ING算命ING算命ING算命

推荐系统进化史_信任如何改变我们的购买决策

技术是业务的载体,技术的演进和业务的演进是相互影响相互提升的双螺旋,这些年来推荐系统不仅技术在进步,平台通过推荐系统所表达出的与用户间的态度和立场也在悄然发生着变化。这些变化发生的原因一方面是技术驱动的,即技术的发展使得之前做不到的事情成为了可能;另一方面是业务驱动的,因为电商平台的不断发展壮大,电商形态的不断丰富,电商生态的不断壮大,导致电商在零售链条中话语权的逐渐强势化。此外还有一点,便是用户与平台之间的信任在不断加深,这种信任在无形中也在影响着我们的购买决策。在这篇文章中我们一起看看推荐系统的进化是如何改变我们的购买决策的。第一阶段:本分尽职,客观呈现

第一个阶段的推荐系统,在产品形态上主要是“买了还买”、“看了还看”、“其他用户还买了”等等这样的偏客观陈述式的模块名字,用到的算法也以协同过滤这样的记忆模型为主,这种算法没有泛化能力,完全是在记忆客观发生的事情,并将结果呈现给客户。从视觉展现上,也基本没有什么专门用于吸引用户的元素,使用的都是普通的商品图片本身。仔细想想,这种模式表现出的平台和用户之间的关系是一种比较“客观”的态度,即:别人都是这么买的,至于你要不要也这么买,你自己看着办,我只是把结果放在这里供你参考。

这种形态像极了八十年代国营商店的售货员,和用户柜台相隔站立着,柜台里面摆着货,柜台外面站着用户,脸上没有热情洋溢的笑容,嘴上也没有劝你掏钱的说辞,就只是站在那里,不悲不喜,不争不抢。这种现在看来略显呆板的形态放在当时是完全可以理解的,因为彼时电商刚刚兴起,普及率远不及现在,用户对于系统的信任感也远不如现在,过于主动热情可能并不是最好的选择,给用户一个不打扰的环境让他做更加自主放松的选择,或许是更好的一种陪伴关系。从平台角度来看,对于电商平台和用户之间的关系也还没有经过充分的打磨,从根本经营方法论上来讲也还处在比较初级的阶段,因此也还并不清楚该如何充分打动用户。从技术上来讲,当时也做不到更多,因为当时机器学习模型还没有被大规模采用,推荐算法的原理都是以记忆为主,即使想要给用户做出更加泛化更加有启发性和新颖度的推荐,在技术上也不会实现得太好。综合来看,这种看似呆板实则克制的关系,是最为符合那个时代的业务和技术状况的。

第二阶段:初露端倪,主动贴近

经过一段时间的发展,用户对于网上购物这种活动越来越熟悉,信任感也越来越强。与此同时,机器学习技术的广泛使用使得平台对用户兴趣的捕捉和建模能力也越来越强。由于用户和平台之间的这种相互信任和相互了解的双向进化,为推荐系统与用户之间的关系进入下一个层级打下了基础,在此基础上改变也在悄然发生。

首先从产品形态上,从之前的多个“客观呈现”模块转为少数几个“综合推荐”模块,名字基本都叫“猜你喜欢”或者“为您推荐”,这种做法看上去好像是做了减法,但实际上是一种加法。首先,模块数量虽然由多变少,但是之前的每个模块内商品数量通常是有限的,例如20~30个,但是新模块形式升级为feed流,商品数量理论上是无限的,实际上也基本是刷不到底的,所以实际呈现给用户的推荐商品数量毫无疑问是变多了。其次,虽然模块数量变得精简,但是占据的空间位置更大了,使得用户在浏览的时候注意力更加集中,实际上是加强了用户对于推荐模块的投入专注度,所以这种精简实际上是一种“少即是多”思想的体现。最后,在技术层面,以feed流为主的新形态融合了更多的技术手段,能够给用户提供更加综合丰富的购物体验。这种less is more的业务思路变化将推荐系统推向了一个新的高潮。

