前言

广告系统在之前很长一段时间都是依赖用户主动行为进行查询透出以达到效果。

但随着用户和模式的成熟，主动模式几乎达到了业务瓶颈，这就需要采用更智能的方式，比如推荐，去引导和促进用户发生转化，提升效果。

那么，在发起一个推荐项目之前，应该怎么确认实施方向，预估项目收益呢。

可能这些工作，在大厂都是被PD来搞定的，但是如果你是一个项目负责人，也需要做到心里有数，要确保人员投入可以匹配业务产出。

推荐理论

平时总是听什么协同过滤、随机游走、神经网络、深度学习等玩的天花乱坠的算法，真的这么复杂么。

推荐的核心其实就是大数据下的概率问题。

比如生鲜电商，最简单的做个频繁项集挖掘，就可以发现很多人在买黄瓜的时候，就愿意搭个胡萝卜。不管这个现象是因为食谱还是地域饮食习惯，在购物车或者详情页添加推荐就可以缩短用户决策周期，提升转化。

再比如租房，大部分人除非有非常明确的小区诉求，大多数的决策路径都是随意浏览->主动搜索->收藏->聊天->电话->预约看房，用户行为基本是按照主动行为逐步增强，意图逐步明确的路径在进行。

知道了这个情况，我们就可以为用户划分大概的生命周期，进行针对性的推荐，提升用户体验，提高转化。

租房推荐用户分析

用户行为区间分布统计

在进行数据统计时，需要关注一些异常数据对分析结果的影响，通过对行为区间的分布统计，可以筛选出需要剔除的异常点，让分析结果更接近真实情况。可以看出，区间分布中，有一些区间占比非常小，但如果平均到数据中对结果影响很大，所以就可以把这些区间值当成异常点处理掉。

核心用户筛选

其实叫核心用户不太恰当，因为在其他场景，核心用户一般都是行为稳定，转化稳定的用户群。而租房的场景比较特殊，用户行为可能更倾向于用完即走。因此我们的真实诉求，是希望找到在平台真正的租到房子的用户群。

那么，这样的用户在数据上有什么特点？结合真实情况，用户可能只在需要租房这段时间来访问平台，而租到房后将不再频繁访问的可能性更大。

因此，我们选择在某天发生过转化，且之后的行为数据大幅减少的用户当做我们的核心目标用户。通过分析这批用户在自然时间轴上的行为数据规律，提取共性来划分用户生命周期，从而辅助精准的推荐。

如上图所示，是我根据上述规则过滤到的目标群体，即某天之后行为大幅减少。

生命周期划分

从自然规律上讲，用户的生命周期发生变化，一定伴随着行为的变化。且随着生命周期的后移和意图的逐步明确，用户的主动型行为将不断增强，比如关键词搜索、聊天、电话、收藏的次数等等。

因此，从图上我们标注连续性均线，并对跳跃性行为变化的时间进行切分基本可以得到，一个用户从启动到发生转化的时间轴变化和行为特征变化。

同时，业务专家的领域知识不可忽视。根据专家意见我们可以将行为分为普通(浏览|点击)、主动型(搜索|聊天|收藏)、转化型(电话|预约) 。根据实际效果对两种两种周期划分方式的匹配度进行调和即可。

其他分析点

除上述最主要的点外，还需要关注新用户和老用户的行为数据的差异；关注搜索词的意图变化；关注用户活跃天数是否连贯，是否需要摘取活跃天的数据进行串联等等。

效果预计

对近期每天的数据，按生命周期对应的特征区间进行统计，即可得到对应的周期的用户占比，然后根据推荐服务的转化比，即可大致估算出最终的效果提升。

结束语

当然上述都是些大思路的概述。希望可以让大家对这一过程有所了解，同时也对我们自己参与的项目的前期调研和预估目的有所把控~

做项目，其实不仅仅是写代码