什么样的方法。后来项目采用基于项目的过滤协同方法计算用户的偏好。
用户的投资行为有的很是烦乱无章，有的却是单一规律的，猜测用户会有不同的喜爱，并在他们投资历史记录里，简单设立了基于金额、期限不同的五种偏好设置。这些偏好设置类型在后面的实验当中展现也是相当的不同。
项目上线后，我们对不同活跃度的用户，实验了五种偏好，数据表现出乎我们的预料。下图是同一个策略对于不同活跃用户的影响表现，一种影响只有1-2倍，另一种达到8-10多倍影响。
而我很看好的一种策略，对用户的影响却不像我们想象的那样出色，只是略微有提升，如下图所示。
由此我们得出来一个结论，依据偏好可以明显提升用户的投资表现，但是统一的策略不适用每个人，不同的用户对不同的策略的敏感程度不一样。我们需要更加精细化的运营和营销。
由此为了更加提高效率和精准我们需要对不同的用户采取不同的策略。所以我们提前就保留了策略和优惠券和用户领取的数据，但更为直接的目的是要用户直接获得他最喜欢的优惠券，所以研发小伙伴新的方案是用深度学习，所以我又开始了可怕的神经网络的学习。
当然，后面迭代几次我们丰富了用户投资的产品类型和新的策略，以及成本模型，但是数据总不像自己预想的那样，总是好的超出预期。哪怕连节假日的数据都是超出预期。
推荐在电商平台上我们的感受尤为明显，比如你搜索浏览过一件商品，那么它很可能出现在你的首页或者发现某个频道，而对于投资理财类产品，金额是一个敏感数字，那么将与它相关的推荐放置在一个随机奖励的位置就不会那么明显，比如抽奖、大转盘、刮奖、砸金蛋等等活动中。如果这个奖励是多变的，总有几次是用户想要的，效果必然会悄无声息发生作用。
注：本文并没有涉及真实数据图表如有雷同纯属巧合。
网友评论