流量分发,推荐电商不同流量的分发

qinzhiqiang 09-28 10:20 693次浏览

编辑导语:近年来,各互联网产品的流量分发策略被媒体或企业推上风口成为讨论的焦点,使得相关产学研运人才的行业价值也水涨船高。那么,流量分发到底有什么样的魅力呢?本文作者分析了不同类型电商的流量分发。

不同类型电商的流量分发

我们先来理解下流量分发,顾名思义就是流量分发至各个渠道进行价值最大化的过程。根据目标不同,分发策略也不尽相同。

这里面包含了多种用户触达渠道,比如:个性化推荐渠道、搜索渠道、push渠道、社会化营销等渠道。

今天,我们就不同类型电商产品的流量分发,以其中个性化推荐这个渠道为例,围绕以下几点进行展开:

一、当下电商的的几种形态

一种是我们熟知的京东、苏宁、拼多多,这种传统货架式电商。

一种是快手抖音淘宝直播这种带货式内容电商。

二、不同形态电商的几个不同点

  1. 产品定位:抖音快手这类内容电商,现阶段的电商带货仍然处在探索期,并没有完全转型,本质还是社交产品;即使目前快手和京东的合作,都只是借用了京东的供应链能力,抖音虽然自建抖音小店,但是也仍旧是引流为主,目前都仍属于二级电商;都是依靠内容起家,核心仍然是用户对碎片化时间的消费;而京东苏宁拼多多,本质上就是交易类电商产品,核心主要是用户对商品的消费。
  2. 核心链路:抖音快手主要是观看、互动、关注、收藏,核心链路不涉及交易;而京东苏宁拼多多,主要是访问、加购、提交订单、支付、售后,核心链路围绕交易变现展开。
  3. 供应链能力:新起内容电商没有供应链能力,老牌货架式电商已经对供应链能力沉淀了多年。
  4. 消费场景与业务模式:抖音快手对于消费者而言,都是一个比较简单而清晰的平台,大多数以 feed流为主,滑动、点赞、关注,使用起来操作很简单,场景较为单一,是轻业务模式;而货架式电商,使用流程虽然也并不复杂,但是购物链路较长,购前、购中、购后、客服、售后等环节,场景复杂且较多,是重业务模式。

综合以上几点,社交和电商,一个是以消遣为主,一个是以消费为主。

消遣型产品手握流量,消费型产品手握供应链;一个是轻业务,一个是重业务;一个是流量的起点,一个是流量的终点。

当消遣型产品在流量充足的前提下,寻找更多变现手段来创造更大想象空间来获取更高估值或者更多资金进行发展经营时,电商一直都是很好的变现手段;所以我们可以看到抖音,快手的电商化。

同理,淘宝是流量的终点,当流量的转化遇到瓶颈时,为了保证市场份额和GMV,只能继续获取更多流量,我们看到了淘宝的电商内容化;目前天猫、苏宁、京东、拼多多中也有内容化发展,只是暂时还是以货架式电商为主。

三、在货架式电商中,抽象出消费场景的一些经验

上文提到货架式电商链路较长,场景较为复杂,所以对流量分发的策略,要分场景进行定向分发。

比如:购中,提交订单页面,对于凑单满减这种场景,是不能够和购前的首页猜你喜欢使用相同的流量分发策略的;但是,又不能一个场景一个策略,这样会分散产研运的精力;所以,抽象归类是非常重要的一个环节。

流量域是一个很好的抽象维度,比如:首页的各种商品主题入口、内容频道,这些公域流量场景,可以归为一类。

首页对于电商而言,意义特殊,我们单独定义为另一类,同理,搜索结果页也是单独的一类;对于频道页,无论是各业务线还是各行业线,都是各业务或者行业运营精细化的主阵地,所推商品都是各业务线或者各行业线的独立商品池,暂时归为一类,属于私域流量,同理还有促销页;在有就是店铺页,完全是店铺内商品的分发,暂时也是单独归为一类,属于私域流量。