其次是技术能力上,从之前基于记忆模型的客观规律呈现,升级到了基于机器学习技术的泛化规律推荐。这种基础能力的升级使得推荐系统的能力超出了“客观呈现”,能够做到一定程度的举一反三,即根据用户的历史喜好,结合当前的上下文信息,判断出用户的当前喜好。相比上一个阶段的记忆型技术,以机器学习为主要驱动力的推荐技术可以将尚无用户行为的新商品也加入推荐候选池,同时由于泛化能力的增强,使得系统对于尚无行为的新用户也可以进行一定程度的有效推荐。此外,泛化能力的增强还使得原本没有直接行为相关联的物品和用户之间很多都可以建立有效的关联,显著扩大了推荐系统的作用范围。在这些因素的综合作用下,全站的商品和全站的用户,无论新老都可以加入到推荐大循环中,并通过用户反馈进行匹配效率的持续迭代优化。这意味着推荐系统从一个服务少数人和少数商品的功能性模块升级为服务于全站用户和全站商品的业务级系统,开始逐渐成为电商业务日常运营的重要手段。

第三阶段:全面接管,反客为主

经过上一个阶段的发展和积累,用户已经非常习惯在电商系统中使用推荐系统,甚至已经将推荐系统作为一种主要的信息获取手段了,这不仅仅提高了推荐系统的重要性和发挥空间,更重要的是,对于电商平台来讲,一旦推荐系统这样一个主动性极强的模块取得用户的深入信任之后,整个电商平台就可以以推荐系统为抓手,最大程度地主动向用户推销对平台最为利好的商品,实施平台的运营策略。如果说之前的电商系统是用户主动在找东西来买,那么从这个阶段开始,逐步在转变为平台找东西让你来买,这里面平台的主动性在逐步加强,甚至有些时候只是营造了一种你自己在选择的感觉,而隐藏在背后的是一股在推动和影响你选择的暗流。

这个时期还有一个大环境重要因素在推波助澜,那就是随着人们生活水平的不断提高,大家日常购物行为中必需品的占比在逐步降低,非必需品的占比在逐步提高,在购买必需品时大家通常是主动发起购买行为,方法主要是搜索,而对于非必需品来说,可以说很大一部分都是被动购买,即主动推荐给你让你购买,典型的例如一些零食和女生的衣服饰品,这种趋势变化无疑直接扩大了推荐系统的势力范围,并且随着大家生活水平的持续提高,这种趋势可能会越来越明显,也就让推荐系统的作用范围越来越广阔。

这个新时期的推荐系统与之前首先在思路发生了重大变化,之前的推荐系统的核心建模原理是多臂老虎机,其主要思路是探索和利用,探索和利用的对象是用户和商品之间的相关性,例如协同过滤算法的本质就是从用户行为中总结行为规律,而各种排序模型的根本思想也是在拟合一个虽然不知道但客观存在的数据分布,而近年来兴起的强化学习方法实质上是在中和探索和利用之间的矛盾,更高效地对用户兴趣进行探索。这些做法都有一个共同特点:认为用户兴趣是客观存在而又不会被系统影响的,因此从技术手段上都是在寻找用户兴趣,在寻找到之后加以利用,就好像多臂老虎机问题中的基本假设是虽然不知道每个老虎机的中奖几率,但它们一定是固定不变的。但其实平台不仅可以探索用户兴趣,同样也可以影响用户兴趣,尤其是在用户对推荐系统甚至对整个平台充分信任的基础上,平台影响甚至改变用户兴趣,攻守之势相易可以说是一件水到渠成的事情。

为什么平台现在可以反向影响用户的兴趣了?这里的核心原因一部分在于技术的进步,使得模型对于用户的潜在兴趣可以进行有效探索,但还有一个不可忽视的原因就是信任。用户对于平台越是信任,对于平台给出的推荐结果相对越是宽容,即可以接受一些和他的历史兴趣不那么一致的推荐结果。这就像是在说:虽然你说的东西我历史上并未表现出兴趣,但基于对你的信任,我愿意付出时间或者金钱确认一下。对于这个理论最典型的一个例证就是:同一件东西,信任的人推荐给你你会觉得“很新奇”,而不信任的人推荐给你你就会觉得“不相关”,这种“双标”背后的本质是信任度的差异。这也是为什么某宝的推荐近年来推荐商品的价格一路走高,直至给了某多多崛起的机会,原因就在于即使你抬高价格这一行为并不符合用户的利益,但基于信任很多用户还是会买单——直至他们发现有更便宜的地方可以去。

