智能推薦系統：怎樣不招人厭

在維基百科上，推薦引擎（以及推薦平臺和推薦系統）被定義為“信息過濾系統的一種，旨在預測用戶針對某一事物的‘評級’或‘偏好’”。然而，作為一種工具、技術和數字平臺，推薦引擎遠比這一句話的簡單定義更有趣、更重要。

在數據驅動的市場上，最有效的競爭者提供最有效的可靠建議。而當預測分析被重新包裝成為推薦意見后，它們就改變了人們對選擇的判斷、體驗和采納。最強大的商業引擎就是推薦引擎。

阿里巴巴、亞馬遜（Amazon）、奈飛（Netflix）、Spotify等數據平臺企業的創始人、CEO認為，他們的企業之所以成功，推薦引擎功不可沒。數據平臺企業的推薦引擎不僅是營銷工具，更重要的是，它們幫助企業加深市場洞見，推動服務與產品的創新，增強與客戶的互動聯系。絕好的推薦意見對于建立客戶忠誠度、促進業務增長有顯著作用。客戶生命周期價值也因此得以放大。通過計算來促進推薦，將重塑人類行為，并且使企業從中獲利。

推薦引擎的作用和影響并不局限于客戶群體或消費行為。推薦引擎已經在一些大型企業得到應用。經過調整后，它們成為推動員工追求最佳決策選項的內部生產效率平臺，在這方面最典型的例子是谷歌（Google）。2016年底，谷歌負責人力運營的高級副總裁拉斯洛·博克（LaszloBock）離職創業。他發起成立了一家名為Humu的推薦引擎企業，專為客戶提供員工行為變化方面的咨詢服務。

如今數據仍然是咨詢服務的基本原材料，但在全球性的推薦功能變革中，算法正在發生深刻的變化，這使得機器學習與人工智能能夠不斷改進深度學習與生成性對抗網絡。成功的推薦引擎能夠自我掌握學習能力。人們用得多，它們就會變得更加智能。只要使用得當，推薦引擎可以推動價值創造的良性循環。

在網絡環境下，推薦引擎對用戶的種種推動和提示對客戶選擇的影響越來越大，涉及衣著、娛樂、飲食、醫療等生活的方方面面。此外，我們發送的文本，聯絡的朋友，優先考慮的現有客戶和潛在客戶，需要咨詢的專家，錄用的應聘者，選擇的投資項目，等待編輯的備忘錄，以及做好的時間安排，如此等等，莫不受推薦引擎的影響。

但是人們不能只是看見提示和推動，而忽略了一些內在關鍵設計原則，這些原則促使推薦引擎的價值循環不斷趨于優化。推薦只是確保用戶有更好的選擇，并非要求后者服從遵守。推薦引擎本意并不是要將所謂的最優、最佳或正確的答案強加于用戶。它們的目的和意義恰恰是要讓用戶擁有更強大的能力和支配權。算法追求的是影響力而非控制權。就這方面來說，推薦引擎設計是否成功，更多是看推薦者是如何去影響用戶，而不是看它們對信息掌握了多少。

推薦引擎改變了人類選擇。如同蒸汽機能量十足地開啟了工業革命，推薦引擎重新定義了算法時代的洞見和影響力。在需要有所選擇的地方，推薦就大行其道。隨著推薦系統智能程度的與日俱增，這一事關人類選擇的重大數字化變革將變得越來越普遍。更好的推薦系統通常意味著更好的選擇。

幫助客戶做更好的選擇

推薦引擎影響不斷擴大的明證主要在購物、商貿與消費領域。“電商網站以及其他索引服務供應商，比如阿里巴巴、eBay、谷歌、百度、YouTube等，之所以能夠取得成功，推薦系統是關鍵因素。”這一觀點來自一篇關于下一代推薦引擎的學術論文，作者是中國最大電商網站之一——京東——的數據科學家。

其中一個原因是，相比從前，更多的人在更廣的領域，擁有更豐富的機遇與更多元化的選擇。這方面的例子比比皆是：亞馬遜優選視頻節目有超過2萬部電影和影像資料；每分鐘有時長500多小時的視頻資料上傳到YouTube；每天在Instagram上曬出的照片有5，000多萬張。如此龐大的資源，且日日增加，勢必會縮短人們深思熟慮后再做決策的窗口期。所以為了做出更優選擇，人們會越來越主動接受智能機器提供的推薦意見。

