編輯導(dǎo)語：在營銷過程中，我們可以根據(jù)用戶的興趣進(jìn)行推薦算法的應(yīng)用，從用戶生活中的各個(gè)方面進(jìn)行相應(yīng)的推薦，提高轉(zhuǎn)化率和購買率；本文作者應(yīng)用推薦算法模型具體應(yīng)用在用戶興趣中，實(shí)現(xiàn)促活和轉(zhuǎn)化，我們一起來看一下。

前面聊了那么多推薦類的算法，具體在數(shù)據(jù)產(chǎn)品中該如何應(yīng)用呢？是不是這些推薦邏輯只能應(yīng)用在推薦系統(tǒng)中呢？

我想未必的，用戶興趣在業(yè)務(wù)邏輯中幾乎可以滲透到工作的方方面面，簡單來講：無論什么業(yè)務(wù)，但凡接觸客戶，就給他最喜歡的東西，是不是一個(gè)最好的策略？

答案可能是未必，但是在大部分領(lǐng)域還是非常有價(jià)值的，筆者在這一文章中跟大家分享一下兩個(gè)常見的應(yīng)用方向：

1）活動(dòng)受歡迎程度、最佳人群/活動(dòng)推薦：

• 我們根據(jù)經(jīng)驗(yàn)設(shè)計(jì)了一個(gè)閃閃發(fā)光的活動(dòng)，是否真的符合當(dāng)下公司的客群？
• 近期公司想要回饋老客戶，運(yùn)營圈定了一批高價(jià)值客群，這些客戶適合哪些類型的活動(dòng)或者喜歡哪些類型的優(yōu)惠券？
• 公司新增加一個(gè)合作方，談了一批新的優(yōu)惠券，想要了解一下這些新的優(yōu)惠券適合哪些客戶？

2）針對有異常的人群，投其所好的向他推送他喜歡的優(yōu)惠券：

近期公司的目標(biāo)是促活和轉(zhuǎn)化，面對篩選出的異?？蛻簦ɡ纾夯钴S不轉(zhuǎn)化、睡眠戶、待流失），該給他什么樣的優(yōu)惠券才能激活他？

上面這些問題該怎么解決呢？

千萬人有千萬思路，本文從算法角度，探索一下算法的解決思路，這一算法模型即為：用戶興趣模型——也叫營銷響應(yīng)模型。

因此，在解決問題之前，我們先來看一下興趣模型構(gòu)建過程：

一、營銷興趣模型

在挖掘客戶的興趣時(shí)，我們借鑒了推薦系統(tǒng)的常用模型——DeepFM；這一模型因?yàn)槟軌蛴行У纳疃热诤细呔S和低維的特征，在點(diǎn)擊率預(yù)測和推薦排序方面應(yīng)用極為廣泛。

我們細(xì)想這一模型，點(diǎn)擊率預(yù)測和推薦排序問題，本質(zhì)上都是根據(jù)用戶對商品的交互行為，混合用戶/商品的基本屬性，計(jì)算用戶喜歡某商品的概率值，進(jìn)而推斷是否會(huì)點(diǎn)擊。

這個(gè)模型構(gòu)建過程中存在一個(gè)基本的假設(shè)：用戶喜歡就大概率會(huì)點(diǎn)擊；且不管這個(gè)假設(shè)是否一定成立，單看前半部分，模型預(yù)測出了用戶是否喜歡某一商品，這一部分就足夠我們應(yīng)用了。

模型構(gòu)建過程中，我們以活動(dòng)數(shù)據(jù)為切入點(diǎn)，獲取了用戶的基本屬性、活動(dòng)的基本屬性以及用戶對活動(dòng)的行為交互數(shù)據(jù)；融合這三種數(shù)據(jù)，將其喂入到DeepFM模型中，計(jì)算得到用戶對活動(dòng)的喜好程度——即興趣度。

這中間存在一個(gè)很有意思的點(diǎn)，就是特征庫簡化了特征工程的難度。

正常邏輯下，算法工程師需要進(jìn)行詳細(xì)的特征篩選，羅列現(xiàn)有的特征，通過相關(guān)性或熵值等計(jì)算方式，判斷哪些特征與目標(biāo)值有相關(guān)性，進(jìn)而篩選出強(qiáng)相關(guān)特征以及相關(guān)性權(quán)重。

這一過程往往消耗很長的時(shí)間，但特征庫的出現(xiàn)簡化了這一工作，特征庫的工作原理我會(huì)在后面的文章中具體描述。

在這里，我們簡單理解為將y值和x的關(guān)鍵經(jīng)驗(yàn)值（有些設(shè)計(jì)會(huì)省略掉x關(guān)鍵值只輸入y值，取決于特征庫的設(shè)計(jì)完整度）放入到特征庫中，特征庫會(huì)返回給你與y值和x經(jīng)驗(yàn)值強(qiáng)相關(guān)的其他特征以及對應(yīng)的相關(guān)性權(quán)重，如下：