这种反向的兴趣探索一旦成功,会进一步加强用户对于平台的信任,循环往复进入一种正向循环。在这种正向循环中,平台收获的不只是眼前的订单,同时还有扩展后的用户兴趣空间,这为未来进一步地推荐构建了更好的基础,而更为珍贵的,还是这种相互信任关系,这种信任让平台后面在平台利益最大化方面有了更多的行动空间。

加深信任可以帮助平台获取更大利益,但用户对于平台的信任却是有限的,也就是常说的用户忠诚度并不高,因为平台毕竟不是人,难以建立那种真切可感知的亲密关系,那么平台就会想其他办法来加深这种信任,这方面最成功的就是通过人这一中间层实现一种“代理信任关系”,通俗地说,就是直播带货。最容易与人建立信任的还是人,同时能与人建立最深入信任的也是人,而不是虚拟的机构组织,那么最好的方法就是让用户信任的人来平台卖东西,通过带货主播这样一个中间人,让用户感知到他是在和这个主播进行交易,而不是和平台在进行交易,那么基于用户对主播的信任,就可以卖出很多平台卖不出去的东西。最为典型的例证就是,人们如果从淘宝某主播的直播间买了东西,你如果问他从哪里买的,他第一反应大概率会说我从某某主播的直播间买的,而不会说我从淘宝上这个主播的直播间买的,这意味着平台成功地隐藏在了主播身后,借助主播与用户建立了一种高粘性关系,这使得主播和平台的关系开始变得像体育明星和球队的关系一样,主播走到哪里粉丝就跟到哪里,掌握了头部主播就掌握了他们的庞大粉丝群体,这种粉丝经济学的效应是非常恐怖的。

带货主播最大的能量在于,他们可以脱离搜索推荐系统中对于兴趣匹配的限制,把任何想卖的东西卖给用户,这对于网上卖货这件事产生了颠覆式的影响。对于卖家,即主播来说,首先从售卖形式上不再是将商品简单陈列等待用户做决定,而是主动把这个商品为什么好进行亲身阐述,甚至还可以做具体功能效果的演示,并且在演示过程中还可以根据观众的需求做具体调整,哪里不清楚给你讲清楚,这一点是直播对于电商最大的改变之一。其次在售卖内容上也有很大变化,在直播之前的时代,一个卖家卖的东西通常是一个或几个相关类目下的,而对于主播来说,可以说是百无禁忌,从衣服到化妆品到食物甚至到书籍,只要是他的粉丝群体能够购买的东西,他统统都可以卖。

直播带货形式的兴起,实际上扩大了电商推荐系统的内涵,从之前完全基于数据和算法的形式,升级到了数据算法与主播推荐相结合的形式,分别覆盖不同的人群和需求,从而进一步扩大了电商的生态范围。

总结展望

从以上几个阶段的演化过程可以看到,随着技术、产品、消费需求等多方面因素的持续升级,推荐系统作为电商接触用户的主要手段之一,与用户之间的信任关系越来越强烈,营销思路也在逐步从被动转为主动,推荐系统的功能和作用也在不断扩大。除了上面提到的这些变化,还有一些更为深刻的变化也已经在发生:

推荐系统以后不仅面向消费端提供服务,还会通过消费端的行为汇总加工,反向影响甚至指导生产端,建立从生产到消费的个性化大循环原生广告的不断发展使得广告与内容的边界逐渐模糊,更深入的发展甚至可能导致广告行业的商业逻辑发生变化搜中有推,推中有搜,搜索和推荐的边界也在发生变化,正在产生越来越多的联动方式,只要能促成用户最终的购买,是推是搜已经变得不再重要

综合以上这些变化和趋势,推荐系统在将来与用户的关系会进一步升级,与搜索和广告也会加深融合,为用户提供更加个性化更加丰富的体验,也会为整个经济大循环提供更多价值。

未经允许不得转载:ING算命 » 推荐系统进化史_信任如何改变我们的购买决策