產品差異化分析從哪幾個方面(尋求產品差異化的思路和方法有哪些)
我們以往都強調需求,隨著過往移動網際網路時代已經極大豐富了各種需求,您還能找到哪種大的需求場景沒被滿足的嗎?幾乎沒有這樣的需求空白機會。
所以新年裡產品唯一的機會點是做到跟競品有差異化,怎麼能做到差異化呢?即要比競品更懂使用者,給使用者更精準的推薦,就是挖掘資料應用資料來推薦。
本文寫給想了解AI如何助力推薦系統的朋友,並對一些常見的推薦方式進行梳理。
4種主流的推薦方式
市場迄今為止,對推薦系統的分類並沒有統一的標準,但根據對淘寶產品的瞭解其推薦方法基本包括如下幾種:基於內容的推薦方式、協同過濾的方式、基於知識推薦、組合推薦。
下面對4種推薦方式進行介紹。
第一種:基於內容的推薦方式
基於內容的推薦(Content-Based Recommendation)系統是建立在使用者以前的行為模式基礎上的。以前的行為就是標籤值,推薦演算法將產品分解為一系列標籤,並根據使用者對產品的行為(例如:購買、瀏覽)將使用者屬性也描述為一系列標籤。
如下圖:
該方式下的推薦系統為使用者提供包括使用者記錄中顯示偏好的一些資訊,產品推薦並不是將使用者本身的喜好作為基礎,而是以產品本身的資訊作為基礎的。比如說:如果一個使用者對智慧音箱比較感興趣,過去常常搜尋和智慧音箱相關的資訊,那麼該自動推薦系統會將與智慧音箱相關的其他音箱直接推薦給他。
使用者的偏好通常作為一組文字標籤,用於表示使用者喜好型別的個人資料。
淘寶搜尋框就是一種應用於表現和研究使用者喜好的技術。這種方法可以將未分級的產品優先推薦給具有獨特興趣的使用者。並且以列表的功能將推薦的商品展現出來,還會對推薦的結果進行解釋,這樣會無形中增加使用者對系統推薦商品的信心。
第二種:協同過濾的推薦方式
協同過濾推薦(Collaborative Filtering Recommendation)系統是根據其他使用者的選擇然後將一個商品推薦給使用者。但是商品的內容不會被考慮到,也就是說,該方式下通過人對那個商品的判斷來進行過濾。
對協同過濾最直白的說法是就是使用者不知道怎麼選擇,大家來幫他選擇。
協同過濾對應的演算法分類是基於使用者的協同過濾演算法和基於物品的協同過濾演算法,基於使用者的協同過濾演算法的關鍵是找到相同偏好的使用者。
第三種:基於知識的推薦方式
基於知識的推薦方式(Knowledge-Based Recommendation)可以被看做是一種推理(inference)技術。
它並不是建立在使用者偏好和需要的基礎上進行的推薦,而是通過對特定領域定義規則的基礎上來進行基於規則以及例項的推理(case-based reasoning)。
例如:通過對飯店的菜品方式的效用知識的推理,將飯店推薦給顧客。我們將某個物件如何去滿足某一特定使用者的知識稱為效用知識(function knowledge),所以它能夠解釋推薦和需求的關係,可以被用於推薦系統。效用知識必須以機器可讀的方式存在(ontology 本體知識庫)於推薦系統中。
基於知識的推薦模型如下圖:
第四種:組合推薦的方式
組合推薦(Hybrid Recommendation)有一個重要原則,即它要求通過組合後能彌補和避免各種推薦技術所存在的缺點。
目前應用最多的是協同過濾推薦和內容推薦的組合,一般,儘管推薦組合的方法有很多種,然而不同的應用場景需要不同的組合思路。
筆者根據淘寶的經驗具體的對產品運營或者演算法人員給出的組合思路大致的可以分為如下 3 類:
- 後融合:將大於等於兩種以上的推薦系統各自所產生的推薦結果進行融合。比如:通過使用基於協同過濾的方法以及內容的方法而得到推薦列表,對列表的結果進行融合從而決定最後所推薦的物件。
- 中融合:將一種推薦方法作為框架,並融合另外的一種推薦方法。比如將協同過濾的方法作為框架,融合基於內容的方法;或者將基於內容的方法作為框架,融合協同過濾的方法。
- 前融合:直接對各種推薦方法進行融合,如將基於協同過濾和基於內容的方法整合到一個統一的框架模型下。
今天,新的年度裡,寫滿了「資料」的字樣。單純流量的價值開始褪色,化作更加不言自明的基礎設施,而如何發掘資料價值、增強資料應用,則成為了產品運營的主色調——這也成為了產品運營人員要想當團隊的領導角色必須懂資料探勘的一般知識流程。
另外比競爭對手更懂使用者需要資料探勘,在做推薦系統之前,也需要資料探勘,下面我們介紹資料探勘方面產品運營應該懂的點。
資料探勘的過程是AI應用的過程。因為資料探勘的過程是知識發現的過程,而知識發現是人工智慧的一種典型應用。
資料探勘的方法:
資料探勘的方法也就是從資料庫或其他數額特別巨大的海量資訊儲存中提取出使用者感興趣的文字標籤。
產品運營人員不妨偶爾從技術角度方面來看一下資料探勘,因為它結合了採集資料和登記分類資料,接著,類規則的知識將從大量資料中被生成。
資料探勘領域包括許多技術,如:機器學習、統計、模式識別、模型庫、資料庫、視覺化等技術。產品運營懂這些技術的話一方面能夠從更多角度設計出差異化競品的產品方案,另外一方面能夠更方便的跟演算法、程式碼、模型、資料倉儲工程師等技術人員進行交流。
通常情況下,資料探勘的步驟如下圖所示:
產品運營人員從知道資料探勘的步驟流程以後,您在跟進產品進度和實現資料提供的業務支撐上能夠做到更加有信心使產品差異化競品!
