推荐引擎是大数据彩虹尽头的数字版金罐。想象一下，能够在近期了解您的客户真正想要什么以及何时需要。对于订阅服务，金子更亮：您可以将客户的需求直接传递给他们，从而显着减少客户流失。 推荐引擎是大数据彩虹尽头的数字版金罐。想象一下，能够在近期了解您的客户真正想要什么以及何时需要。对于订阅服务，金子更亮：您可以将客户的需求直接传递给他们，从而显着减少客户流失。 但这是假设您设法创建了一个实际可用的推荐引擎。作为消费者，我们都有这样的经历：看到网站为我们提供的产品和服务“个性化推荐”与我们真正想要、需要或可能被说服去尝试的东西毫无关系。 推荐成功的关键 更多阅读 云端GPS挖掘 基于云的 GPS 跟踪彻底改变了挖掘项目 CASB 帮助基于云的企业避免数据泄露 数据货币化正在改变信息技术就业市场的 7 种方式 人工智能正在永远改变汽车行业 中小企业使用人工智能驱动的财务软件来提高效率 推荐引擎听起来应该很容易构建——您只需根据客户过去的喜好过滤可用的产品。

问题是您的客户今天

喜欢的东西明天可能对他们不感兴趣。 好的推荐引擎会权衡全局和突然的兴趣——你的客户真的想了解小狗训练或听密西西比蓝调，或者他们对某个主题或流派的兴趣是一时兴起，还是对一个现已完成的项目的研究？您是想向客户推销更多相同的东西，还是他们更愿意探索他们主要兴趣的不同但 关的方面？ 需要做出的决定很多，但有一点是肯定的：您拥有的数据越多，您就可以更好地细分客户以比较他们的好恶，并为他们 数据库 真正想要消费的内容提供有效、有趣的推荐。 基本积木 如果企业拥有庞大的订户用户群和大量内容，那么推荐引擎显然会发挥最佳作用。假设您同时拥有这两种方法，那么您的第一个重大决定是您是希望使用协作过滤方法还是以内容为中心的方法。 协同过滤算法利用用户评分和其他用户行为对同一细分中的其他用户可能喜欢的内容做出预测性推荐。推荐引擎不知道它在推荐什么——电影是否真的很有趣，或者音乐是否朗朗上口——而是依靠数百万比特的数据来提出建议。

数据越多推荐越好

客户对建议的适用性进行评分的次数越多，引擎就会变得越智能。这可能是最有效的方法，但不适合缺乏数据支持的全新业务。 基于内容的方法需要对订阅服务提供的内容进行出色的标记技能，这些内容将根据用户数据（如评级、行为和他们的特定兴趣）进行分析。要实时提供推荐内容，您几乎肯定 Bj线索 需要将大量预算用于算法开发，因为您不太可能获得任何适合作为商品的东西。个性化推荐服务需要……个性化。 与您的客户建立个人关系 在决定您的引擎是由内容还是协作方法驱动后，您需要挖掘客户资料和使用信息，以根据您已知的特定用户群喜欢/重视的内容开发基于角色的细分。例如，新闻订阅服务可能有一部分订阅者对政治新闻非常感兴趣，而另一组则完全关注金融市场。对于某些用户，您可能想要推送突发新闻，而其他用户可能喜欢他们可以在长途通勤中悠闲地阅读的长篇内容。 当您的细分市场就位后，您可以重新调整数据的用途，以开发适合每个群体的诱人产品，以奖励最佳客户并吸引新客户。