Spotify是全球最大的獨立音樂在線播放平臺，擁有超2億用戶和5，000萬首歌曲。來自瑞典的公司創始人利用創新手段，成功地將歌曲發現、推薦以及個性化打造成為公司業務增長及用戶體驗戰略的基石，在此基礎上實現了公司目前如此龐大的規模。

“每周新發現”（DiscoverWeekly）是Spotifiy的首要推薦系統，通過這一系統人們可以直擊關鍵之處，看清楚人們追逐新奇特的路徑是如何因為推薦算法的深入思考和組合而發生深刻變化的。每周一，Spotify的用戶會收到一組30首為他們特別定制的搭配曲目，這30首歌客戶也許從未聽過，但大概率能贏得他們的喜歡。“每周新發現”于2015年悄然啟用，當時Spotify的用戶約7，500萬人。研發這一推薦系統的是一個臨時組建的團隊，背后并沒有公司正式的支持和批準。

Spotify的秘密武器是尋找相似之處。為了預測怎樣的歌曲組合能夠給客戶帶來意外驚喜，公司用專門的算法程序來對應分析歌曲的特點、品類特征與內容元素。這一整套算法中包含協同過濾算法、自然語言處理軟件、異常檢測功能、深度學習/卷積神經網絡，以及最為明顯的，用戶對上周“新發現”歌單的反應如何，推薦歌曲聽了多少。通過抓取用戶行為日志、播放曲目以及來自全網絡的音樂新聞與評論，還有一些原始音頻文件（其中就包括利用聲譜圖來測定節奏、音高、響度等音頻特征），算法軟件能夠仔細觀察用戶行為，找到存在于歌曲與藝人之間的關鍵共同點。在此基礎上，系統就可以把用戶之前聽過的音樂篩選出來，并整理出上述推薦曲目發給用戶。

2015年初“每周新發現”開始測試，那個臨時組建的研發小組悄悄地把應用原型推送給公司所有員工的Spotify賬戶。“結果每個人都驚訝極了，”這款應用的聯合創建者愛德華·紐瓦特（EdwardNewett）回憶道，“他們覺得是自己秘密的音樂孿生兄弟制作了這套曲目。”

接下來，“每周新發現”被推給了1%的用戶，結果又一次讓用戶興奮不已。于是到了2015年年中，這款新應用被推向Spotify全球用戶，旋即大受歡迎，在全面問世后的10周時間里，用戶在線收聽推薦曲目達到了10億次。

以Spotify為代表的公司認為，如果它們能夠幫助客戶做出更好選擇（換言之就是讓自己變得更加智能化），它們就可以提升客戶的忠誠度與企業的獲利能力。剛才舉的這個例子表明這一策略是正確的。在2019年面向電商賣家所做的調查表明，個性化推薦產品已經占了全球電商銷售收入的近31%。Salesforce公司在一項研究中發現，線上消費者在點擊了產品推薦后，加入購物車并完成交易的可能性會提高4.5倍。這可不是小數目了。

奈飛注意到它的用戶在線觀看的節目有75%是來自他們接收到的個性化推薦。（平臺還可以使用數據來推薦新的節目和原創內容）從獨立研究可以明確看出，亞馬遜差不多有三分之一的營業收入直接或間接來自推薦營銷。阿里巴巴聲稱它的推薦營銷效果更為明顯。這家中國最大的電商平臺對外披露，在2015年第1季度到2016年第1季度的一年時間里，公司的機器學習將推薦成效（對商品交易總額的影響）提高了3倍，2016年阿里巴巴商品交易總額（GMV）超過了5，000億美元。

很明顯，這里隱藏了一個無法避免的利益沖突。在系統計算推薦意見時，出發點究竟是公司的最佳利益，還是客戶的最佳利益？誰能從中受益？管理彼此沖突的利益訴求，更多時候體現了企業價值觀，而不是技術手段。讓用戶擁有權力，有別于以算法來壓榨消費者。

推薦系統只有在得到用戶信任時才享有最大的權力、影響力和價值。用戶只有在確信推薦者尊重他們的最佳利益時，才會接受后者為他們做出的新奇的、出乎意料的、未經證實的推薦。但用戶這樣做的同時，就將自己放在了一個弱勢位置。

