零售电商发展迅猛，推荐算法精度升
中国互联网电商行业发展迄今20余年，自2010年起发展迅猛，2020年全国网上零售总额达11.8万亿元，实物商品网上零售额占比达24.9%，零售电商逐渐从以“场”为中心到以“人”为中心，从“人找货”到“货找人”。推荐算法的精准度在不断提升，消费网购体验在不断优化，基于用户浏览内容挖掘用户消费需求已成为零售电商行业发展的新趋势。(来源：申万宏源《2022年零售电商行业投资策略：从流量到留量，追求高质量增长》）
图1：电商“人货场”格局变化
然而，零售电商在飞速发展的过程中也面临着诸多挑战：
挑战1 推荐覆盖率低 ：运营策略单一，马太效应显著
一些企业虽然拥有充足的sku，但运营人员精力有限，每天仅能在推荐位挑选几十个甚至几个产品展示，导致马太效应显著。马太效应（又叫长尾效应），即热者愈热，举例来说，在实际购买场景中，由于推荐的次数越多，部分商品购买或者点击的次数就越多，形成的用户购买轨迹就越多，所以得到的推荐机会就越多，进而产生的推荐也越多，变得越热。随着不断迭代，推荐的商品就会集中在少部分商品中，而大部分长尾商品是沉寂的，一个推荐系统如果长时间处于长尾效应中，推荐覆盖率降低，大量商品被浪费，造成推荐疲劳，其推荐效果就会变差。
解决方案1 全方位多角度召回策略，个性化推荐避免马太效应
一个好的推荐系统，要考虑到充分的挖掘长尾商品，通过个性化推荐，把合适的长尾商品送到真正需要他们的用户眼前。达观智能推荐系统内置了近30种优质召回策略并支持自定义召回策略，可快速适配不同推荐业务场景，实现全方位多角度地生成个性化推荐结果。
图2：召回策略卡片展示
例如基于时间维度，对于新上架的物品，可能还没有足够的用户行为数据来引导推荐，达观智能推荐系统内置了【最新上架召回策略】，基于物品的最新上架时间获取当前最新物品作为推荐候选集，不用担心新商品没有展示量导致没有推荐机会的恶性循环，新商品也可以成为新的爆款。
基于价格维度，不同用户可以接受的价格区间不同，例如长时间给学生党推荐奢侈品等不符合其属性的商品会导致用户兴趣疲软，达观智能推荐系统内置的【价格段热门物品召回策略】基于价格将物品分为若干层级，并计算每个层级内的热点物品，作为推荐候选集，解决了用户价格个性化问题，提高了用户购买率。
图3：Top 5潜力物品展示
在实际应用中，单一的推荐算法往往推出的结果较为单调，为了尽可能多的覆盖客户兴趣，推荐系统通常使用多路召回算法，可以照顾到多样性和新颖性的需求，同样可以降低马太效应，实现真正的个性化推荐
挑战2 推荐不准：商品不符合用户喜好，转化率走低
一些企业虽然进行了多样化推荐，但其推荐的商品类目、品牌等等不符合用户的自然属性和行为，例如为男性用户推荐美妆类目，为青少年人群推荐母婴用品等，这样一方面浪费了流量资源，另外从用户角度看如果长时间没有推送自己感兴趣的商品会降低对整个产品的兴趣度和依赖性。
解决方案2 利用物品-用户画像匹配，结合知识图谱精准推荐
达观智能推荐系统根据商品和用户的标签属性构建画像并进行人-货匹配，同时利用人群实验等进行效果测试，打造专属精准推荐结果
1、商品画像
通过对商品名称、价格、品牌、类别、标签、颜色等商品属性进行分析，构建商品的基础画像；利用达观自研的NLP自然语言处理技术可提取商品关键词、分析用户评论，拓展更加丰富的商品特征；基于达观零售行业知识图谱，可发现商品间深层次关联关系，生成更加多样性和更加精准的推荐结果。
图4：商品图谱关联性展示
2、用户画像
从用户的静态信息和动态信息两方面进行刻画：静态信息即用户性别、所在省份、城市、使用的手机品牌等，根据用户属性进行分析推荐，如女性用户多推荐美妆、服装、配饰等，男性用户多推荐电子产品、运动鞋；
动态信息即用户的行为信息，如点击、收藏、加入购物车、购买、评论等，可分析用户的行为特点和偏好，如对用户点击数量较多的同类别、同品牌、相似价格的商品进行推荐。
图5：群体用户画像
3、人群实验
为了测试制定的推荐方案是否可以获得较好的数据反馈，我们可在推荐场景下进行流量分流做人群实验，为不同的人群制定不同的推荐方案，例如给上海用户的推荐方案为咸粽个性化，给陕西用户的推荐方案是甜粽个性化，进行精准推荐。
图6：可进行分组实验或A/B实验两种推荐实验类型
实验过后的效果数据可通过达观的场景效果分析模块进行总览及对比分析，多维指标全方位解析推荐效果，进而精准调整运营策略，实现真正的精细化运营。
图7：推荐场景总览图
图8：推荐场景对比分析图
挑战3 推荐不新：推荐结果单薄重复，无法满足新颖度需求
推荐的商品虽然符合了用户属性和过往行为，但结果过于拘泥于用户已有行为，无法满足用户的新颖度、探索性需求，也会导致用户审美疲劳、体验下降，造成用户流失。推荐系统不仅应该发掘客户已有的、确定的兴趣，也应该发掘客户潜在的、未知的需求，促进用户在平台的转化。
解决方案3 自主推荐探索， 快速捕捉用户兴趣变化
在数据分析里有一个经典的啤酒和尿布案例：出来买尿不湿的家长以父亲居多，如果他们在买尿不湿的同时看到了啤酒，将有很大的概率购买，这样就可以提高啤酒的销售量。
基于这种关联关系，达观智能推荐系统在系统中内置了多种数据挖掘算法。比如【用户协同召回策略】，可以基于海量的用户点击行为数据，计算不同用户间的相似度，将相似度高的用户的点击商品作为推荐候选集。比如【社交关系召回策略】，如果你的好友或亲人在喜欢某个商品，那可能他喜欢的东西你也会喜欢，基于这样的推荐理念进行用户兴趣探索，拓展用户兴趣领域，增加推荐新颖度另外，用户的兴趣是在不断变化的，比如在电商领域，用户购买一个商品前，会大量浏览点击相关商品，而一旦购买成功后，对于同样商品的短期兴趣就会迅速衰减。如果不能及时感知到这种变化，就会降低用户体验。达观智能推荐系统内置【用户实时行为召回策略】，根据用户的实时行为数据，计算用户在当前时间段内的短期偏好，获得相关商品作为推荐候选，精准把控用户兴趣变化。
目前，在零售电商行业，达观智能推荐系统已服务过安利、阿迪达斯、屈臣氏、乐友、一条、虎扑、顺丰大当家、家有购物等企业。在客户服务过程中，达观智能推荐团队将根据业务方需求持续深度优化推荐效果，帮助客户实现目标需求，从测试、优化到维护，提供全方位服务。
除此之外，达观智能推荐还广泛服务于银行、广电、运营商、传媒、政企、互联网等行业，与招商银行、民生银行、华夏银行、陕西广电、山东广电、人民网、澎湃新闻等企业达成合作，在各行各业都有丰富的积累和实践经验，助力企业实施精细化运营和提升用户体验。