工程師只需要對這些特征進(jìn)行簡單的缺失值、離散化等業(yè)務(wù)相關(guān)處理，就可以直接將其喂入到模型中了。

有沒有感覺很有意思？

科技的力量會(huì)逐漸替代掉人工，就像汽車替代馬車、機(jī)器替代勞力一樣。

聊回正題，DeepFM模型我在推薦算法的系列中做了描述。

本文由于是探討算法在產(chǎn)品設(shè)計(jì)中的應(yīng)用，算法方面，簡單的貼出模型的樣式，有興趣的同學(xué)可以深入探索：

整個(gè)運(yùn)算過程即為：

經(jīng)過上面的探討，我們得到了用戶對某一活動(dòng)的興趣度對照表：

我們接下來的工作，就是用這三張表設(shè)計(jì)對應(yīng)的應(yīng)用場景了。

二、策略運(yùn)營沙盤

運(yùn)營過程中，活動(dòng)設(shè)計(jì)往往會(huì)遇到一類問題，即：“知識的魔咒”，自身豐富的經(jīng)驗(yàn)，使活動(dòng)設(shè)計(jì)人員認(rèn)為活動(dòng)本該如此設(shè)計(jì)以及某一階段的客群就應(yīng)該喜歡什么，逐漸忽略掉新方案的探索和客戶真實(shí)的喜好。

這一“魔咒”能否打破呢？

我們今天嘗試從用戶興趣度角度給出一個(gè)新的方法。

很多活動(dòng)的設(shè)計(jì)思路來自于以往的經(jīng)驗(yàn)和別家公司的經(jīng)驗(yàn)，這其實(shí)是我們不斷學(xué)習(xí)的主要方法，即——從歷史中吸取經(jīng)驗(yàn)和從其他人身上獲得啟發(fā)；這本身沒有問題，模型構(gòu)建本身也是沿用了這一思路——即從過去n年的活動(dòng)數(shù)據(jù)中總結(jié)推斷出現(xiàn)在我們的客戶喜歡什么，然后給他設(shè)計(jì)什么樣的活動(dòng)；問題在于人是無法從整個(gè)數(shù)據(jù)集角度來判斷用戶喜好，設(shè)計(jì)活動(dòng)方案的，一方面是因?yàn)橛?jì)算量太大，另一方面是因?yàn)檫^于繁雜的數(shù)據(jù)很難抽離出有效的信息。

于是，有了興趣模型～

興趣模型的價(jià)值就在于能夠借用自身強(qiáng)大的計(jì)算能力，遍歷公司n年有效數(shù)據(jù)，用存量客戶以往的行為判斷當(dāng)下的喜好；而新客也可以根據(jù)與存量客戶的相似度，近似判斷當(dāng)下的喜好，變相解決了上文中提到的人的局限性。

但是興趣模型自身的局限性在哪里？

很簡單，局限性就在于模型不能讀新聞，什么意思呢？

即模型無法從其他人的身上獲取到啟發(fā)，缺乏想象力，除非你將其他人的經(jīng)驗(yàn)數(shù)據(jù)喂入到模型中；而這一點(diǎn)，往往是做不到的，因?yàn)槠渌静豢赡芴峁┙o你你想要的數(shù)據(jù)；所以，單純對興趣模型的依賴，往往是不成功的，因?yàn)樗趯δ吧挛锏奶剿骱蛦l(fā)能力遠(yuǎn)不及人類。

于是，有了人機(jī)結(jié)合～

人機(jī)結(jié)合主要是指人在構(gòu)思方案過程中，借鑒興趣模型對歷史數(shù)據(jù)的挖掘能力，融合自身的奇思妙想和借鑒啟發(fā)，形成一個(gè)較為完整的方案思路。

策略運(yùn)營沙盤應(yīng)運(yùn)而生～

這一沙盤主要有三個(gè)能力：

1. 現(xiàn)有活動(dòng)和客群是否匹配？

如果正在運(yùn)行的活動(dòng)是來自于自身的奇思妙想，或者來自于過去的經(jīng)驗(yàn)，在當(dāng)下的公司客群中是否合適呢？

我們可以拆解活動(dòng)，確定有辨識度的活動(dòng)類型特征，并將其喂入到上面的興趣表中，圈定一批活躍客群；然后拿這批客群與活動(dòng)原本確定的客群進(jìn)行比較，取交集查看客群興趣度分布；進(jìn)而確定活動(dòng)設(shè)計(jì)是否符合當(dāng)下客群。

2. 面對新的客群，哪些活動(dòng)類型匹配度高？

這個(gè)問題就有一些推薦的影子了，我們根據(jù)新的客群，在興趣表中圈定對應(yīng)的活動(dòng)特性；并根據(jù)各個(gè)活動(dòng)特性的興趣度排序，查看各個(gè)活動(dòng)特性的興趣度分布情況，興趣度普遍偏高的活動(dòng)特性即為滿足客群的活動(dòng)特性，我們就可以圍繞這個(gè)活動(dòng)特性發(fā)揮想象力了。

