不懂推荐算法也能设计推荐系统?

15天0基础极速入门数据分析,掌握一套数据分析流程和方法,学完就能写一份数据报告!了解一下>>

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。

相信很多新手产品,看到算法二字,多是懵圈的。

什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。

但,不了解推荐算法,就无法做推荐系统了吗?其实,产品人员可以从产品侧挖掘自己的长处。

下面,以商业化应用推荐为例,讨论如何在不熟悉推荐算法的前提下设计推荐系统。

01 解决什么问题

收入:推荐用户感兴趣的应用,提高收入。

改善用户体验:对于用户不感兴趣的应用,少推荐,减少整体的广告显示,提升用户体验(毕竟,多数情况下,商业化与体验是矛盾的)。

02 设定目标

这是比较难的。需要了解当前的推荐策略 与 优化后的策略,才能制定出来。要么你熟悉推荐算法,要么知晓行业数据。建议是:如果没有明确的依据,不要拍脑袋。

03 有什么数据

用户画像,是一个谈到烂的话题。但小体量的公司很难把用户画像落地,因为需求是简单的:根据用户画像,用户的喜欢做……但在实际执行中,很难建立一个数据模型处理万千的数据并应用到推荐场景当中。

下面讨论数据情况,有哪些维度的数据,直接决定数据模型。

1. 基础数据

无论贵公司是以APK还是SDK的方式,用户手机安装了什么应用,均可以拿到。具体数据如下:

2. 基础数据的推导

根据基础数据,我们可以推导出应用卸载列表。

用户卸载列表:指用户点击安装后,又卸载的应用。用相临两周的应用列表,做差,即可得到。如下图所示,相对于本周数据,上周缺少了百度地图与饿了么两个应用。

3. 不喜欢应用列表

是指,推荐给用户的应用,有效展示后,用户不点击的应用列表。

04 高阶数据

如果可以获取用户使用应用的详情,那做应用推荐时,准确度可大幅提升。但普通应用获取不到此类数据,所以本篇不作讨论。

05 推荐策略

推荐应用给用户,可以有多种推荐策略。如:

  • 已安装类别中,推荐额外应用:如用户安装了QQ音乐,可以推荐网易云音乐。
  • 推荐缺少类别的应用:用户缺少健身类的应用,推荐KEEP。

下面,我们以“推荐缺少类别的应用”为例:

1. 先上整体流程图

第一步:获取用户本地应用,即用户当前时间段安装的应用。建议以为统计周期。

第二步:对用户本地应用按类别整理。示例数据中,用户有“系统工具,导航”这两类数据。但缺少“音乐,旅游”等类别的应用。那么每个分类的排名是如何得来的呢?

衡量一个分类的排名,涉及到多个因素。我们暂时用最简单的,推荐成功率来计算。即:以往的数据中,每个类别推荐成功了多少个应用/总的推荐数。

各位读者实际的项目中,要根据自己的业务特点,来计算排名。

第三步:获取第一个缺失分类及所包含的应用。在步骤2中,排名第1,第2的类别已有,下一个类别为音乐,即为用户缺失的类别中,最为靠前的。如上图红色字所示。

第四步:获取该类别的第一个应用。每个类别可能有多个应用。应用间的排名,也可暂用推荐成功率来计算。如下图所示,在缺少的音乐排名中,QQ音乐排名第一位。我们选出该应用,优先推荐。

第五步:将步骤4中的应用,按不喜欢名单过滤。如上图,如果用户不喜欢QQ音乐,则按照顺序,向其推荐 网易音乐。

最后,统计是否已经达到需要的广告数量。如果没有达到,则继续在该类别中取下一个应用。如果该类别已经取完,则依次获取下一个类别中的应用。

第六步:保底推荐。最后托底的推荐策略,防止所有的应用遍历一遍广告数量还是不够的情况。

以上,就是精简后的,按缺失类别推荐应用的最基本的流程。您可能会问:为什么优先从一个类别中挑选应用呢?是的,上文实际的策略是:单(缺失)类别优先的策略。

我们也可以优先把每个缺失的类别都挑最少应用出来,这就是另一个推荐策略了。

欢迎大家来探讨推荐策略,无论是“平民”的还是需要数理统计背景的推荐策略。

 

作者:大肚飞鱼,公众号:大肚飞鱼

本文由 @大肚飞鱼 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

给作者打赏,鼓励TA抓紧创作!
评论
欢迎留言讨论~!