什麼是推薦引擎？推薦人的工作方式

已發表: 2022-02-23

推薦引擎是高級數據過濾系統，可預測客戶可能消費或參與的內容、產品或服務。 一個人不需要看很遠就能看到一個在行動中。每次有人使用 Netflix 的“你可能也喜歡……”功能選擇電視節目或購買亞馬遜推薦的產品時，他們都在使用強大的推薦引擎。

推薦引擎（有時稱為推薦器）對於客戶和部署它們的企業來說都是雙贏的功能。 客戶享受經過良好調整的推薦引擎提供的個性化水平和幫助。企業建立它們是因為它們促進參與並鼓勵銷售。

準確的建議不會憑空出現。企業必須投資能夠分析大量產品並識別客戶行為模式的數據解決方案。只有這樣，他們才能釋放客戶數據的真正價值，並提出對收入產生積極影響的建議。

關鍵要點

推薦引擎是高級數據過濾系統，它使用行為數據、計算機學習和統計建模來預測客戶會喜歡的內容、產品或服務。
客戶被提供個性化體驗的企業所吸引。
推薦引擎的三種主要類型包括協同過濾、基於內容的過濾和混合過濾。
推薦系統通過鼓勵交叉銷售、推薦產品替代品以及吸引人們對數字購物車中遺棄物品的關注來提高收入。

什麼是推薦引擎？

推薦引擎是利用預測分析幫助公司預測客戶需求的工具。這些引擎使用機器學習和統計建模來創建基於企業獨特的歷史和行為數據的高級算法。產生的建議基於以下組合：

客戶過去的行為和歷史
消費者對產品的排名
類似隊列的行為和歷史

當公司有大量數據可供使用時，建議是最準確的。產品擁有的活躍用戶越多，用於比較不同人口統計數據的行為和偏好的數據就越多。

然而，並非收集到的每一點數據都是相關的，甚至是可靠的。根據不良數據構建建議會導致建議不准確且無用。創建可行的推薦引擎的第一步是採用適當的數據管理策略和分析堆棧，在數據投入使用之前收集和驗證數據。

推薦引擎的類型及其工作原理

並非每個推薦引擎都使用相同的方法來形成預測。推薦器通常使用三種類型的數據過濾中的一種來獲得結果：基於內容的過濾、協同過濾或兩者的組合。

基於內容的過濾

這種類型的過濾用於“相似項目包括……”推薦。基於內容的過濾可以預測所提供產品和服務的實際質量。該系統中的產品被分配了可以直接與其他產品進行比較的屬性。公司根據所消費的產品類型來選擇引擎使用的屬性類型。

例如，專門銷售雜貨的電子商務網站可能會使用以下屬性標記其產品：

食物類型（例如，“水果”或“穀物”）
確定的味道（例如，“苦”或“甜”）
容器（例如，“盒子”或“罐頭”）
品牌

然後，推薦器會將用戶歷史上購買的物品或當前在他們購物車中的物品與其他類似或鏈接的物品進行比較。屬性由數據庫中共享標籤的項目數量加權，更常見的標籤比不常見的標籤獲得更高的排名。此權重確定哪些項目首先出現在推薦列表中。

基於內容的過濾不需要其他客戶的輸入來進行預測。它的預測基於客戶自己的行為和歷史檔案中的相似性。精心設計的基於內容的過濾引擎將識別可能對其他客戶沒有廣泛吸引力的特定怪癖和興趣。

這種推薦引擎的一個主要缺點是它需要大量的維護。必須不斷添加和更新屬性以保持推薦的準確性——對於擁有大量產品的企業來說，這是一項艱鉅的任務。此外，屬性本身必須準確。將 Honeycrisp 蘋果標記為“紅色”很容易，但更複雜的內容可能需要專門的主題專家團隊來正確標記每個單獨的產品。

協同過濾

這種過濾方法在“看過這個節目的人也看過……”類型的推薦者中使用。協同過濾使用行為數據，根據個人偏好與其他用戶的比較來確定他們會喜歡什麼。基於內容的過濾側重於將產品鏈接到其他產品，而協同過濾通過鏈接相似的客戶資料來構建預測。

