你当前的位置 主页 > 产品案例 >
产品案例
AI产品经理入门实例讲解-以精准推荐模型为例到就职AI产品(上篇
来源:http://www.028cxtx.com 编辑:k8.com 2019-07-04 12:47

  本文全篇命名为 AI产品经理从懂精准推荐模型到产品创新,共计分上篇和下篇。

  通篇以精准推荐这一产品经理经常面临的需求为例,来讲解AI产品经理入门需要懂得的算法模型知识点,并提出AI产品经理入门的标准和AI企业类型。

  通过划分门类后建议AI产品经理针对性的补充自己的算法或者数据方面的知识。

  在机器学习大数据日新月异的时代里,从拉新运营到网红短视频运营,从SEM再到精准推荐,精准推荐开启了产品运营的智领革新,智在运营的新征程。

  文章以产品经理应该懂哪些精准推荐算法模型为主线,顺道在上篇中先将算法按照机器学习风格进行划分;下篇按照功能相似性进行划分,从产品经理必懂的精准推荐算法模型展开,实证传统算法模型对产品精准推荐的功用和缺陷,然后总结出一套AI-UTAUT模型,即整合AI技术精准推荐模型供读者落地具体产品实战参考。

  即本篇希望以精准推荐模型为案例通过全面的撰写将AI产品经理需要懂的算法和模型进行了系统的入门讲解。

  另外笔者在撰文之前先说明:一个产品经理经常疑惑的概念:算法和模型的关系,产品经理懂得解决问题时将问题抽象为模型,对模型求解用算法,没有谁大谁小,算法和模型没有绝对的分界线。

  首先我们看用于精准推荐的算法模型有哪些,这些模型算法各有优缺点,然后笔者根据实战下来,创造性的总结了一套AI-UTAUT模型。

  精准推荐中的常用模型有:交叉销售模型、关联推荐匹配模型、互联网信用模型、电商动态定价模型、信息聚合分类模型等等。

  文中尽量不采用高等数学公式,尽量用直白的产品经理听得懂的语言进行讲述,因为公式可以在产品具体业务落地的过程中根据所需要公式有选择的进行针对的学习。

  利用关联规则发现两个产品间潜在的相关性,进而进行捆绑与推荐;关联规则可用Apriori等算法实现,交叉销售通过研究客户的产品使用情况,消费行为特点,发现老客户的潜在需求,一方面通过产品之间的关联,寻找实现产品捆绑销售的机会,另一方面为新产品寻找已有用户中的精准目标群体。

  (2)提取订购比例较高的几类业务,计算不同业务两两间的相关性,分组、筛选与分类;

  Apriori 算法被用来在交易数据库中进行挖掘频繁的子集,然后生成关联规则。常用于市场篮子分析,分析数据库中最常同时出现的交易。通常,如果一个顾客购买了商品 X 之后又购买了商品 Y,那么这个关联规则就可以写为:X - Y。

  例如:如果一位顾客购买了牛奶和甜糖,那他很有可能还会购买咖啡粉。这个可以写成这样的关联规则: {牛奶,甜糖} - 咖啡粉。关联规则是交叉了支持度(support)和置信度(confidence)的阈值之后产生的。

  支持度的程度帮助修改在频繁的项目集中用来作为候选项目集的数量。这种支持度的衡量是由 Apriori 原则来指导的。

  Apriori 原则说明:如果一个项目集是频繁的,那么它的所有子集都是频繁的。

  关联推荐匹配模型着眼于用户数据的基础属性、媒体属性等,实现产品精准定位,在广告的定向投放上效果显著。

  建立该模型需要采集的用户数据有基础属性数据如性别、年龄、收入、学历;环境属性数据如手机上网时间、城市、地点、系统平台、语言环境;媒体属性数据如浏览的媒体、浏览的内容、兴趣关注点、当前的需求;消费属性数据如关注品牌、关注产品、消费水平、消费心态等。

  AI技术使得社交网络数据深度挖掘成为可能,运用计算机智能,通过社交网络API获取用户授权数据,进而对用户数据进行学习和解析,再通过数据挖掘进行建模与推荐(数据量更大);完全的个性化分析可以提供最有价值的产品,例如 APPhero, 经由社交网络数据深挖掘,使用 FACEBOOK 的数据,让这些数据成为推荐的基准。

  AppHero 会对用户异常熟悉,它会将用户在 Facebook 上做过的事,包括评论和评论中的嵌套、喜欢的页面、用户分享的东西、个人档案的数据、兴趣、所在地等等通通收进算法模型。

  关联推荐模型中,关联规则学习方法提取规则,此模型可以完美的解释数据中变量之间的关系。这些规则可以在大型多维数据集中被发现是非常重要的。最流行的关联规则学习算法是:Apriori算法;上文已经介绍过Apriori算法。

  传统通用模型存在环境因素难确定,属性单一等缺点,而卖家间的差异巨大;基于APRIORI算法建立互联网信用模型,更准确,并可预测信用趋势,数据变换(文字评价转变为数字).

