个性化推荐是根据用户的兴趣和行为特征，来推送出用户喜欢的东西。那么，这个个性化推荐是怎么做到的呢？其中包括哪些内容呢？

周六下午的时光是惬意的，小诺和女票来到了东交民巷比利时大使馆旧址，里面的餐厅喝下午茶。进去后，俩人忙各自的事情，女票在看晚上要去的餐厅，小诺拿出书和电脑学习，毕竟他是苦逼的产品狗。过了十几分钟，正在小诺看的津津有味的时候，女票探过头来，看到小诺在看《用户网络行为画像》和《推荐系统实践》，一脸嫌弃的说，你怎么又在看推荐的书？

小诺看着有点生气的女票，心里想：我可不是个直男，我得说的好听点。于是他故作深情地说：之所以我喜欢做推荐策略，是因为我想读懂一个人的心，然后把她最喜欢的给她。

只听啪的一声，女票给了小诺一巴掌，说：油嘴滑舌！你这么行，那你用你的策略预测下我晚上想吃什么呀？

小诺摸着滚烫的脸，脱口而出：你想去吃辣妹子火锅店。女朋友惊讶的说：你怎么知道？小诺故作冷静的分析：上周你就说想吃火锅，但没去成，所以肯定不甘心。刚才打车经过火锅店的时候，你扭头一直看，还说同事跟你说那家店不错。你又是个无辣不欢的人，所以你肯定想吃火锅。

女票说：原来这么简单啊，算你猜对了。小诺说：毕竟我是做推荐的，只要我有足够多的特征数据，我就能读懂世界！

女票白了一眼，说：这个不算，我们部门下周要去雾灵山团建，你给我推荐下我该带什么衣服呗。小诺开始分析：第一步我要理清我现在知道的信息，然后才能进行推理，最后给建议。

小诺总结的信息如下：

1. 早上9点出发，高德查了一下开车去单程需要3小时。
2. 他们到达先吃午饭，下午2点上山，有车送到差不多快到山顶，大概是2点30，然后自己再走一段路。
3. 百度搜索雾灵山海拔2118米，海拔每升高1000米，气温下降大概6度，当然也受环境影响。
4. 现在9月早晚温差较大，查了当天天气晴好，湿度应该不会很高，12-24度，日落时间18点05。
5. 山上玩几个小时，5点左右开始下山，下山曲折路线较长，一边拍照一边走路，大概需要1个半小时到2小时。
6. 走路会产生热量，体感温度会感觉热了2度左右。

综上推理，山顶温度在0-12度之间，中午2点最热的时候应该在12度，但天气晴好，山顶场地太阳直射，有太阳辐射不会感到那么凉，加上走路产生一些热量，所以感觉会在十六七度左右。

5-7点的下山过程中，太阳慢慢下山，温度会降低，热量更多，海拔降低，感觉会到13度左右。

最后小诺给出了建议，他对女票说：你外面多套个上周你买的驼色风衣就好，上山时放在包里，下山时温度开始降低时穿上风衣就够了。女票表示疑惑，小诺又详细解释了下。

女票开心的说知道了，然后说：淘宝真是个罪恶的app，每天都给我推送消息，害的我不停的买买买。这个是不是也是你做的推荐？

小诺说：对呀，我就是做的push的个性化推荐呀。

女票说：那你给我说说你们是怎么做的。

小诺说：那我慢慢给你道来……

一、push目标和本质

首先什么是push消息呢？就是淘宝每天给你推送的那一条条消息。

那push的目标是什么呢？

1. push的目标：新用户的拉新，和老用户的促活，包括流失用户的召回。
2. push推荐的本质：push是将合适的内容，在合适的时间，合适的场景下，推荐给合适的用户。

所以你每天就会收到很多push消息喽~

二、商品画像和用户画像

这就是一个推荐的过程，我画的非常简单，其实真实的比这个复杂。

我们想把你可能喜欢的商品推荐给你，就要了解你和商品，所以我们要创建商品画像和用户画像。我们先来说说商品画像，商品画像如下，主要由sku分类和属性特征构成，须对这些特征建立倒排索引。

对于商品画像，商品上下架、库存、价格、评论数等应采取增量更新，商品标题、分类、属性、主图、销量、评论等应采取全量更新。

我们再来看看用户画像，用户画像就是通过了解你的一些信息，来定义出你这个用户是什么样子的。大概包括以下几个方面。

用户画像如下：

用户分群：

①在用户画像上，可以分为基本画像和模型画像。基本画像指的是可以直接获得的用户数据，模型画像指的是通过模型学习用户数据得出的模型，如用户流失级别，用户挑剔度等。

②用户的基本信息属于长期画像，在长时间内是不会改变的。如用户的性别，年龄，星座等。对于基本信息不完整的用户，可以对信息完整的用户进行训练，得出不同用户群体的特点。

比如通过分析用户的applist，得出安装哪些app的用户是女性的概率是多少，男性的概率是多少，这样可以对性别缺失的用户进行模型扩散，补上缺失项。

③用户的兴趣爱好可分为长期兴趣和短期兴趣，长期兴趣可通过分析用户历史数据进行积累。比如用户在过去半年经常性的买零食坚果，每次购买在长期兴趣上都会进行一个权重累计。

