大部分人都听说过千人千面，也知道个性化推荐，那么千人千面具体的流程和应用是怎么样的？作者做了总结。
在做推荐或者搜寻的同学大概都知道千人千面这个概念，就是个性化推荐或搜寻排序。
一般主要应用在首页物品/内容feed流，页面的推荐模组，搜寻结果页等。
举个例子：在淘宝搜寻“衣服”，每个人的搜寻结果不会完全相同，甚至差异很大，比如男女之间。
这就是千人千面，其主旨就是为了从一个大量的物品侯选池中match到使用者最愿意与之产生互动行为的物品，这种互动可能是点选，加购，下单，转化，浏览等等。
01
先简单聊聊目前千人千面的大概流程：
推荐和搜寻总体步骤差不太多。
不过有的同学可能会发现一个问题：在tigger阶段，先要做的一步就是基于使用者行为资料去做大量的资料探勘工作，那么对于使用者量比较少产品怎么办？按照这种方法肯定无法在推荐位曝光。
所以实际上推荐冷启动的问题本质就是缺少使用者、物品和事务资料。（注：来之《推荐系统：技术、评估及高效演算法》）
业界有很多解决冷启动问题的方法，不过今天参加了一个内部会议，还是get到了一些新的观点，觉得可以在后续的工作中试一试。
02
实际上除了上述的应用场景，营销投放领域也会应用大量千人千面。
比如在很多营销活动页，或者说广告投放中都会应用到个性化推荐，为不同的使用者展示不同的广告，以提升广告的CPM。
下面的微信朋友圈广告，就是一个典型的个性化投放策略的应用，会给不同的人推不同的广告：
按照我的理解，简单的画了一个做营销或者广告的流程：
广告商把产品投到广告平台，广告平台按照一定的投放策略进行投放，最终得到的投放效果反馈到广告供应商。其中，个性化投放策略的制定就是基于使用者资料。
其实，产品刚推出同样面临无法精准投放的问题。
这个时候，一般都会选取一些主流的媒体渠道做大量的曝光，然后从投放平台获得本渠道的广告投放效果。
一般对于一个广告来说到此就结束了，后续可能就是基于本次投放的效果做一些后续广告投放策略的优化。
但是，细细想想，如果此时让推荐系统联合广告营销效果，会产生哪些不一样的东西。
刚才说到，推荐在冷启动面临的本质问题就是缺少使用者、物品和事务等资料，因此无法触发个性化推荐逻辑。
一般而言，从投放效果中我们可以拿到本次广告产品曝光的使用者，点选的使用者，使用者在广告落地页的停留时长，下单的使用者，产品的销量等等资讯。
这些资讯按照细分一下：
如果有这些资料的话，那么产品在推荐场景下曝光的概率就会提升不少，这样就很有意思了。
比如一个影片想要在电商平台的首页推荐场景下露出，电商平台，商品的销量一般来说是一个权重很高的排序因子。
因为其在未上映之前是没有任何资料积累的，这个时候无论是搜寻还是推荐的排序中，其实很难依靠正常的得分得到有效的曝光。
但是如果能把影响在各种营销渠道中的资料做一个打通的话，那么这个事情就很好办了。
所以今天的会上，一个大佬说：“千人千面实际可以有两种，千人千面和营销加千人千面。”
想想还真的是一种不错的思路呢。
#专栏作家#
夏唬人，公众号：夏唬人，人人都是产品经理专栏作家。某厂策略产品经理，关注推荐，搜寻，AI策略方向，用资料来赋能业务。
题图来自 Unsplash，基于 CC0 协议。
