内容要点
本期课程从推荐的业务价值、推荐领域难点问题、可实现的场景功能来阐述推荐的价值和意义。
推荐的起源和价值实现
具有“推荐系统之王”称号的电子商务网站-亚马逊，在推荐的应用上走在了行业的最前列。
在初期的设计中，亚马逊主要将推荐应用于3个板块：
第一种是最常见的基于item的协同过滤算法，利用过去的历史行为进行推荐；
第二种是利用facebook间好友关系的推荐；
第三种是相关推荐-打包销售场景，这个和后续中场景部分的相关推荐差别较大。打包销售主要的应用场景类似于买了手机买手机壳的场景。
以上三种，在当时是一个较为全面的推荐管理，串联了消费者浏览、购买以及购买后的场景。从已有的数据材料中统计，当时20%-30%的销售来源于推荐系统。
对于每一个消费者而言，推荐系统使自己拥有了一个在线商店，能够不虚此次访问，在商店中找到自己感兴趣的商品。
由推荐的引入，快速促进业务增长的案例中，值得一提的还有Netflix。与前者类似，Netflix应用的是基于用户历史行为的协同过滤，为用户推荐感兴趣的影视作品。据统计，Netflix有60%的用户，是通过其推荐系统找到自己感兴趣的电影和视频的，可见推荐成为了承载流量的主要入口。从2006年起，Netflix开始举办推荐系统比赛，通过技术底层驱动的形式来促进业务增长，对推荐应用的重视程度可见一斑。
回到现在，市场上很多火爆的app已经将推荐应用得更加多元化，比如典型的电商场景下，通过信息流的混排打造逛起来的体感，利用消费者评价或app领袖级买家引导促成消费。纵观各行业，不论是内容论坛、广告分发，还是教育培训、书籍小说，个性化推荐都成为了必不可少的功能。
之所以能够引发这种现象，就是因为推荐这种智能分发能够带来的业务价值提升绝不是一星半点。客观而言，通过千人千面进行推荐，可以大幅提升分发效率，促进点击率指标的提升。
对于老用户，能够在推荐板块找到自己的兴趣变化、惊喜发现，提升粘性；新用户能够迅速在app中获取最喜好最关心的内容，从而促进新、老用户的留存粘性提升。
利用内容分发促进转化，一方面可能由当下主打下沉市场的app应用中的返利机制促成，另一方面是为了培养粘性用户，提升用户活跃度，从而为后期变现、转化打下良好的基础。
推荐并不止完成长短兴趣的探测与精准触达就可达成目标，也需要给到用户多样化的体验，使其能发现从未获取的新颖好物，不断发现惊喜，真正喜欢上一个app。有时候推荐要比用户更懂在当下他需要什么，通过什么能够给他带来欢喜，这也是人们对推荐的心里预期。
从客观指标、主观体验通盘来看，推荐的价值体现在，作为一股强大的动力，贯穿于从获客到粉丝型用户的整个培养流程，推动用户的转化与粘性提升。
推荐领域难点问题
将一个个性化推荐的场景搭建好并不是一件易事，通常需要解决几个推荐应用中比较棘手的问题。
首先是新用户冷启动，有时候我们花了很大力气做了活动、营销、广告或是买入一些渠道的用户，但最后的结果并不理想。新用户留存难，对于推荐而言难在缺少新用户的信息，而怎么解决这个问题，后期我们将进行剖析。
第二是回音壁问题，指的是当用户的兴趣比较集中时，我们往往在内容推荐过程中陷入局限，从而导致用户走不出兴趣圈，逐渐疲惫。
第三是马太效应，往往80%的流量会集中在20%的内容之中，剩下的80%并不是内容不好，而是比较小众，或因为流量分发的限制就此埋没。因此，当存在一些小众爱好的用户时，很难做到准确分发。
第四，上下文联系、访问心智、行为变化也是一个先进的推荐系统应该解决的问题。
综上可见，推荐想要做好仍面临着很多挑战。
可实现的场景功能
当我们想要把推荐部署应用在app前，需结合具体的场景构建合理的应用方案。
以阿里云智能推荐主打的场景为例，如以下几个常见的场景，就可以拉近app的资深体验用户与推荐的距离。
首先，我们进入一个消费场景，可看见猜你喜欢和相关推荐这2个场景。
猜你喜欢，承载的是当消费者的购买意向不明确时，更多的是让我们能够逛起来。看了很久没找到合适的商品、一直感兴趣没下狠心下单的商品、很有意思看了就想要的小物件，都被我们期待着出现，或者换个角度看，这是电商平台让我们逛起来的同时，提升转化率的意向商品集。
相关推荐的差异主要在于，当我们愿意花心思研究某个商品的参数、详情，说明购买意向已经相对明确。看了又看就是推荐在商品性质上和当前驻足商品类似的，并且结合用户口味容易引导购买的商品。
其次，例如一个新闻阅读的场景。
新闻的展示往往会区分几个频道，称之为专栏。针对每个专栏的推荐，都代表用户的兴趣相对集中的分布。在不同的专栏涉及不同内容的选举、分发，基于智能推荐，快速实现场景化专栏搭建是一个很方便的操作。作为一个智能的反馈，这些专栏也能够根据不同用户的兴趣覆盖点，进行优先级展示的重组。就像在很多app里看到的多功能板块、多业务板块，在推荐中的应用就会体现在一个基于banner热点图的推荐，这样会展示给用户更加定制化的体验。
而实际看到的结果，应该是具备视觉与类目丰富覆盖的体验。在智能推荐内部，提供了2种功能，分别是打散和混排，这些业务干预也是为了满足提升用户体验的诉求。这一步的设置最好先完成一个用户行为分析的分层，比如，从电商领域分析的数据可知，大部分的男性消费者更倾向于使用搜索的功能，发现自己想要的商品，推荐直击搜索内容会具备更高的转化率，再多元的展现都不及准确的推荐有效。而女性则不具备这样的特点。
以上也可见，推荐和用户行为倾向也具备很强的关联，推荐这个板块指引着我们更加全面、细粒度地了解平台用户，已发展成为业务反哺的参考。
加入社群
点击订阅《阿里云搜索与推荐技术交流期刊》
扫码入群，了解更多资讯，获取资料