诸如此类,我们可以先抽象出几类场景,然后在结合其他维度,建立一个三维或者多维的模型网络,这样就可以根据交点找到抽象后的归类结果。

比如:大促期间的促销页,当碰上不同业务时,比如遇上百亿补贴,和遇上海选报名,分发策略就完全不同;这两个场景,就是在二维模型网络中的两个交点。

如果在根据不同产品类型(比如榜单,或者feed流产品形式)来区分,就是在三维模型网络中的多个交点;当在促销页,百亿补贴的榜单这个场景下,和促销页、海选报名的feed流场景,就是不同的分发策略。

所以,对于货架式电商,分发策略要相对复杂而不容易统一,且对商家获取流量的规则也不是很好理解;针对一些规则,在场景覆盖上也不是很全面,只能通过建立分场景的分发策略来解决人货的匹配。

四、搭建个性化推荐系统的思路

我们先要明确的是不同类型电商产品要解决什么问题?

抖音快手解决的是用户场景和内容的问题,简单来说是谁在哪想看点啥;淘宝直播解决的是用户当下时间和商品的关系,简单来说是谁现在想看啥买啥;天猫苏宁京东拼多多解决的是人货场的问题,简单来说是谁什么场景下想买啥。

一个强调看的内容,一个强调当下关注的商品,一个强调不同场景下关注的商品;所以个性化推进落地时,对消费者一侧的侧重点是不同的。

当我们明确了问题,也可以定义出场景的时候,剩下的就是考虑在这些场景下如何做个性化推荐了。

比如:抖音、快手,在个性化推荐的时候,场景单一,主要考虑的还是内容侧的特征多一点。

比如:横竖屏的差异、拍摄时长是否适宜碎片化时间浏览、标题是否简明扼要带有悬疑等抓住用户猎奇心理等特点、封面是否好看,还有内容本身的点赞、评论、转发、完播、观看时长等核心指标。然后,再结合用户行为、停留时长、社交关系,进行用户偏好意图获取;经过召回排序后,在规则层根据不同时期的平台规则进行调整,既能准确判断用户偏好意图,又使创作者能够持续性获取流量。

另一类是货架式电商,其本质是电商,场景复杂,按照一事一议的原则,对场景抽象归类,然后就是要多考虑商品侧的特征。

比如:标题、图片、品类、品牌、价格、营销和促销活动,属性参数比如服饰颜色尺码等;在这些特征基础上,基于用户行为对应的商品属性、用户属性,进行个性化召回、排序,在结合上面提到的抽象出来的归类场景,在不同场景下进行不同策略的分发。

当内容与电商相结合,在内容电商方向上进行个性化推荐时,就要结合内容特征与商品特征;如果内容特征重一点,则商品转化情况可能会受影响,对原业务影响最小。

但是如果商品特征重一点,则对原社交属性会造成威胁,用户活跃度可能会受影响,对新业务的推进而言会受到一定的阻碍;在这一块,就需要研发人员对特征进行整合和评估,得出最优解。

五、落地方案要兼顾消费者和创作者/商家的利益

我们一定要有平台的概念。

平台,提供的是资源供给和产出消费,简单来说,平台既面向消费者,又面向创作者/商家;供给方的需求是简单操作即可获取流量进行变现,消费方的需求是获取高质量资源满足当下欲望。

如果想在获取流量继续搞增长的同时,同步还要来保证创作者的持续性投入;就必须为平台建立一套规则,即面向消费者,也面向供给方;只有建立一个公开透明的流量获取规则,才可以盘活创作者/商家,保证他们的流量来源。

六、会影响到落地效果的几个注意点

在梳理这个经验之前,我们先明确下推荐算法,推荐策略,推荐系统这几个名词的概念。

其实,看似相同却不相同。

推荐算法是学术界名词,其实是由多种数学算法经过不断筛选组合而形成的综合模型。

推荐策略,则是指有人参与制定规则的问题解决方案;而推荐系统,是学术界在工业界的落地,是一个相对复杂,且包含推荐算法和推荐策略在内的系统,一个完整的推荐系统所涉及的链路比较长,它涵盖了基础日志采集/基础业务信息采集-数据反馈与处理-数据源筛选-召回-粗排-精排-规则-AB测试-效果分析等多个环节。

这些环节适用于以上每个产品的个性化系统,只是大同小异而已,所以不拆开对比,以下可能会影响到落地效果的几个点需要提前规避:

