奋斗网络公关

天下公关一家人

千人千面很流行,听说过千B千面么?

217

0

0


千人千面,这几年无论是在营销界,还是在产品运营界,都得到了很广泛的应用。在营销行业,会用来提升营销的精准性,即做人和物的精准匹配,所谓精准营销;做产品运营的人会在产品中很多模块增加千人千面的策略,以此来达到产品流量的高效分发在电商行业千人千面的应用尤其多比如淘宝的猜你喜欢京东的为你推荐,都属于此类应用。 

用户与商品的数据匹配


我们先简单的聊聊到底什么是千人千面

千人千面,就其字面意思来讲就是不同的人,呈现不一样的东西。所以在所有实例中,个性化推荐是最常用的一种实践。本质上来说,个性化推荐主要的目标有两个,一个是高效连接用户和平台上的物品,让用户尽可能的发现平台上“好的东西”;另一个就是“投用户所好”,即发现用户的兴趣,基于他的兴趣为其呈现“好的东西”。

同理,上面提到“好的东西”也是个性化的。“好”与“不好”这种评判完全是基于对物品的客观评判来决定的,这种客观的评判的具体量化标准不同的业务不尽相同,但是大多都可以称之为是用户对于物品的正反馈。比如对于一件商品,可能是用户对于该商品的购买关注搜索分享好评等等。所以同一个东西,A喜欢,B可能觉得一般,甚至C可能觉得很厌烦。

千人千面就是实现“人”和“物”高效匹配,它们之间是一个互相补充,互相依赖的关系,也就是人们看到自己感兴趣的物越多,那么对好东西的衡量也就越准确。否则就是一个恶性循环。

本质还是一个数据的交互过程。对于人来说,系统通过人们在网络的一系列行为,去判断用户感兴趣的物品,进而为他们推荐“好的东西”;对于物来说,系统通过人在为其推荐的物品上的一些列交互,比如点击下单购买等,来判断这个物品是不是一个“好的东西”。

 

简单用下面的图来表示:

2B数据增长

 

但是忽然有一天,我的一个公众号粉丝在后台问我,是否考虑过2B的千人千面,我心里“噔”了一下。确实,我们看了太多2C产品营销实施千人千面的案例,竟然一直没有注意到2B端。无论是从业务流程的复杂繁琐程度,还是从营销运营的现状,低效冗余一直是2B端的产品躲不过去的伤痛。所以千人千面如果应用在2B端,那必然会是一个行业的革新。

套用一下,不妨称之为“千B千面”

无独有偶,之前在公司做过一个2B端个性化推荐的实施,实施过程中也有过一些思考,这里分享给大家。

首先,明确一个问题,2B端的千人千面能不能做,能。但是如果想要做一个通用的架构,目前还有难度,只能做一个“局域”的。什么意思呢?比如淘宝和京东的千人千面体系,除了底层数据的差异,整个架构是可以套用的。另外,除了电商行业,对于以单个物品推荐的业务,我理解也是可以进行套用的。

再加上,目前各大企业在产品和账号体系上的互通,比如用微信,QQ,微博等一些列社交账号,可以注册各种各样的应用,导致千人千面的冷启动阶段也变得“有数可依”。

其次,如果想要在2B的产品上大规模开展千人千面的实施,会面临哪些问题。我想了想大概有下面几点:

 

第一、2B端的数字化程度较低。

2B端数字化信息化,应该是近几年才提上日程,甚至是往后十年的主要方向。所以就目前来讲,B端的数据是不足以做千B千面

举个例子,一个用户在网上点击的一个链接,购买一款商品,现在是很容易被捕捉到,并且以结构化的数据进行存储,但是一个企业与哪些供应商进行了连接,是很难被追踪记录的。

另外一方面,现在仅仅大概有30%的企业,实现了从采到销的线上化销售化,如果大家注意观察的化,会发现很多中小企业还是一个excel去解决问题的。

 

第二、每一个B端是一个数据孤岛。

这就是目前整个B端的现状。可能大家会认为,这30%企业也是一个实施“千B千面”的机会啊。但是就现状而言数据是每个企业密级最高的东西。更有企业喊出数据是公司唯一的资产,所以一个企业唯一的资产怎么会轻易的让其他人获取到?