例如，想像使用一個使用協同過濾的視頻流平台。當您去尋找電影時，您會根據許多行為創建數據，包括：

你看的電影
您選擇但最終不觀看的標題
您將鼠標懸停在上面的選擇
您進行的搜索
你給電影的排名

然後，推薦器會根據此數據集有效地為您構建用戶配置文件。然後，它將您的個人資料與行為相似的一組用戶進行比較。由此產生的預測是基於這個群體已經消費和享受的電影與每部電影的實際內容。

協同過濾不需要產品特徵信息。這使得維護比基於內容的引擎更省時。但是，依賴其他客戶的行為可能會造成數據缺口。假設沒有人在流媒體服務上與您最喜歡的電影互動。不會推薦完全符合您興趣的電影，因為推薦引擎沒有任何行為數據可用於形成預測。

混合過濾

混合過濾試圖通過結合這兩種方法來解決基於內容的過濾和協同過濾的缺點。因此，它是三種推薦系統中最有效的。

基於內容的過濾適用於吸引用戶當前興趣的建議。但是，他們無法準確預測用戶在他們記錄的偏好之外可能喜歡什麼。在混合過濾系統中，這種不足被協同過濾所彌補。協作過濾可以通過基於類似群組的偏好和行為的推薦來建議落在用戶已建立的配置文件之外的相關內容。或者，基於內容的過濾有助於填補協作系統造成的空白。如果不存在類似群組的比較數據，則推薦器將默認基於屬性標籤尋找匹配以找到合適的結果。

如何使用推薦引擎

推薦引擎不僅僅是改善客戶的產品體驗。到 2021 年，估計有 39% 的各種規模的企業都在使用預測分析來加強運營——比 2018 年增加了 11%。隨著客戶越來越喜歡個性化體驗，越來越多的企業開始接受建議。 Epsilon 的一項調查確定，80% 的消費者更願意從提供個性化體驗的企業購買。

一個適當構建的推薦器還為公司提供了一個機會，可以將他們已經表示感興趣或很可能喜歡的產品作為目標客戶。推薦器通過以下方法幫助企業利用預測：

提供交叉銷售機會

推薦引擎可以用互補但不一定相似的產品來吸引客戶。冬帽和手套是兩種完全不同的衣服，但訂購其中一種的人很容易找到另一種的用途。推薦者識別這些關係並提出基於數據的建議，幫助增加單個訂單的價值。

解決購物車遺棄問題

數字購物車中遺棄的物品是極好的推薦機會。客戶對某件商品非常感興趣，可以將其放入購物車。他們的不完整銷售可能是改變主意或購買體驗的外部中斷。

稍後再次向客戶推薦這些項目可以推動他們越過終點線。客戶可能暫時說服自己不要購買每個 Wham！目錄中的歌曲。然而，一個溫和的提醒，“在你走之前叫醒我”正在他們的購物車裡收集蜘蛛網，這可能足以改變他們的想法。這些提醒可以在產品本身中顯示，甚至可以在初始會話後顯示為電子郵件消息。

提供替代品

對於由算法確定為“最有可能”的選項不是客戶想要的選項的情況，推薦引擎提供“備份”建議。您的推薦人可能是完美的，但它始終是人腦的心血來潮。例如，推薦引擎無法知道客戶在 1987 年與特定品牌進行了不良互動。

機器也無法理解人類意圖的更精細方面。觀眾可能想諷刺地欣賞 2003 年臭名昭著的電影《房間》，但他們的搜索可能會返回廣受好評的 2015 年奧斯卡獎得主《房間》的結果。推薦的替代方案有助於將客戶帶到他們想去的地方，而不是沮喪地尋找他們真正想要的東西。

為您的公司帶來推薦的力量

現在您已經了解了推薦引擎的基礎知識，是時候探索這些策略如何提高您公司的轉化率和留存率指標了。立即下載Mastering Retention手冊或參觀 Amplitude，繼續了解個性化數字體驗。

參考

Dresner 諮詢服務， 2021 年數據科學和機器學習市場研究報告

厄普西隆，我的力量

GlobeNewswire、 Dresner Advisory Services 宣布 2018 年高級和預測分析市場研究

麥肯錫，零售商如何跟上消費者的步伐

SiliconANGLE、 Amplitude 使用個性化來滿足 Chik-fil-A 對成功的渴望

什麼是推薦引擎？ 推薦人的工作方式