有一天因为用户受热点事件影响，开始在短期内买零食果脯，则模型应在短期内提高此兴趣点的权重，以便不受长期兴趣的影响而无法提高。

④对于行为特征，消费信息等数据，可设计用户对比度，比如设置用户对比3家同类商品才购买1个为三级，用户对比5家以上相同商品才购买1个是一级。

也可以根据用户点开app频次设计用户流失模型，比如用户1天为打开是流失F级，3天未打开是流失E级，7天未打开是流失C级，一个月未打开是流失A级。

三、推荐策略和算法

我们建立了商品和用户的画像，就要来分析你喜欢什么样的商品，商品如何和你匹配上，这就涉及到了策略和算法。

（1）常用算法

①基于统计学的过滤，如基本信息中的性别，年龄，地域等。

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

①applist：通过读取用户app列表，用app和商品分类进行匹配，了解用户的兴趣点，此策略针对于新用户的兴趣获取，以及老用户的新兴趣挖掘。

②本地化：实时获取用户地理位置，与用户本地天气，城市层级，生活圈，本地热点等结合进行push推送。此策略为的是提升用户感知，增加推送好感。

③通勤场景：在通勤中，用户如属于移动网络状态，push和落地页应减少插图或者多图的比例。此策略为的是考虑用户感受，增加用户好感。

④兴趣试探：对于新用户来说因兴趣爱好信息积累较少，在push推荐时可选取热度高，点击率高，表现好的push进行推送，这样即使用户兴趣不增加，也保证了用户不产生厌恶。

⑤负反馈策略：对于用户看到不点击，以及点击即退出的push，应该有负反馈机制，降低此类push在此用户面前出现的频率或者不再出现。

⑥季节策略：可根据季节，天气，节气变化，针对性的向用户推送具有此类特征的商品。

⑦热点策略：根据近期话题或事件热点，结合相关商品进行推送。

（3）分发排序

①push可以分类型，如通用型，活动型，群体型，个体型，系统型，热点型。并给不同类型的push设定优先级。在推送时高优先级的push优先推送。

②在召回排序时，通过第一层的统计社会学信息过滤，候选集中的push会存在多条，此时可根据以上提到的各策略模型综合的对push进行打分，比如有30个策略模型，可从30个维度按照不同的加权对push进行综合打分，由高到低的进行排序，得分高的优先推送。

③当一天内的推送push数量达到3-5条的上限时，当天即停止推送。

四、push个性化推荐的衡量指标

那么当我们为用户推荐商品之后，如何来看我们的推荐效果呢，这里就需要有衡量的指标。

1. 短期来看是push拉新数量，和拉新贡献度。
2. 长期来看，是从推送，点击，到达，浏览，加购，下单，支付，复购整个链条来提高，为最后的GMV负责。

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，一条push推送后，经历了，到达，展示，点击，浏览，加购，下单，支付的流程。评价push效果的指标也据此产生。

五、push优化方向

按照以上指标，我们需要对以上几个方面进行优化。

（1）提升push的到达率

重复发送push：通过服务端重复发送，客户端本地排重来实现到达率优化。

重复发送策略，可以分次分时间间隔发送，如每隔x小时，发送y条push，每天发送z次。

（2）提升push的点击率

1. 增加push的丰富度。如针对活动和热点事件的全量推送；针对某用户群体的群体推送；针对单个用户历史信息和兴趣爱好的个性化推荐。
2. 塑造具有吸引力的文案。对于某个push，可以设置多个文案，用ABtest的方法，将同质用户分组，推荐同一个push的不同文案，快速获得点击率高的文案进行全量发送。
3. push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。具体如下。

文案基础：无错别字，无错误标点。主语突出，无无意义词语冗余。文案完整，或主述对象完整，文案过长可末尾用省略号提示。

形式多样性：图片，文字，表情，提示音等，丰富push形式。

用户感知：比如让用户有参与感的有，含有当地名，@用户。让用户有亲近感的有，熟知人名，电影电视名。以及关于热点热句的文字。

用户习惯：如习惯看半角文案，因为全角文案会有不正规的感觉。

（3）落地页设计

①落地页内容和push内容应该保持一致，相辅相成。

②落地页内容应该突出商品主体，抓住用户眼球。

③对于新用户来说，因使用习惯还未养成，对app了解度也还不够，落地页最好有一定的指引，引导用户理解产品。

（4）Push的频控设计

主要是为了不过度打扰用户。

①push对于每日每个用户的推送条数应该有上限的设置。比如系统消息或者互动消息类的push可以无上限，活动和个性化推荐类的push总量应控制在3-5条。

②push推送的时间段应选择用户的空闲时间，一般分布在早，中，晚，睡前四个时间段。如7-10点，11-14点，17-19点，22-24点

③从长期来看，可以通过模型，算出用户一般每日可接受的push条数，以及单个用户可接受的push条数。

小诺说：好啦，我讲完了~女票说：我脑子嗡嗡的，就听懂个大概。

最后

醒醒醒醒！做策略的哪来的女票？还是滚去学习吧……

#专栏作家#

大鹏，公众号：一个数据人的自留地。人人都是产品经理专栏作家《数据产品经理修炼手册》作者。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议