推荐算法模型应用——主动操作沙盘/主动引擎。_抖音号买卖平台

新媒体兔Tik Tok待售:在营销过程中,可以根据用户兴趣应用推荐算法,从用户生活的各个方面做出相应的推荐,提高转化率和购买率;本文将推荐算法模型应用到用户兴趣中,实现了推广和转化。让我们来看看。

我们讲了这么多推荐类的算法,如何在数据产品中应用?这些推荐逻辑是否只适用于推荐系统?

我不这么认为。用户的兴趣可以渗透到业务逻辑工作的几乎每个方面。简单来说,无论做什么生意,给客户最喜欢的就是最好的策略。

答案可能不一定,但在大多数领域还是很有价值的。在本文中,我将与您分享两个常见的应用方向:

1)活动的受欢迎程度、最佳人群/活动推荐:

我们根据经验设计了一个闪闪发光的活动。是否真的符合公司目前的客户群?

最近公司想回馈老客户,运营圈了一批高价值客户。这些客户适合什么类型的活动或优惠券?

该公司增加了一个新的合作伙伴,并谈论了一些新的优惠券。我想知道这些新优惠券适合哪些客户。

2)对于有异常的人,给他们自己喜欢的优惠券:

在不久的将来,公司的目标是促进活动和转型。面对筛选出来的异常客户(比如主动不改造、睡户、等着被丢),应该给他什么样的优惠券才能激活他?

如何解决以上问题?

成千上万的人有成千上万的想法。本文从算法的角度出发,探索算法的解决方案。这个算法模型是:用户兴趣模型——也叫营销响应模型。

因此,在解决问题之前,我们先来看看兴趣模型的构建过程:

一、营销兴趣模型

在挖掘客户兴趣时,我们使用了推荐系统——DeepFM的通用模型;供参考。该模型能够有效地深度融合高维和低维特征,被广泛应用于点击率预测和推荐排名。

我们仔细思考这个模型,点击率预测和推荐排名。本质上是基于用户对商品的交互行为,混合用户/商品的基本属性,计算用户喜欢一个商品的概率值,进而推断是否会点击。

在构建这个模型的过程中有一个基本假设:用户喜欢就会点击;不管这个假设是真是假,只看前半部分,模型预测的是用户是否喜欢某个产品,这部分对于我们的应用来说已经足够了。

在模型构建过程中,我们以活动数据为切入点,获取用户的基本属性、活动的基本属性以及用户对活动行为的交互数据。这三种数据融合后馈入DeepFM模型,用户对活动的偏好度为——,即兴趣度。

中间有一个很有意思的点,就是特征库简化了特征工程的难度。

逻辑上,算法工程师需要进行详细的特征筛选,列出已有的特征,通过相关性或熵值等计算方法,确定哪些特征与目标值相关,从而筛选出强相关特征和相关权重。

这个过程往往需要很长时间,但特征库的出现简化了这项工作,特征库的工作原理将在后面的文章中详细描述。

在这里,我们简单理解为将Y和X的关键经验值(有些设计会省略X的关键值,只输入Y值,具体取决于特征库的设计完备性)放入特征库中,特征库会返回给你其他与Y值和X的经验值以及对应的相关权重强相关的特征,如下:

工程师可以通过简单地处理与业务相关的问题,如缺少值和离散化,将这些特性直接输入到模型中。

你觉得有趣吗?

科技的力量将逐渐取代劳动力,就像汽车取代马车,机器取代劳动力一样。

回到主题,我在推荐算法系列中描述了DeepFM模型。

本文旨在探讨算法在产品设计中的应用。算法方面,简单贴下模型样式,感兴趣的同学可以深入探究:

整个操作过程如下:

经过以上讨论,我们得到了用户对某项活动的兴趣对照表:

我们的下一项工作是使用这三个表来设计相应的应用场景。

二、策略运营沙盘

在运营过程中,活动设计往往会遇到一类问题,即“知识的诅咒”和丰富的经验,使得活动设计者认为活动应该这样设计,一定阶段的客户应该喜欢什么,逐渐忽略了新方案的探索和客户的真实喜好。

这个“诅咒”能被打破吗?

今天,我们尝试从用户兴趣的角度给出一种新的方法。

很多活动的设计思路都来自于过去的经验和其他公司的经验,这其实是我们不断学习的主要方法,即——借鉴历史,从别人身上获得灵感;本身没有问题,建模本身也遵循这个思路,——,就是从过去N年的活动数据中总结推断我们的客户现在喜欢什么,然后为他设计什么样的活动;问题是人们无法从整个数据集的角度去判断用户的偏好,设计活动计划。一方面是因为计算量太大,另一方面是太复杂的数据很难提取出有效的信息。

所以,有一个兴趣模型~

兴趣模型的价值在于能够借用自身强大的计算能力,遍历公司N年的有效数据,通过现有客户过去的行为判断当前的偏好;新客户也可以根据与现有客户的相似度近似判断当前偏好,变相解决了上面提到的人的局限性。

但是兴趣模型本身有什么局限性呢?

很简单,限制就是模特看不懂新闻。你什么意思?