  ARRIORI算法挖掘关联生成关联规则,得出:信用值与好评率、行业、性别、违规操作数、婚否、地区、卖家级别、收入、逾期坏账次数相关,按照笔者LineLian曾经服务过的阿里淘宝网的交易模式来看,信用模型同样可以用于买家,实现买卖双方的公平对等;电信行业也可以参考信用卡模式度,对用户进行信用监管,移动的客户中,曾经有月贡献1000元左右的全球通高端客户因为欠费0.7元而被停机,导致其离网的先例,以信用卡模式建立的基于AI技术的电信行业用户信用管理,仿照信用卡模式对客户授予一定的话费透支额度,与用户信用度相关联;同时也可以对透支部分的消费加收额外费用扩大电信服务产品的差异化定价。

  传统动态定价方法以拍卖为主,很难收集客户信息;基于AI技术中机器学习算法的电商动态定价模型则可以充分收集交易数据,并能通过机器学习中无监督的自学习对价格进行调整。

  电子商务通用信用模型的缺点主要有:卖家很难搜集全面的客户竞争对手信息,不能对其进行深度挖掘;不能依据客户特征进行差别化定价,也做不到对不同的商品做出及时适当的加价幅度的调整;当需求量具有随机性和价格敏感性时,动态定价就成为使利润最大化的有效方法。

  基本上,在监督机器学习中,输入数据被称为训练数据,并且具有已知的标签或结果,例如垃圾邮件/非垃圾邮件或股票价格。在此,通过训练过程中准备模型。此外,还需要做出预测。并且在这些预测错误时予以纠正。训练过程一直持续到模型达到所需水平。

  在无监督机器学习中,输入数据未标记且没有已知结果。我们必须通过推导输入数据中存在的结构来准备模型。这可能是提取一般规则,但是我们可以通过数学过程来减少冗余。

  输入数据是标记和未标记示例的混合。存在期望的预测问题,但该模型必须学习组织数据以及进行预测的结构。

  其他根据功能相似性讲算法进行划分的方法将在下一篇文章中进行讲述,本文综合从学习风格上进行划分,并主要讲跟精准推荐相关的算法模型。

  电商动态定价模型举例:携程大数据杀熟背后的算法模型!大数据杀熟,即同一件商品或者同一项服务,互联网厂商显示给老用户的价格要高于新用户。大数据能杀熟的基础是海量用户数据。如上文所述企业一般会在后台抓取用户的消费记录,通过用户行为判断其偏好和消费意愿强烈程度。如果企业发现你是一个对价格不敏感的用户,就会调高价格,减少优惠比例。

  首先,通过你的基础属性数据判断你所在的用户群体、人群特征(如消费能力),通过你的行为数据判断你的偏好和消费意愿强烈程度。综合分析后,判断出你是谁,你现在要做什么,愿意付出多少代价去做。最后,企业根据精准的用户画像,去对消费能力高、消费意愿强烈的用户展示更多的价格、赚取更多的利润。

  信息杂志化是近年来的发展趋势,杂志化阅读一方面将社交网站集成一体,个性化定制界面使信息获取更方便;但杂志化阅读应用诸如 Flipboard 并不具备个体社交网络软件的很多功能,因此其必须要主打方便和效率;但目前为止其模式知识简单的“搬运”。

  但杂志化并不意味着信息大杂烩,对信息进行聚合分类可以大大提升阅读效率,大数据与Flipboard模式的结合可以很好地解决这一问题,通过社交网站数据的采集并进行特征归类,自动将每一条信息划归最合适的分类区,大大提高了阅读效率,该模型还可以定期对数据进行自学习与更新,产生新的分类建议。

  大量数据不仅可以通过AI技术建立模型供企业/卖家进行内部分析,也可以通过合法交易供其他企业/卖家使用,数据提供者不仅可以从中获益,数据本身也能创造更多价值,在电视广告领域,总部设在纽约的Nielsen 已经连续十多年为广告主以及电视台提供了相关数据。

  下图为头条通过AI技术提取内容特征自动将每一条信息划归最合适的分类区然后精准推荐给对此特征感性趣的读者的例子:

  毋庸置疑,AI技术结合大数据将彻底改变产品运营的脉络,重塑我们产品经理对于拉新,留存和精准推荐的认知。与其试图一次性解决所有AI产品经理的问题,不如从小型可试点算法模型开始;使用上文中可以借鉴的模型实现自己产品精准到达用户来促进成功。

  这一篇为《AI产品经理入门实例讲解-以精准推荐模型为例到就职AI产品》中的(上篇) 下篇将讲AI产品经理精准推荐创新模型AI-UTAUT模型。

  如果你想系统化入门AI产品经理,掌握AI产品经理的落地工作方法,戳这里

  连诗路,公众号:LineLian。人人都是产品经理专栏作家,《产品进化论:AI+时代产品经理的思维方法》一书作者,前阿里产品专家,希望与创业者多多交流。

  人人都是产品经理(是以产品经理、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位服务产品人和运营人,成立8年举办在线+期,线+场,产品经理大会、运营大会20+场,覆盖北上广深杭成都等15个城市,在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一起成长。