這一弱點容易導致用戶受人操控和被剝削等真正風險。曾經負責領英（LinkedIn）推薦系統的丹·通克朗（DanTunkelang）曾說：“推薦系統自從具備了能力，可以影響人們決策那一刻起，它們就成了垃圾郵件制造者、網絡騙子或那些動機不良、想要影響他人決策的人的覬覦目標。”

操控推薦引擎在技術上比較容易做到。讓推薦軟件帶上一定傾向性并非難事，無論是選擇品牌、電影、餐廳、人選或歌曲，軟件稍加調整就能做到厚此薄彼。簡單說來，讓軟件偏心偏意，不過是程序里的一句話而已。大數據企業為了利益而欺騙用戶，這在技術上易如反掌。但在實踐中，這么做值得嗎？投資客戶生命周期價值真的就抵不過一樁樁買賣交易嗎？

此前亞馬遜公司的杰夫·貝索斯（JeffBezos）直截了當地否決了這種撈偏門的想法，他的理由是這樣做會歪曲基于信任的推薦系統。亞馬遜上的一個賣家曾經對網站將顧客的負面評價置于顯著位置的做法表示不滿，貝索斯了解到了這一點，有一次他舉到這個例子。“有位賣家給我寫信，抱怨道：‘你不懂自己企業的生意。你把商品賣出去，錢掙到手。你為什么允許把負面的顧客評價貼出來。’我讀到這封信，當時就想，我們并不是從賣產品中掙錢，我們掙到錢是因為我們幫助客戶做出了購買決定。”

無論人們對于推薦意見是接受還是忽略，他們的個人特點都在其中得到了很大程度的顯現。個性化定制要更進一步，需要更多的個人數據和信息，這是默認事實，也是數據企業想方設法需要達到的目標。一些表面上毫無關聯的數據集合可以通過算法實現整合，從中揭示出的個人內在需求往往準確到讓人驚訝。全世界的研究人員和創新發明家都不諱言，說要開發出比你本人更懂你的推薦系統，這正常得很，沒必要大驚小怪。

這種對創新的渴望讓安全與保密變得更加重要。就如同在接受醫療服務時，患者的同意需建立在知情的基礎上，而現在網絡推薦系統變得越來越強大、滲透面越來越廣、預言愈加準確，用戶知情就變得更加重要。

幫助員工做更好的選擇

推薦系統能夠提升個人和企業的生產率。比方說，如今各國從事市場推廣和銷售的專業人員都在使用推薦系統來策劃活動、聚焦客戶。IBM和Salesforce等知名企業的領導人不僅使用推薦系統，還為其他用戶提供此類系統服務。這兩家企業在推廣工作場所分析方面是引領潮流的代表。

SalesPredict是一家成立于2012年的以色列企業，4年之后eBay將其收購。它開發出的分析軟件專注于為銷售團隊推薦有優秀潛質的領導者和工作候選人。公司團隊很快發現，盡管大多數銷售人員不希望做指定好的任務，但他們愿意接受有數據基礎的建議。SalesPredict公司的合作創始人、CEO亞龍·扎卡伊-奧爾（YaronZakai-Or）指出：“‘推薦’一詞對于某些企業界人士而言顯得有些不自然，我們也不希望給人留下印象，認為我們和亞馬遜有關聯，但這的確是我們發展的方向。”

那么如何將工作場所分析數據打包和呈現，從而最大程度提高工作效率呢？電子數據表格、儀表盤、動態效果可視化只是看起來方便。有時候系統能夠建議用什么表達方式更有說服力：試著比較一下“你該做這個了”和“經理希望你考慮一下這幾項下一階段的工作步驟”。有些工作場所的分析工具會明確給出最好、最優化或標準化的答案，有些則讓推薦系統給人們授權：不是用數字化的方式下命令，而是給出建議。

StitchFix是一家成立于2011年，面向女性客戶的在線訂閱及個性化服飾服務平臺。公司通過將數據科學與時尚意識相結合，并加以擴大應用，從而使營業額增長到10億美元量級。2016年公司銷售服裝價值7.3億美元，2017年上升到9.77億美元，而到了2018年，公司銷售額已經突破了12.5億美元。StitchFix計劃下一步將品牌擴大到男裝與家庭裝。

StitchFix將數據分析、咨詢建議以及促動消費結合在一起，搭建了一個選擇系統，從中收獲了客戶忠誠度，也引來了競爭對手的效仿。公司毫不諱言自己以數據推動的業務模式。公司創始人及CEO卡特麗娜·萊克（KatrinaLake）表示：“數據科學直接將分析結果匯報給我。如果沒有數據科學，StitchFix也就不存在了。就這么簡單。”

