大資料下的運營利器(二):精準推送系統
從零開始學運營,10年經驗運營總監親授,2天線下集訓+1年線上學習,做個有競爭力的運營人。 ofollow,noindex">瞭解詳情
釋放雙眼,帶上耳機,聽聽看~!
00:00
00:00
對於產品經理來說,基於大資料和演算法的精準推送系統怎麼去設計呢?
隨著頭條,抖音的陸續崛起,網際網路的流量時代已經結束,未來的網際網路一定是大資料+演算法時代。誰掌握資料和擁有更先進的演算法,誰就擁有了未來。隨之而來的基於大資料和演算法的精準推送(內容或商品等),也在我們生活中的各個領域遍地開花了。
那麼對於產品經理來說,基於大資料和演算法的精準推送系統怎麼去設計呢?
這裡結合我所在行業從系統結構設計層面(推送演算法的介紹網上有很多資料這裡不會過多涉及)和大家一起來討論下。
一、要清楚誰是我們的目標客戶,目標客戶有哪些需求
具體來說我們做精準推送,我們要充分了解所在行業的業務,梳理出我們的目標客戶是那些,更要清楚客戶在不同的情況下的不同需求。
例如:我在汽車後市場行業,那麼我的目標客戶就是有車族以及喜歡駕駛的朋友。這裡我就要弄清楚這些客戶需求什麼,喜好什麼,既要搞清楚他們的硬需求——審車、違章、油品和各種維保;還要搞清楚TA們的隱形需求——在不同天氣情況下和不同環境下需要的天氣預報,擁堵資訊等,只有掌握這些我才能見方開藥(如下圖)。
通過梳理目標客戶的需求,這裡就可以梳理出整個推送平臺需要哪些基礎功能支撐(如下圖)。
以上某些系統模組這裡不再做詳細的介紹,因為網上有很多相關資料。
二、要用大資料思想去做各個系統模組
所謂的大資料思想也就是我們在做的各個系統模組時,都要優先考慮相關功能的資料採集和統計;因為上述的各個模組一般都會優先於推送平臺去開發,所以作為產品經理要用發展的眼光去做這些功能需求。
特別是在做一些可能要為以後資料平臺提供支撐的功能時,更要為資料的提取、分析以及分析後結果返回等預留好介面,只有這樣才能讓系統擁有更好的擴充套件性。
另外在設計大資料平臺時,要從實際業務出發,從不同緯度去分析資料,做出符合實際業務需求的使用者畫像、使用者行為等基礎的資料服務(使用者畫像這塊這裡不在多討論,上篇文章已經詳細介紹過)。
只有在大資料思想指導下設計出來的系統模組、才能夠很快滿足精準推送所需要的基礎支撐,不至於在以後的開發中不停去修復之前系統所留下缺陷。基礎打好了,精準推送系統就是水到渠成的事情了。(汽車後市場行業各個畫像,如下圖)。
三、要設計出符合行業和運營需求的推送引擎和演算法
在有資料支撐和相關平臺支撐的基礎上,我們就可以設計整個推薦系統的核心—— 推薦引擎。
基本的推薦引擎由三個階段組成 分別為匹配階段、過濾篩選階段、輸出排序階段。只有經過推薦引擎的三個階段,才能儘可能精確地完成一次精準推送 (如下圖)。
整個流程就是根據使用者畫像、車輛畫像和使用者的近期行為資訊進行計算,並得出這個使用者需要的內容畫像或商品畫像。
然後從內容和商品庫中篩選符合要求內容或商品形成一個推薦集,然後再結合使用者行為、車輛畫像和內容標籤、商品標籤等通過演算法對此推薦集進行篩選過濾。最後對過濾出的推薦集按照契合度、熱度等權值進行排序輸出給客戶,最終形成千人千面的內容和商品的精準推送介面。
舉例來說:一個有輛某品牌車齡為一年的SUV車主使用者,我們通過資料可以知道這個客戶本人喜歡自駕遊,喜歡聊天等愛好;還知道這個車主的車什麼時間審的車,行駛了大約多少公里,最近是否有違章,而且最近客戶行為曾經搜尋過機油等關鍵詞。
通過這些資料和行為,然後我們再結合最近的客觀因素(例如:天氣),我們就可以給客戶推薦相關的內容(自駕遊知識)、商品(機油、雨刷、輪胎、等)、話題和服務(維保、審車、違章處理)等等。
當然更復雜推送的系統,還要考慮流量分配,使用者的行為預測,系統智慧學習等等,這些綜合做起來就是一個系統的工程,這裡希望有更多同道去深入研究並分享出來。
總之,精準推送系統設計需要綜合的平臺特別是大資料平臺的支撐,其不同行業的推薦演算法也會隨著網際網路的發展變的更智慧,更精確。
對此,我願與廣大同行共同見證和學習。
本文由 @ lain 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