不看别的,可以看目前云服务的现状,除了小公司出于成本的考虑愿意采用云服务,稍微大点的公司都在搞自己的云服务,没人会愿意把自己家的数据放在别人的服务器上。

所以数据对于每个企业来说,都是私有资产,神圣不可侵犯的,至少目前的认知还是在这个层面,而且从当下来看至少长期会处于这种局面。

与云面临的困境一样,在信任问题没有解决之前,B端的数据永远是一座孤岛。

 

第三、缺少结构化的数据。

落地过千人千面的人都清楚,结构化的数据是关键,比如做个性化推荐系统,结构化数据是用户标签,排序特征的基础保障。大多数成熟的企业数据做的都不好,更别谈小公司了。

另外,很多人对结构化的数据一直有误解。结构化的数据并不是说没有数据,而是缺少经过加工的数据,看一下关于结构化数据的定义:

结构化数据也称作是行数据,是由二维表结构来进行逻辑展示和表达的数据,严格遵循数据格式与长度规范,主要通过关系型数据库进行存储和管理。

我们很容易的用结构化的数据去描述一个人,比如社会学统计信息线上行为:基本包括:点击浏览加购下单收藏关注分享订阅线下行为:旅游出行饮食居住。但是很难有一个统一的框架去描述一个B端企业,这与B端业务的多样性复杂性多变性密不可分。

所以如果某一天大规模的千B千面开始,那么B端结构化数据的比必定是首先迈过的槛。

 

第四、缺少统一的衡量标准

无论是2C还是2B千人千面的实施,都需要巨大的成本,所以必须要有一个可衡量的效果。一般来讲,2C端的千人千面主要看流量分发的效果,并且伴随业务线发展程度不同,制定指标也不尽相同。一般来讲又如下的规则:

对于新业务线,主要以流量相关的指标为核心指标,比如PV,UV这些;

对于发展中业务线,主要看流量的分发效率,所以看点击率的比较多,或者是订单转化率;

对于成熟的业务线,则主要看盈利和营收了。

 

但是B端呢?很难有一个统一的框架。哪怕做的是相同的行业,但是由于想法不同,那么具体的业务流程也大相径庭。比如同样是做餐饮的,做小吃和做正餐的玩法就不一样,那么每个环节衡量的指标也就不一样。一个小吃店一天买1000份小吃和一个饭店一天买1000分正菜,绝对不是一个概念。

这样会导致这么一个问题,如果把千人千面用在B端企业上,需要单独为每一个大B,小B客户进行实施,由于从业务模式,还是底层数据来看,实施难度很大,对于服务提供商来说成本投入巨大,就意味着价格很高,对于企业来说就很难接受,这就是一个恶性循环。

B端数据非结构化


B千面的一个小案例

上面讨论了在做大规模2B千人千面前需要攻克最大的难题。然后之前做过一个面向小B的个性化推荐,这个也算是一次简单的2B的千人千面,简单聊聊。

项目是为一个面向所有小B的商家提供物品采购服务的平台搭建个性化推荐系统。总体的思路和2C的千人千面类似。

 

数据清洗——标签挖掘——trigger机制——召回策略——排序策略——精排策略——前端展示

 

对于这个面向小B的推荐系统来说,主要目标就是以更小的成本让小B商家采购到想要的物品。但是同时需要考虑到供应商的供应链能力。比如海南的供应商无法给北京的商家提供采销服务。

但是,如果大家又关注线下的一些涉及到采销业务的商家,就会发现他们会有固定的合作伙伴,就是经常只会在固定的几个供应商来采购商品。

其实基于上述目标和对需求的拆解,整个思路就很明确了。最主要的还是如何建立小B和供应商之前的采销关系链。这个供应关系链会以结构化的数据进行创建,最终用于个性化推荐。

但是你会发现,这个供应关系链它是一个“局域”的。也就是当你再来一个新的2B业务,依然需要为它搭建一个新的架构,新的策略。

 

上面大概是之前做2B的千人千面的一个小小尝试。但是如果要做到目前2C规模的千人千面,还有很长的路要走。

tags:产品经理产品运营toB

转载本站文章须经授权,未经授权,禁止转载。版权所有:深圳宏瑞文化传媒有限公司  粤ICP备18082695号-1