推荐算法模型应用——活动运营沙盘/促活引擎

编辑导语：在营销过程中，我们可以根据用户的兴趣进行推荐算法的应用，从用户生活中的各个方面进行相应的推荐，提高转化率和购买率；本文作者应用推荐算法模型具体应用在用户兴趣中，实现促活和转化，我们一起来看一下。

前面聊了那么多推荐类的算法，具体在数据产品中该如何应用呢？是不是这些推荐逻辑只能应用在推荐系统中呢？

我想未必的，用户兴趣在业务逻辑中几乎可以渗透到工作的方方面面，简单来讲：无论什么业务，但凡接触客户，就给他最喜欢的东西，是不是一个最好的策略？

答案可能是未必，但是在大部分领域还是非常有价值的，笔者在这一文章中跟大家分享一下两个常见的应用方向：

1）活动受欢迎程度、最佳人群/活动推荐：

我们根据经验设计了一个闪闪发光的活动，是否真的符合当下公司的客群？

近期公司想要回馈老客户，运营圈定了一批高价值客群，这些客户适合哪些类型的活动或者喜欢哪些类型的优惠券？

公司新增加一个合作方，谈了一批新的优惠券，想要了解一下这些新的优惠券适合哪些客户？

2）针对有异常的人群，投其所好的向他推送他喜欢的优惠券：

近期公司的目标是促活和转化，面对筛选出的异常客户（例如：活跃不转化、睡眠户、待流失），该给他什么样的优惠券才能激活他？

上面这些问题该怎么解决呢？

千万人有千万思路，本文从算法角度，探索一下算法的解决思路，这一算法模型即为：用户兴趣模型——也叫营销响应模型。

因此，在解决问题之前，我们先来看一下兴趣模型构建过程：

在挖掘客户的兴趣时，我们借鉴了推荐系统的常用模型——DeepFM；这一模型因为能够有效的深度融合高维和低维的特征，在点击率预测和推荐排序方面应用极为广泛。

我们细想这一模型，点击率预测和推荐排序问题，本质上都是根据用户对商品的交互行为，混合用户/商品的基本属性，计算用户喜欢某商品的概率值，进而推断是否会点击。

这个模型构建过程中存在一个基本的假设：用户喜欢就大概率会点击；且不管这个假设是否一定成立，单看前半部分，模型预测出了用户是否喜欢某一商品，这一部分就足够我们应用了。

模型构建过程中，我们以活动数据为切入点，获取了用户的基本属性、活动的基本属性以及用户对活动的行为交互数据；融合这三种数据，将其喂入到DeepFM模型中，计算得到用户对活动的喜好程度——即兴趣度。

这中间存在一个很有意思的点，就是特征库简化了特征工程的难度。

正常逻辑下，算法工程师需要进行详细的特征筛选，罗列现有的特征，通过相关性或熵值等计算方式，判断哪些特征与目标值有相关性，进而筛选出强相关特征以及相关性权重。

这一过程往往消耗很长的时间，但特征库的出现简化了这一工作，特征库的工作原理我会在后面的文章中具体描述。

在这里，我们简单理解为将y值和x的关键经验值（有些设计会省略掉x关键值只输入y值，取决于特征库的设计完整度）放入到特征库中，特征库会返回给你与y值和x经验值强相关的其他特征以及对应的相关性权重，如下：

工程师只需要对这些特征进行简单的缺失值、离散化等业务相关处理，就可以直接将其喂入到模型中了。

有没有感觉很有意思？

科技的力量会逐渐替代掉人工，就像汽车替代马车、机器替代劳力一样。

聊回正题，DeepFM模型我在推荐算法的系列中做了描述。

本文由于是探讨算法在产品设计中的应用，算法方面，简单的贴出模型的样式，有兴趣的同学可以深入探索：

整个运算过程即为：

经过上面的探讨，我们得到了用户对某一活动的兴趣度对照表：