解构电商、O2O：挖掘用户的“潜意识”-推荐系统编辑导语：随着人们日益提高

编辑导语：随着人们日益提高的生活水平，对于商品的要求也都趋于个性化，个性化的推荐系统也就顺势而生。这篇文章作者详细拆解了推荐系统的运作方式以及用户的“潜意识” ，感兴趣的小伙伴一起来看看吧~

文章图片
随着人们日益提高的生活水平，对于商品的要求也都趋于个性化。每个人对于商品的喜好都有着自己的习惯，而抓住习惯并养成也是电商平台推广宣传的有效手段，就这样推荐系统应运而生。
推荐顾名思义按照用户的喜好和行为推荐可以满足用户诉求和需要的商品以求达到用户购买的目的。广义上来讲所有主动推送给用户的商品信息都可以视作推荐的范畴，而这里面具有商业变现能力的商品推荐又叫做广告。广告的管理一般会由单独的广告系统负责，下文讲述的推荐主要指除广告以外的商品推荐内容。
一、推荐的基础信息推荐系统从根本上是为了解决营销选品决策的问题，所有就需要有一些指标来衡量和评估效果为后续的推荐策略参数调整和方式进行优化提过依据。常见的推荐系统的指标和搜索的比较类似包括准确率、召回率以及新颖度等。
准确率（Precision）：表示召回的商品中推荐正确的商品占整体召回商品的百分比。召回率（Recall）：表示召回的商品占整体商品的百分比。新颖度：表示推荐长尾区间的商品情况，如果推荐商品都是热门商品，即新颖度很低，反之则新颖度较高。 CTR：点击率，也是广告系统的衡量指标之一。 CVR：转化率，指从用户点击推荐商品到完成购买的转化率。公式为CVR=（转化量/点击量）*100%我们接下来看下推荐系统在电商平台用户端都有哪些常见展现形式，如下图：

文章图片
推荐的使用一般多放在售前环节通过浏览时的推荐提高用户的购买率，少部分页会放在购买完成后提示用户增加二次消费的几率。电商是全天候的售卖平台，但在实际消费的时候用户会有不同的购买场景。不同的购买场景对于推荐的要求也是有差异的。
时间维度：包括节假期、促销周期等，对于020甚至还需要更细分的时间划分，比如早中晚、加班等。不同的时间维度用户对于购买的诉求不一样，推荐给用户的商品也不应该完全相同。地点维度：地点维度更多会影响到发货的周期，本地仓库/商家是否有货确定是否可以早一点送到用户的手里。推荐系统要达到场景推荐差异化的情况就要根据不同情况的获取不同的数据进行分析处理。推荐系统的底层数据源和搜索一样都是来自于各个业务系统的，推荐系统本身并不会产生业务数据。推荐系统主要是分析人与物之间的关系，所以数据都是围绕这两个点进行延伸。
人指的就是用户本身的信息。包括用户自身的基础信息比如用户名、联系方式、地址、收藏。还有消费信息比如订单信息、会员信息等。这些信息可以对于用户在系统中的实体进行初步的构建，以便推荐系统可以通过这些信息分析出人的“特性“ 。
而物品也就是商品信息。商品数据主要是商品的基础信息、促销信息。初次之外对于埋点的数据也需要进行统计，结合上述内容一起分析。埋点信息包括访问数据，点击数据等。
很多时候一些新的用户和新上架商品并没有历史的数据可以追溯，这样就无法提取特征，也就是我们常说的“冷启动“ 。冷启动的问题也会影响到使用哪种推荐策略，因为不同的推荐策略可能对于数据量的要求也不一样。