StitchFix對數據的專注投入使得其價值鏈的每個環節都有數據支持。公司的產品信息庫包含差不多1，000多種品牌（StitchFix自有品牌也在其中），從中一項算法可以為每個客戶生成一張專門的推薦清單。公司還雇傭了3，500多人的時尚顧問，他們會應客戶要求，一對一地對推薦清單進行回顧審核。

時尚顧問是不可或缺的。公司首席算法負責人埃里克·科爾森（EricColson）舉了個例子：“好比豹紋裙，機器是很刻板的，它們可以識別美洲豹紋和獵豹紋之間的不同，但它們缺乏社會常識，不知道喜歡美洲豹紋風格的很有可能也會喜歡獵豹紋。”

時尚顧問通常會定期與客戶聯系（從每月一次，兩個月一次到一季度一次不等），他們會選出5件商品（被稱作“一套解決方案”），同時附上一封短信，介紹如何穿戴和搭配效果最佳。StitchFix堅持的觀點是“有數據加持”的時尚顧問給挑選裝束的過程增添了必不可少的人情味。每套解決方案，StitchFix收取的費用是20美元。

科爾森指出，StitchFix將推薦工作分成兩步完成，這實際是借助了諾貝爾獎得主丹尼爾·卡內曼（DanielKahneman）在《思考：快與慢》（Thinking，FastandSlow）一書中所闡述的行為經濟學與選擇框架理論觀點。“機器進行計算和概率分析，人來完成直覺挑選的工作。”

萊克強調：“優秀的人加優秀的算法遠優于最佳的個人或最佳的算法，我們并不是將人與數據看作彼此對立的二元世界，我們需要兩者合作。我們不準備通過訓練，讓機器的行為舉止像人一樣。我們當然也不會把人訓練成機器一樣。我們得承認，所有人都可能犯錯，時尚顧問也罷，數據科學家也好，我本人也不例外。我們都有犯錯誤的時候，甚至算法也無法保證一直正確。重要的是，我們要從中汲取知識經驗。”

在最好的情況下，成功的推薦系統能夠釋放出一大批影響深遠的高效率機遇，比如說：

●某位高管認識到自己的書面溝通不夠清晰，缺乏能量和力度，那么他可以將自己的信函或文書分享給IBM的沃森語氣分析器之類的軟件。后者能夠提出修改意見，讓文章變得更加有力，重點更加突出。

●某位全球項目經理希望促進更好的團隊協作與團隊精神。她的推薦系統能夠幫助完成團隊成員社交網絡分析，將項目節點進行優先排序，檢查會后交流并提出每日任務清單。

●某位技術扎實但缺乏靈感的用戶界面設計師希望自己變得大膽而富有創意，并且給其他人也留下這樣的印象。他的視覺推薦系統可以根據那些極具創意和特別大膽的用戶體驗設計的不同維度，給他提供原型圖及線框圖建議。

在以上應用場景中，其實并不存在所謂正確答案或規范的解決方案，但原本沒有其他選擇的雇員通過推薦系統可以得到清晰、具有說服力、專為他們定制的方案。

從技術層面來看，當可視圖表和個人關鍵指標儀表盤能夠察覺到員工生理變化，變得接受不了建議，無法對推薦意見做出回應，或者開始敷衍搪塞老板時，那這一天的工作也差不多該叫停了。如果要進一步提升員工個人效能和工作表現，這些更細膩的個人數據和相關分析就變得必不可少。在此基礎上，推薦系統可以在合適時候做出更好的提示、促動和推薦。

隨著機器學習、人工智能、感應技術、增強現實技術、神經技術以及其他數字媒體領域的創新不斷推進，推薦系統的覆蓋面越來越廣，它們的能力和重要性也越來越突出。推薦系統的未來不僅將更加個性化，與工作生活結合得更緊，知道得更多，而且變化之大注定（由不得不信）讓人驚訝。一個戰略與技術的結合體如果能夠通過學習持續可靠地帶來意外驚喜，那它一定擁有長期發展前景。

無論怎樣，這一未來前景都意味著巨大的機遇和威脅。套用一下溫斯頓·丘吉爾（WinstonChurchill）的名言，推薦引擎創新還遠未進入終局的開始階段，但可以說已經走到了開局的收尾階段。