3. 面對新的優(yōu)惠券，該面對哪些客群設(shè)計(jì)活動(dòng)？

興趣模型中評估興趣度的一個(gè)主要活動(dòng)特性即為優(yōu)惠券，當(dāng)產(chǎn)生新的優(yōu)惠券的時(shí)候，我們可以在興趣表中的活動(dòng)類型列表篩選出與現(xiàn)有優(yōu)惠券相似的優(yōu)惠券客群；并根據(jù)興趣值進(jìn)行排序，把興趣度大于某一閾值的客群篩選出來，作為目標(biāo)客群，設(shè)計(jì)新的活動(dòng)。

如果篩選出來的客群數(shù)量不夠，可以將這部分客群作為種子客群，采用人群擴(kuò)散的方式，擴(kuò)大客群的數(shù)量。

講到這里，策略運(yùn)營沙盤的三個(gè)應(yīng)用方向就清晰了，歡迎有興趣的小伙伴來聊～

三、促活/召回引擎

前面講完了活動(dòng)設(shè)計(jì)過程，接下來我們聊一下促活/召回的問題。

促活/召回的問題本質(zhì)上是刺激異?？蛻糇兓膯栴}，主要分兩個(gè)步驟：

1. 確定哪些客戶是異?？蛻?/h3>

作為運(yùn)營人員，我們需要關(guān)注的異常主要有：活躍不轉(zhuǎn)化的客戶、不活躍的客戶、待流失客戶；這三種類型的客戶是相對比較理論的認(rèn)知，在結(jié)合具體的業(yè)務(wù)場景時(shí)，往往會(huì)有更細(xì)致的劃分，比如：頻繁首頁瀏覽沒有深入訪問的客戶、只做查詢動(dòng)作不做具體交易的客戶、頻繁使用一個(gè)功能不涉及其他功能的客戶等等；這些異常的行為通常反應(yīng)出客戶的心理矛盾。

在一個(gè)完整的生命周期中，一個(gè)正常的客戶訪問往往是：從初步的訪問到深入的瀏覽、從只做查詢到完成具體的交易、從完成單一交易到完成多種類型的交易、從低頻訪問到高頻訪問等等。

隨著客戶對APP的逐漸熟悉，對APP的使用也會(huì)逐漸深入，反之就會(huì)存在異常，這一異常就是值得我們反復(fù)探索的地方。

在這篇文章中，我們姑且以：活躍不轉(zhuǎn)化的客戶、不活躍的客戶、待流失客戶三類為例，探索興趣模型在其中的應(yīng)用。

2. 確定異?？蛻粝矚g什么樣的優(yōu)惠券

上文我們提到過，有區(qū)分度的活動(dòng)類型最主要的是優(yōu)惠券，這也符合我們的認(rèn)知；因此，可以從興趣表中抽離出用戶對優(yōu)惠券的興趣度，進(jìn)而應(yīng)用到這里。

確定異?？蛻?，同時(shí)又明確了這些客戶喜歡什么樣的優(yōu)惠券，接下來需要做什么呢？

我想已經(jīng)很清楚了吧？

向這些客戶發(fā)送他們喜歡的優(yōu)惠券，以圖最大化激活這些客戶，達(dá)到促進(jìn)異?？蛻糇兓哪康?。

在工程方面，我們可以以一個(gè)流程圖的形式呈現(xiàn)出來：

從上面的信息流我們基本上可以看到這個(gè)促活/召回引擎的使用邏輯，即：

1. 確定異?？蛻艉透信d趣的優(yōu)惠券，并配置到標(biāo)簽庫中；
2. 將標(biāo)簽庫對接到事件中心，按照一定的規(guī)則觸發(fā)消推平臺(tái)；
3. 消推平臺(tái)獲取到異?？蛻艉蛯?yīng)優(yōu)惠券，進(jìn)行個(gè)性化發(fā)送；

這一思路有兩個(gè)地方可以作為亮點(diǎn)：

• 興趣模型會(huì)根據(jù)用戶興趣的變化，定時(shí)調(diào)整感興趣的優(yōu)惠券，這樣可以保證同一個(gè)客戶在不同的時(shí)間接收到不同的優(yōu)惠券類型，不讓客戶因?yàn)榍宦傻膬?yōu)惠券而反感。
• 事件中心實(shí)時(shí)發(fā)送優(yōu)惠券，既保證了實(shí)時(shí)性，同時(shí)，規(guī)則配置可以增加消推平臺(tái)發(fā)送優(yōu)惠券的靈活性（上午發(fā)送或者下午發(fā)送對不同的客戶有不同的影響），在時(shí)間維度上滿足客戶。

好了，文章寫到這里就告一段落了，對于興趣模型，或許大家還會(huì)有更好的應(yīng)用思路，歡迎大家來撩～

作者：livandata；個(gè)人公眾號：livandata，歡迎大家關(guān)注溝通~

本文由 @野水晶體 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議。