传统的需求收集方式多是做一些调研，如用户访谈、问卷调查、焦点小组、现场调研等。虽说这是直面用户很好的方式，但是也存在一些局限性，如样本不够多，投入时间人力成本大，访谈环境对受访者的影响从而影响调研结果的真实性等等。而近几年大数据的发展，让我们对于用户的需求收集开始有了一个更方便，更有效，更准确的方式。说明白些，大数据就是通过海量的,多元形式的数据根据某些规则，某些算法提取有用的或是想要得到的信息，从而来分析总结用户的需求。而将这件事情做到极致并且最后应用起来，且最后帮助直接提高业绩的便是‘推荐系统’。
简单来说，推荐系统就是模拟销售人员帮助客户完成购买过程，个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品，从而最后提高转化率。
推荐系统的主要任务就是联系用户和物品，解决信息过载的问题。典型的生活场景，你在使用各类购物型app时，在首页上必定有‘猜你喜欢’，将推荐做到非常极致的‘今日头条’，都是非常典型的例子。他能知道用户需要什么，所以才能抓住用户，然后让用户依赖自己的产品，拼的就是比别的产品更懂你。
而推荐系统的第一步就是需要做用户建模，用户建模的数据来源很大程度都是基于用户的行为轨迹数据。那对于我们做任何一款产品时，都非常值得学习推荐系统这种科学的基于用户数据的一种需求定位。
一、基于用户行为轨迹的数据分析，找到产品方向。
用户行为数据在网站上或者在客户端上最简单的存在形式就是日志，现在市面上有很多研究用户埋点的产品，也做得非常成熟了，像growingio、百度统计、talikingdata等，来帮助大家记录各家app或者各大网站的用户行为数据。而得到这部分数据以后，你能看出用户的需求吗？举一个典型的例子，电商网站上的购物车，这是一种最简单的方式能看出来用户最近需要什么，正在买什么，当然往更深一个层次看，能分析出哪些商品会同时出现在购物车中，继而分析产品的关联度问题。最著名的例子就是啤酒喝尿布的例子，这是数据挖掘的经典案例。有一位超市人员发现很多人会同时购买啤酒和尿布，他们认为妇女在家照顾孩子，叫丈夫去买尿布，然后丈夫买了尿布以后，会顺便给自己买瓶啤酒，于是超市调整了货架，将这两个看似不相干的物品放在了一起，结果都大大提高了这两种物品的销售量。这个例子说明很多看似没有规律的东西，都可能存在一定的规律，而个性化推荐的算法任务就是通过计算机大量的计算去发现这些规律，从而找到用户的需求，继而给到产品设计时客观的指导，甚至从数据上能指导产品的方向。我们拿到了用户的行为轨迹数据，再依赖一定的算法自然也能找到用户使用我们产品的规律，从而更懂用户。
二、基于用户行为轨迹的数据分析，改善产品体验。
与其找了很多用户集中起来做访谈，看下用户真实的操作步骤，不如从采集得到的大量数据中分析模拟出大多数用户的操作习惯。之前我分析过一个列表页面的用户点击情况，本以为列表页上的第一个位置流量最高，然后按照往下滑动的情况流量会越来越低，但最后根据大量数据分析得到，列表页的流量情况呈现一个抛物线，即最上面的区域和最下面的区域流量是最高的，中间是比较差的。接着我们也研究了用户的一些喜好，在做个性化推荐时，将我们认为用户会比较感兴趣的物品放在了一头一尾的区域，同时我们也改善了一些用户产品体验，比如滑动加载时不会卡，也不会太快，让用户有舒适感，自然最后效果还是不错的，转化率有所提升。所以大数据的魅力是无穷的，善用数据，一定能给到我们产品经理非常多的建议，不管是在方向上，还是在体验上。
总结来说大数据时代，谁能拿到数据，谁就掌握了用户，用户行为数据对于我们做产品时的帮助是非常大的，能直接告诉我们用户的需求，能直接能影响我们的决策，决定我们产品的方向，改善产品的体验。
另外简单介绍一个推荐系统中使用的典型算法——协同过滤算法。
分两种：
1、基于用户的协同过滤算法：简单阐述为当一个用户A需要个性化推荐时，可以找到和他有相似兴趣的其他用户，然后把这些用户喜欢的，而用户A没有听说过的物品推荐给A。
2、基于物品的协同过滤算法：简单阐述为通过分析用户的行为记录计算物品之间的相似度，物品A和物品B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B，于是把物品B推荐给了用户。
网友评论