最主要的方法是运用数据驱动,在了解用户品味的情况下,围绕着这些喜好特性去定制他们的在线体验。这并不是说,你需要通过人工这种高成本的方法才能做到个性化定制,事实上,机器就可以做到。机器学习耗时少,还便宜,基于算法的个性化定制照样能够发挥很大的作用。(三节课注:结合商品基础信息进行分类,为相似或相关联或拥有共同属性的商品打上标签,然后再基于用户过去的浏览购买行为为用户推荐可能感兴趣的或相关的商品。)
比如,为你找到新的音乐。五月份的时候,Techcrunch提到说:Apple Music、Todal和最近的Spotify在音乐推荐方面的尝试都失败了,因为他们都囿于传统博客时代的显示格式。不过Spotify通过在推荐的其它专辑旁边增加了一个“播放排行周榜”的功能,系统每周一会更新30首它认为你可能会喜欢的歌曲,轻松地解决了音乐推荐方面的难题。
Spotify的“播放排名周榜”每周为用户提供一个新鲜歌曲的混合列表
我们的创业项目Arema.co在了解用户喜欢的咖啡类型时也使用了这个方法,这个方法能够为用户推荐其它相似的咖啡。
Crema.co 了解你喜欢的咖啡,并为你提供个性化推荐
然而,并不是所有技术驱动的个性化定制都是有用的。拿亚马逊为例,他们的推荐机制已经运行很久了,但是他们“购买此商品的顾客也同时购买”的功能并没有给用户带来惊喜,它推荐的都是一些表面上看起来有一丢丢相关的产品。其它产品方面的尝试也都差强人意,比如Itunes的“相关选项”通常是空的。