也就是说,模型不能从别人那里获得灵感,缺乏想象力,除非你把别人的经验数据馈入模型;这往往是不可能的,因为其他公司无法提供你想要的数据;因此,单纯依靠兴趣模型往往是不成功的,因为他对奇怪事物的探索和启发能力远不如人类。

所以,有人机结合~

人机结合主要是指人们在构思方案的过程中,借鉴兴趣模型对历史数据的挖掘能力,融合自己的奇思妙想和灵感,形成相对完整的方案思路。

战略操作沙盘应运而生~

这个沙盘有三个主要功能:

1. 现有活动和客群是否匹配?

如果正在运行的活动来自自己的奇思妙想或过去的经验,它们是否适合当前的企业客户?

我们可以对活动进行拆解,确定可识别的活动类型特征,并将其馈入上述兴趣表,圈定一批活跃客户;然后,将这组客户与原本由活动确定的客户进行对比,按交集查看客户兴趣分布;然后确定活动设计是否符合当前的客户群。

2. 面对新的客群,哪些活动类型匹配度高?

这个问题有一些推荐的影子。根据新客户,我们在兴趣表中圈出相应的活动特征。根据每个活动特征的兴趣度,我们可以检查每个活动特征的兴趣度分布。兴趣度高的活动特征是满足客户的活动特征,所以我们可以围绕这个活动特征展开想象力。

3. 面对新的优惠券,该面对哪些客群设计活动?

兴趣模型中评价兴趣度的主要活动特征之一是优惠券。当生成新的优惠券时,我们可以从兴趣表中的活动类型列表中筛选出与现有优惠券相似的优惠券客户。根据兴趣值,筛选出兴趣度大于一定阈值的客户作为目标客户,设计新的活动。

如果选择的客户数量不够,这部分客户可以作为种子客户,通过人群扩散的方式扩大客户数量。

至此,战略运营沙盘的三个应用方向都明确了,欢迎有兴趣的朋友来聊聊~

三、促活/召回引擎

活动设计流程结束后,我们来谈谈推广/召回。

促销/召回问题本质上是刺激客户异常变化的问题,主要分为两个步骤:

1. 确定哪些客户是异常客户

作为运营商,我们需要关注的异常主要包括:未转化的活跃客户、不活跃客户、待流失客户;这三类客户都是比较理论化的认知,结合具体的业务场景,往往会有比较细致的划分,比如:经常浏览首页而没有深入访问的客户、只做查询动作而没有具体交易的客户、经常使用一个功能而没有其他功能的客户等等;这些异常行为通常反映了顾客的心理矛盾。

在一个完整的生命周期中,一次正常的客户拜访往往是:从初次拜访到深度浏览,从只查询到完成具体交易,从完成单笔交易到完成各类交易,从低频访问到高频访问,等等。

随着客户对APP的熟悉,APP的使用也会逐渐加深。否则就会出现异常,是一个值得反复探索的地方。

在本文中,让我们探讨兴趣模型在三类客户中的应用:未转换的活跃客户、不活跃客户和等待丢失的客户。

2. 确定异常客户喜欢什么样的优惠券

正如我们上面提到的,差异化活动最重要的类型是优惠券,这也符合我们的认知;因此,可以从兴趣表中提取用户对优惠券的兴趣,然后在这里应用。

识别异常客户,同时这些客户喜欢什么样的优惠券,下一步该怎么做?

我想已经很清楚了,对吧?

向这些客户发送自己喜欢的优惠券,以最大限度地激活这些客户,达到促进客户异常变化的目的。

在工程中,我们可以用流程图的形式表示出来:

从上面的信息流中,我们基本上可以看到这个激活/召回引擎的使用逻辑,即:

确定异常客户和感兴趣的优惠券,并配置到标签库中;

将标签库连接到事件中心,按照一定的规则触发推消平台;

推消平台获取异常客户及对应优惠券,并单独发送;

这个想法有两个亮点:

兴趣模型会根据用户兴趣的变化定期调整感兴趣的优惠券,可以保证同一客户在不同时间收到不同的优惠券类型,防止客户对同一优惠券产生反感。

活动中心实时发送优惠券,既保证了实时性,规则配置也可以增加推送平台发送优惠券的灵活性(上午或下午发送优惠券会对不同的客户产生不同的影响),从而在时间维度上满足客户。

好了,文章到此结束。对于兴趣模型,也许每个人都会有更好的应用思路。欢迎大家来逗~

作者:livandata;微信官方账号:livandata,欢迎大家关注交流~

本文最初由@ Wild Crystal发布。每个人都是产品经理。未经作者许可,禁止转载。

图片来自Unsplash,基于CC0协议。

奖励作者,鼓励TA抓紧创作!欣赏



新媒兔新媒体交易平台目前有 抖音号出售抖音号转让抖音号购买快手号购买等新媒体账号服务市场,并在新媒体服务的基础上将会开拓更多的虚拟资产服务业务。新媒兔对用户的需求提供信息匹配、账号估值、数据鉴定、资金担保、合同担保、运营指导等专业的虚拟资产服务配套服务! 还有问题补充欢迎评论与新媒兔小编互动哦~