上面講了資料探勘的步驟,那麼我們在從資料庫特點的角度出發,幫我們的產品運營人員介紹 8 個需要在資料探勘過程中完成的任務。
任務一:產品運營定義好分類(Classification)
分類是最常見的資料探勘任務。
這個任務由兩部分組成:
- 第一部分是研究新近物件的特點;
- 第二部分是,將它分配給一組預定義的類。
與此同時,分類有兩個主要的特點:
- 特點一要求,要有一個定義明確的類;
- 特點二是,要有一個包括分類例子的訓練集。
另外,還要構建某種模型,用於將未分類的資料進行分類。
第一步先將那些已經分好類的訓練集從資料中選出來,然後在該訓練集上建立分類模型,該模型的建立需要運用資料探勘分類的技術,對那些還未進行分類的資料進行分類。
例如:
- 通常將信用卡申請者,分類為高、中、低風險,
- 然後使用者會被分配到預先定義好的使用者分片中。
注意:類的個數是預先定義好的並且是確定的。
任務二:出估值(Estimation)
估值是一種用來處理具有連續性預估結果的任務。 採用估值的目的是,基於一些輸入的資料,為一些連續的、未知的變數,提供一個值。比如收入、信用卡節餘、身高等等。
估值和分類比較接近,所不同的是,分類是對離散型變數的輸出的描述,但是估值卻用於對連續值的輸出的處理;分類的類別數目是確定的,估值的量是不確定的。
比如:
- 通過購買行為,來評估一個家庭有多少個孩子;
- 通過購買行為,來評估一個家庭的收入有多少;
- 估計 real estate 的價值。
任務三:給出預測(Prediction)
通常情況下,預測是通過估值或分類起作用的,即通過估值或分類得出模型,然後該模型將被應用於對未知變數來進行預測。
預測的目的是對未來未知變數進行預測,然而這種預測必須通過時間來進行驗證,也就是說必須等待一定的時間後,才能夠得出預測的準確性是多少。
任務四:相關性分組或關聯分析(Affinity grouping or association rules)
關聯的任務是用來確定哪些產品應該一起處理或者哪些事情將一起發生。
例如:假設某客戶在逛盒馬鮮生時,當該客戶在購買澳龍時,與此同時也會購買多寶魚,即 A => B(關聯規則)。
除此之外,我們產品運營人員應該懂,它對產品運營還有更深的用途,它可以應用於鑑別交叉銷售機會和設計有吸引力的產品和服務的包裝或組合。 例如:下次可以計算出澳龍與波士頓龍蝦的文字相似度,然後當波士頓龍蝦庫存較多時可以組合波士頓龍蝦與多寶魚組合起來賣。
任務五:序列模式(Sequential pattern)
序列化模式檢測事務之間的模式,在事務資料庫中,一段時間內一組專案是跟在另一組專案的後面而存在的。
例如逛盒馬鮮生的時候,使用者在購買澳龍後,隔一段時間,會購買牛排。這有點類似於關聯,但是,主要的不同點是序列模式展現出了不同產品之間在特定時間段內的重要關係, 知道序列模式後的產品運營可以合理安排供應鏈資源。
任務六:聚類(Clustering)
聚類可以對一個多樣化的群體進行分割,從而形成一些更具有相似性的群體。
聚集通過對記錄進行分組,從而將那些相似的記錄分割在一個聚集裡。這些記錄之所以能夠被組織在一起,是因為他們本身就存在某種相似性。聚集同分類的不同點是聚集不會對預先定義好的類進行依賴,同時也不需要訓練集。
任務七:優化(Optimization)
優化指的是優化APP展現的設計和線上銷售的設計。
一般來說,這需要花很多的時間來考慮最優的解決方案。遺傳演算法(GA)常常是用於處理優化技術的,如用於尋找解決方案的遺傳選擇、交叉和變異的優化技術。例如:遺傳演算法可以為APP的頁面建立數以千種的設定和組合。
任務八:描述和視覺化(Description and Visualization)
是對資料探勘結果的表示方式。
資料探勘的目的之一是支撐業務發展。另外視覺化技術可以將隱藏在表格或文字中的聚類和聯絡直觀且迅速地展示在人們面前。
資料探勘可以用來描述一個廣泛的運營活動。
例如:一家4S銷售公司可以利用這項技術,來挖掘使用者反饋的歷史資料,建立許多預測模型,並做出相應的對策,比如:用一條簡訊,或者打一個電話,來對客戶進行遊說。
時下常常能看到「後移動網際網路」、「未來十年最好的一年」等聳人聽聞又模稜兩可的話語,告別了流量就是一切的時代,我們產品運營對於資料為基礎,AI演算法為突破的學習與思考從未像今天這樣急需和尖銳。
由於移動網際網路的普及和個性化的社會趨勢,資料探勘技術將會被普遍用來分析使用者購買的產品服務的行為。這是為了找出使用者的偏好,併為使用者提供相關產品資訊,以增加銷售額和銷售價格。
那麼先知道資料探勘流程先挖掘出來使用者的喜好的產品運營團隊再配合推薦演算法,這樣就可以在產品運營上領先競品一步。
#專欄作家#
連詩路,公眾號:LineLian。人人都是產品經理專欄作家,《產品進化論:AI 時代產品經理的思維方法》一書作者,前阿里產品專家,希望與創業者多多交流。
本文原創釋出於人人都是產品經理。未經許可,禁止轉載。
題圖來自Unsplash,基於CC0協議