1. 个性化推荐

个性化推荐,都会依赖大数据的采集、基础信息的采集,无论是行为日志,还是业务数据,都是有着高要求的。

比如,设备唯一标识、会员唯一标识、会话唯一标识,在曝光、点击、访问等日志中的映射,在请求时的回传,这些数据是否能够匹配,业务信息采集和日志信息的采集是否有遗漏,都会影响建模。

2. 实时反馈数据

实时数据反馈,输出商品后是否有行为发生,如何筛选行为数据,数据中的各字段业务背景与含义,筛选条件是否能够覆盖需求,这些会影响反馈的效果。

3. 数据处理规范

数据处理规范,一般是上下游约定,明确各字段的背景与含义,这个环节最容易出的问题是上下游信息不同步,导致业务变更,影响效果;还有就是清洗时的要求,比如对噪点数据的剔除等,比如误触、极端活跃用户的某些数据等;这些都会间接影响效果,且在根据报表逆向定位时无法得出准确结论。

4. AB实验

AB实验中,正常模型上线之前,算法会进行评估,原则上离线指标优于线上指标,新模型就具备了上线的前提;但是实际,离线效果不一定是靠谱的结果,所以最终进行线上AB,是上线前的必经之路。

一般都会做调用推荐和没有调用推荐之间的AB,这种是调用方按照UV,进行分桶;AB模型的效果,会通过模型输出的数据标识,透传给调用方,进行埋点,进而实现报表的计算。

5. 用户行为较少

用户行为较少也会影响结果,比如在基于用户行为进行分析时,实际上是有一些伪命题倾向的;因为很难准确判断用户的相似性,和商品/内容的相似性,就会存在一些误导,对于电商而言;比如,三四线城市用户,看了进口很贵的奶粉,看了国产很便宜的手机,因为行为少,可能只是比价购买的,所以很容易误判他的消费能力;并且在计算用户相似性的时候,也很容易误导,对于内容而言,同样适用。

6. 用户行为不规律不连续

还有用户行为不规律不连续,这里主要是在相对稳定的时间周期上的不规律和不连续,比如,N%的人M天来一次,N和M没有固定规律;这中间,偏好会变,行为不连续,即使结合长短期行为进行召回,也不能够准确的判断用户意图;偶尔逛天猫,偶尔看抖音的人,是很难确认用户真实意图的,此处的真实意图并非是算法算出来的意图。

影响用户决策的因素,除了这些,还有推荐过程中的商品展示元素、体验、内容的封面、内容质量等基础数据质量等因素;如果内容基本信息不全、信息匹配不准、商品参数错误不规范,都很难实现商品与内容的精准触达。

7. 马太效应

其实,只有当系统长期处于长尾效应时,才会影响推荐效果,这种越热的商品经过推荐会变的更热的情况;比如榜单,长期使用会造成新鲜度下降,长期发展对于用户是推荐疲劳,点击率自然会下降。

解决的思路主要是如何针对于头部商品进行降权,一般通用的比如算法设计的时间衰减,通过时间迁移,商品热度会降低,还有不同时期通过业务干预的方案;比如某类商品的加权,或者通过调整商品池门槛,来进行商品池中的长尾商品数量占比。

8. 信息茧房问题

类似于抖音早期的个性化推荐策略,看什么推什么,比如你看了美食就不停推美食,看了土味视频就会不停推土味视频;这种大多数是基于用户标签画像的推荐,这种推荐策略其实是很多平台的主流推荐,因为相对靠谱且容易在大范围内应用。

不过缺点明显,就是信息茧房,没有新鲜感,就在一个圈定的范围内,像抖音后期综合热度进行推荐;一定程度上,抑制了兴趣偏好,使得流量分发更加的公平公正,也使得用户能够接触更多的信息,帮助用户不断地发现新的偏好,从而跳出茧房。

以上,分享了一些个人在不同产品的个性化分发策略中的观点,希望能够和伙伴们进行交流,还望对不合理之处寄予纠正;本次,我们暂时不基于不同策略,效果等问题进行展开,下回继续。

其实无论是电商内容化,还是内容电商化,转型和新的尝试都会承担触及企业营收的风险,每一次新的尝试都会伴随阵痛,希望每个企业都能顺利度过转型期并得到预期的发展。

本文由 @柴方旭 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自pexels,基于CC0协议