編輯導(dǎo)語：LBS是利用各類型的定位技術(shù)來獲取所定位設(shè)備目前的位置。隨著互聯(lián)網(wǎng)技術(shù)的成熟，大家開始將這項技術(shù)應(yīng)用到電商購物中，但也對線下商家?guī)砹撕艽笥绊?。因此，作者分享了如何將LBS應(yīng)用到線下商家中，設(shè)計一款信息推薦系統(tǒng)，為線下商家?guī)碛脩簟?/p>

一、什么是LBS？

LBS是利用各類型的定位技術(shù)來獲取定位設(shè)備當(dāng)前的所在位置，通過移動互聯(lián)網(wǎng)向定位設(shè)備提供信息資源和基礎(chǔ)服務(wù)。可利用定位技術(shù)確定用戶空間位置，隨后用戶可通過移動互聯(lián)網(wǎng)來獲取與位置相關(guān)資源和信息。

為什么要做推薦？

隨著技術(shù)發(fā)展，線上銷售發(fā)展規(guī)模越來越大，人們工作節(jié)奏越來越快，用戶越來越愿意花更多的時間進(jìn)行網(wǎng)上購入，網(wǎng)上購物從早期對用戶的新鮮度到目前的成熟運營，嚴(yán)重影響了線下商城的銷售，有必要為線下商城設(shè)計用戶推薦，留存客戶，增加GMV，同時能夠大大提高ROI，實現(xiàn)線下商家營收。

中國2014年~2019年網(wǎng)上零售額及增速，大型商家線下推薦有必要通過OTO模型升級線下零售，線上線下場景結(jié)合，增加銷售額。

二、介紹推薦系統(tǒng)的分類

推薦系統(tǒng)一般根據(jù)實時性分為三類：實時推薦，在線推薦，離線推薦。

實時推薦一般會采用實時計算引擎進(jìn)行實時計算并及時推送到用戶手機端。

在線推薦是指直接使用日志系統(tǒng)中數(shù)據(jù)進(jìn)行偽實時的推薦，一般場景用在在商場中時間大于1小時，在這個時間內(nèi)進(jìn)行推薦。

離線推薦根據(jù)用戶的歷史數(shù)據(jù)，對一定距離內(nèi)的用戶進(jìn)行信息推薦。

基于LBS推薦一般可以分為三類，近距離，中距離，遠(yuǎn)距離。當(dāng)然一般中遠(yuǎn)距離的用戶都是有歷史線索或者留資在商場數(shù)據(jù)庫中。

三、用戶旅程

消費者在逛商城過程中，通過推薦能夠讓消費者選擇商家，進(jìn)而產(chǎn)生消費行為，并通過消費者的信息反饋準(zhǔn)備下次推薦。

四、基于LBS數(shù)據(jù)指標(biāo)搭建

數(shù)據(jù)指標(biāo)完善能夠更好的將合適的商店推薦給用戶，同時增加商戶整體GMV，所以一般推薦系統(tǒng)都是在用戶畫像系統(tǒng)的基礎(chǔ)上進(jìn)行推薦。

需要重點強調(diào)的是，基于LBS的推薦最重要的就是用戶的經(jīng)緯度信息和商鋪經(jīng)緯度信息之間的差值，

距離計算方法可自行百度。所以最重要的指標(biāo)就是距離指標(biāo)，合理的距離指標(biāo)會使推薦系統(tǒng)的效率大大提高。

五、推薦方法

1. 冷啟動

任何推薦都存在冷啟動問題。因為推薦系統(tǒng)需要根據(jù)用戶的歷史行為和興趣預(yù)測用戶未來的行為和興趣，如果是消費者首次進(jìn)入商圈，沒有任何該用戶的任何信息情況下，進(jìn)行冷啟動處理：

基于當(dāng)前時間，將評分高的商店推薦給用戶。當(dāng)前時間在冷啟動階段最能反應(yīng)消費者情況，早晨一般商品尚未營業(yè)，那么用戶很有可能是要買早餐或者閑逛，中午或者下午6點左右用戶很可能也是要找飯店吃飯。

如果非以上情況，用戶很有可能就是為了買衣服或者參加培訓(xùn)等情況?；谝陨锨闆r對用戶進(jìn)行基于熱度的推薦。

2. 有歷史數(shù)據(jù)的推薦

即使有歷史數(shù)據(jù)，時間維度也是重要考慮的對象。這里使用三種推薦算法，最后進(jìn)行多路召回，求出最優(yōu)推薦列表：

基于物品（店鋪）的協(xié)同過濾：

圖片來源csdn網(wǎng)站

其中wij最后得出是一個相似度矩陣，是根據(jù)某一消費者的歷史記錄得出與該消費者相關(guān)的商鋪信息，需要注意的是有兩個前提條件，當(dāng)前時間和店鋪分類，即，每類型商鋪會都會得到一個相似度矩陣。然后根據(jù)消費者歷史數(shù)據(jù)和當(dāng)前時間計算出消費者當(dāng)前感興趣的一個推薦列表。

