進度條

內容行銷正夯,但如何讓顧客看完不離開你的網站呢?或許可以先了解推薦系統做為開始

從大數據到演算法,從群眾特徵解析推薦系統

作者: Vincent Ke 更新日期:
校正小編補充:

內容行銷是現在行銷最夯的方式之一,提供給訪客正確有價值的內容,讓訪客相信以後進而成為真正有付錢的客戶。信任,是內容行銷的一個重點。但是除了進入網站的入口網頁或是文章(或是所謂的Landing Page),第二個內容也是相當大的重點。要留住訪客就是要讓他在對第一篇滿意的情況下,趕快塞給第二篇、第三篇。因為對第一篇滿意的當下,是他最有意願繼續看下去的時間點之一。基本上如果他有辦法看到第三篇,那他應該已經接收到至少八、九成你想要給他的資訊。因此如何正確地給予第一個內容以後的內容是相當重要的。
 

 

 

不管今天是電商還是影音串流,對內容平台而言,越趨近多樣的內容,儼然成了吸引用戶不可或缺的條件之一,但越是海量的訊息,也越是提醒著我們,目前人類已經從信息匱乏的年代中,邁向了信息過載的時代。

 

 

校正小編補充:

   信息過載正式進度條存在的其中一個理由,比方說網路資訊量最多的WordPress架站,基本上如果你嘗試著用中文的設定去搜尋,非常難以找到關於WordPress API的內容,即使是英文也是相對較少。因為WordPress搜尋出來的大多數都是外掛的使用或是樣式的調整,所以很意外的市佔率25%的網站架構居然在中文裡搜不出什麼真正需要的內容。你想要的是PHP功能實現的細節,卻一直搜出你已經嘗試過無效或是不合適的外掛安裝使用教學。
 

 

 

但越多難道不是一件好事嗎?例如今天我只想要找一件工作用的黑色西裝,樣式平凡,剪裁簡單,但把關鍵字輸入電商網站後,跳出的玲琅滿目裡,也提升了讓自己從海量的訊息中,找到合適物品的難度。化解這樣衝突的關鍵,就是本文要介紹的推薦系統。

 


推薦系統本身的意涵,就是在訊息與用戶之間,做出一道溝通的橋樑,進而對用戶進行淺在的決策支援,來驅使這些被推薦的品項中,可以得到明顯的轉換率提升。

 

 

就像Netflix曾經做過調查,有75%的用戶,都會接受他的推薦影片,而像淘寶網,也是透過不斷精修的推薦系統,來讓用戶可以透過推薦,挖掘出更多更適合他們,或是會讓他們感興趣的商品。

 

 

 

如何從海量的內容裡,挑選出「真正」適合「你」的品項,這樣的吸睛關鍵,除了必須具備的海量數據外,如何透過一些程式機制,來了解會感興趣的群眾特徵,這也是所謂的個人化系統中,最常被探討到的相關議題,小編接下來會以影音串流平台Netflix 為例,來為各位介紹推薦系統可以參考的實作方式。

 

 

首先要先了解,最常應用在推薦系統中的機制Collaborative Filtering(中文稱為協同過濾法,以下簡稱CF),而這個機制的目的,就是先針對使用者們,去作出所謂「Group」的分群概念,將平台的所有使用者,透過擁有相同興趣,或是共同經驗的方式來分群,進而成為推薦結果產出的依據。

 

 

「看了A這個影片的人,是不是也看過了B影片,而對B影片感興趣的人,是不是對C影片毫無感覺」,像這樣的樹狀劃分,就可以把網站的全部使用者,作出了明顯的特徵區隔,透過共用使用者經驗(像播放紀錄、瀏覽紀錄等),避免了單純只依據內容分析上的不完全或不精確。

 

 

舉例,我們可以把群眾分成喜歡驚悚片、戰爭片、愛情片的類型,看過A影片的使用者,多半和戰爭片的群眾有重疊,所以你如果正在看A影片,對於喜歡戰爭片的機率,應該會高於喜歡看愛情片的機率。


 

 

而這樣的算法也就是所謂的以使用者經驗為基底的協同過濾法(User-Based CF),把content(商品、影片)和全站的使用者族群做出連結,進而做出有效的決策判斷,但如果是一個”新上架“的影片,的確就會有難以分群的問題。

 


所以商品之間的MetaData(中文可稱後設資料,即「描述資料的資料」),是否也有共同的特徵,也是輔佐推薦系統計算的一大關鍵,例如影片中的分類、演員,劇情簡介中的描述、甚至是影片背景裡,都是可以列入計算的對象。而這個演算上其實在電商裡也是得到了廣泛的應用,就像你搜索了一雙新上市的Nike球鞋,但品牌Nike與「球鞋」等資訊,就也成了推薦的依據。

 

 

但上述方式不管透過使用者經驗或是MetaData,僅針對每一個商品間的相似性來做連結(item-item),卻沒有辦法針對「你」這個使用者,做出輪廓上的劃分及歸類,而這也是CF中另外一個重要的概念(Item-User),如果把現在行為的使用者,歸類到哪個Group裏,也是推薦準確中重要的一環。

 

 

 

以上個案例為主,如果你今天看了A,但你本身大概是85%的愛情片愛好者,今天只是因為剛好一個你很喜歡的女演員參與了這部戰爭片,那在推薦上,除了剛剛上述本身對“戰爭片”的推薦結果外,也必須根據「你」這個使用者,去調整推薦結果的比重與加權。
 

 

這樣的應用方式在Netflix上即「影片相似度評比」(Video-Video Similarity)演算,意思是從使用者曾經看過的影片裡,依照每一部影片的內容,挑選出相似的影片來推薦。但在一開始的推薦中,並不會加入「你」的喜好,僅有影片間的關聯來做評分。評分後,再加上「你」的紀錄與實際喜好做推薦。

 

 

就像你看過了「星際大戰」和「全面啟動」,這個機制就會去找這兩部影片的相似推薦結果,但你實際上只在Netflix看過所有的星戰系列,跟全面啟動,在最後推薦時,結果上就會更偏向星際大戰的推薦結果一點,但當然這些推薦的結果成效良好與否,仍然需要從點擊率上去做應證。而這些機制的誕生,無謂是避免過去在海量數據中,因為一兩次偶爾的行為造成誤判的可能,也就是假陽性反應(就像你搜索了一次襯衫,最後推薦結果都只有襯衫一樣,但應該是透過全站使用者經驗,來了解找過這個襯衫的使用者還會找什麼,或對什麼感興趣)。

 

 

 

 

而本文最大的重點,是為了推翻過去我們認為「資料面上數據的完整度」才是推薦精準的基礎,但現實上,永遠沒有最完整的資料。不如換個角度思考,唯有透過了解活躍用戶的經驗,並且建立用戶與商品,以及商品以商品間的連結,才是精確化推薦與了解行銷受眾的不二法門。

 

 


最後,如果你喜歡我們的文章,別忘了到我們的FB粉絲團按讚喔!!

Medium vincent

Vincent Ke

喜歡把混亂的事情變的簡單 用嘴巴做事其實很可以 但要結合靈活的腦袋思考 就一起來拆解吧