编辑导读：时至今日，推荐系统已然成为一门显学，智能推荐成了互联网产品的标配。那么在互联网产品运营场景中，如何巧用智能推荐赋能业务增长？又该如何评估推荐系统的优劣？本文作者对此进行了分析，希望对你帮助。
典型场景——微博热搜榜、抖音热榜
玩法三：想用户之所想，Feed流让用户持续“消费”
典型场景：知乎Feed流
玩法四：激发并推荐UGC，度过“冷启动期”
去中心化的时代，平台之间的竞争已经演变成生态系统的竞争，内容型平台更是如此。维护第三方生态的繁荣成了很多平台公司的刚需，这就需要将第三方创作者新生产的内容尽可能的推荐出去，才能保障平台的多样性，激发平台上第三方创作者的积极性，提升平台生态的活力。同时通过这种冷启动推荐方式可以让新内容快速找到最可能的受众，也可以快速知道哪些新内容是大受用户欢迎的，有助于提升平台自身的营收。
众所周知，现在获取新用户的成本和难度都在增大，因此一旦获取新用户，他们的留存就变得非常关键，因为如果新用户来到平台发现对推荐的内容不感兴趣，那么很有可能快速卸载流失。相反，如果新用户冷启动推荐的好，会让这部分用户留下来，最终产品的用户量就会稳步增长。
比如抖音在平台上发现年轻的一二线城市的用户喜欢拍摄“手指舞”，“手指舞”视频就成为站外获客的一个素材，通过这个素材点击带来的新用户，打开抖音的第一个视频内容就是“手指舞”。
知乎新用户标签选择页面
玩法六：以类聚，以群分，页面配置千人千面
比如在某电商的轮播位素材推荐时，用户A是正在探索产品价值中的新用户，首次访问距今3天内还未购买过商品，那么可以针对性地推出新人专享&节日活动，利用优惠促销信息刺激其激活转化；用户B是有望转化为VIP的高潜力用户，累计购买金额大于1000，且累计购买次数大于10次，针对这类用户可以采用VIP入会等活动。
玩法七：算准消耗周期，适时推荐复购
每个消费者的购物消费都是有周期的，针对购买链条中复购环节的周期性特点进行算法推荐，能够提升平台流量价值最大化。
二、如何评估推荐效果？
管理学大师彼得·德鲁克曾经说过“如果你无法度量它，就无法管理它”，这对于一个推荐系统的效果评估同样适用，要想看一个推荐系统是否有效，就难以绕开评估指标。评估一个推荐系统，包括离线评估和在线评估两种方式。下面详细展开介绍。
1.离线评估
离线评估包括人工评估、AUC、DCG。
人工评估比较好理解，比如我们认为一个用户很喜欢动画片，于是进行一些推荐，我们可以直接去观察所推荐的内容中用户播放动画片的比例是否比较大；同时AUC、DCG也是常用的模型离线评价指标，但是这些数据指标可能会存在比较大的偏差，所以一般不会拿此指标来直接评估效果，而只是把它作为参照指标。
2.在线评估
推荐系统的在线评估指标包括：点击率、点击人数比、留存率、转化率等，具体包括：
1）点击率
点击率是评估推荐效果比较经典的指标，记录了用户每次进入推荐内容的点击情况，能够粗略衡量转化效果。
2）点击人数比
指点击的人数除以推荐的曝光人数，这是一个用来衡量推荐系统触达率的一个重要指标。在评估一个模型效果时，可能点击率上涨，但点击人数比并没有变化，这说明推荐结果只对于部分老用户产生比较好的效果，对于触达不到的用户，仍然没有成功吸引他们来使用我们的推荐系统，所以点击人数比与点击率是对推荐系统在不同方面的评估。
3）人均点击次数
4）留存率和转化率
留存率和转化率对于推荐系统来说，可能并不是一个那么直接的指标，比如推荐对留存的影响到底有多大，很大程度上决定于不同的产品形态，但它仍是我们去评估推荐系统的一个指标，至少我们需要知道此次推荐系统的迭代到底对于留存率的影响有多大，如果迭代后的留存率下降，即使点击率和点击人数都在上升，可能这一次迭代仍不能上线，因为它影响了留存的指标。
还有一些方面，具体展开如下：
时效性。如果我们在做一个新闻产品的推荐系统，那么给用户推荐的内容就应该是实时的，而不是上周发生的事情。
多样性。多样性其实是容易被忽视的一个指标，因为如果不追求多样性的话，点击率的数据会好看一点。
至于具体需要去考虑哪些指标，以及怎么去制定这些指标，要根据不同的产品形态以及产品不同的阶段而定。
三、推荐系统如何实现业务闭环？
仅仅了解这些评估指标是不够的，一套真正能发挥价值，赋能业务增长的推荐系统一定是一个可以快速迭代的闭环系统。那么，推荐系统如何实现业务闭环呢？
首先，数据是一切算法的前提，数据是否能够采对，直接影响推荐系统的最终效果能否满足预期。数据质量是推荐系统的基础，建立一个好的推荐系统，不仅需要数据采集够准确，还需要数据维度够全，粒度够细，时效性够高，这取决于是否具备全端的数据采集能力，能够实时同步数据流，以及精细的数据校验。
接着，当收集到能够表示用户偏好的数据后，需要我们开始设计推荐策略，构建算法模型。这个环节不仅要求有很强的算法能力，同时也需要对当前的业务有深入的理解。
最后，在推荐系统上线后，再次收集数据表现，对推荐效果进行多维的验证分析，了解具体的用户行为反馈，评估数据指标，再根据具体指标表现进一步调整模型参数、策略设计等，从而提升推荐效果，完成推荐系统迭代，形成闭环。全流程闭环的推荐系统支持支持采集终端（Web、App、H5、小程序、软件等）的用户行为、后端服务器日志（Log）、业务数据和第三方等多方数据源，存储最细粒度数据，利用最新深度学习和语义分析模型构建推荐引擎，推荐结果可利用数据分析模型多维度、多指标的实时效果分析，形成快速反馈，精准迭代特征集和算法模型。
如果想要去评估推荐系统对业务的影响，可以通过数据分析搭建高效数据指标体系，进行多维度、多指标的交叉分析来验证推荐效果。
同时，考虑到推荐系统要与企业业务相结合才能实现价值最大化，还可以根据不同行业的用户行为习惯和业务场景特点实现个性化推荐，助力提升核心业务指标。
本文由@神策-乔一鸭原创发布于人人都是产品经理，未经许可，禁止转载