基于模型的推薦：

基于模型是指使用機器學(xué)習(xí)算法，根據(jù)已有的指標(biāo)體系構(gòu)造數(shù)據(jù)模型，然后計算出相應(yīng)的推薦列表，一般分析過程如下：

常用的機器學(xué)習(xí)算法有：

LFM（隱語義模型），線性回歸，邏輯斯蒂回歸，決策樹，KNN，K-means，深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)。整個推薦系統(tǒng)產(chǎn)品經(jīng)理需要了解算法，同時理解每種算法需要的參數(shù)，并根據(jù)業(yè)務(wù)需求選擇合適算法，和數(shù)據(jù)分析師一同解決推薦問題。

產(chǎn)品經(jīng)理最最重要的工作就是一個推薦需要哪些數(shù)據(jù)指標(biāo)作為參數(shù)或者在形成數(shù)據(jù)模型過程中需要哪些參數(shù)進(jìn)行聚合，即特征工程：

• 當(dāng)前時間
• 商鋪評分、評價、標(biāo)簽
• 用戶行為
• 關(guān)鍵數(shù)據(jù)
• 進(jìn)店頻次、進(jìn)店人次、收支金額、進(jìn)店停留時間
• ……

將基于商鋪的協(xié)同過濾和基于模型的協(xié)同過濾進(jìn)行多路召回，得出最優(yōu)的推薦解，對于基于LBS的推薦個人理解，推薦門類不超過3個，推薦條目不超過3條。

五、推薦系統(tǒng)流程

推薦遵循如下流程：

通過推薦系統(tǒng)形成推薦閉環(huán)，使推薦系統(tǒng)對用戶推薦越來越準(zhǔn)確。

數(shù)據(jù)流：

六、推薦產(chǎn)品的評估

一個好用的推薦系統(tǒng)能夠大幅度提高整體營業(yè)額，比如亞馬遜推薦系統(tǒng)據(jù)傳能夠提供35%的營業(yè)額，同時也需要對推薦系統(tǒng)的好壞進(jìn)行評估，一般從以下幾個方面：

• 預(yù)測的準(zhǔn)確度：消費者是否按照我們的推薦進(jìn)入到了推薦商鋪中或者同類型商鋪中，是否有80%以上用戶進(jìn)入了我們推薦的商鋪中進(jìn)行購物或者消費，如果不是，就需要對推薦算法進(jìn)行調(diào)整。
• 用戶滿意度：可以根據(jù)用戶停留時長，消費金額，商鋪評分，滿意度評價進(jìn)行評估，設(shè)置一定的閾值，如果大于某個值那么說明推薦系統(tǒng)良好，如果小于某一值，那么需要進(jìn)一步優(yōu)化推薦。
• 覆蓋率：這里的覆蓋率指的是在一定范圍內(nèi)是否都進(jìn)行了推薦（注意線索的合法合規(guī)）。
• 多樣性：由于用戶興趣是隨時可能發(fā)生變化的，那么該系統(tǒng)是否能夠?qū)⒁恍┰撓M者沒有消費過的商鋪或者新開商鋪進(jìn)行推薦，增加推薦列表的多樣性。
• 驚喜度：推薦是否能夠給該用戶帶來驚喜，這項數(shù)據(jù)一般會通過用戶調(diào)研獲得。
• 信任度：做出的推薦商鋪是否得到消費者信任，如果商鋪已經(jīng)是處于信任危機，推薦系統(tǒng)還是推薦給消費者，就會使消費者對推薦產(chǎn)生質(zhì)疑，繼而不信任該推薦的準(zhǔn)確性，該項評價指標(biāo)一般也是通過用戶調(diào)研獲取。
• 實時性：消費者一般存在理性和感性，實時推薦能夠保證及時將有用信息進(jìn)行推薦，實時性表現(xiàn)在push的發(fā)生時間間隔，即當(dāng)消費者進(jìn)入指定區(qū)域內(nèi)多長時間進(jìn)行的消息推送。
• 健壯性：系統(tǒng)的健壯性，一般指推薦系統(tǒng)本身是否經(jīng)常性的出現(xiàn)問題，報錯或者服務(wù)器崩潰等問題。
• 商業(yè)目標(biāo)：最重要的評測指標(biāo)，一個推薦系統(tǒng)好不好，就在于它掙不掙錢，好的推薦系統(tǒng)能夠大幅度提升營業(yè)額和人流量。

?

本文由@包公帥哥 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash, 基于CC0協(xié)議