圖片來源@視覺中國
文｜莊帥
接觸到「千人千面」是在09年底，當時剛從淘寶店主進入B2C領域成為職業經理人。在學習電商行業知識和實踐的過程中，發現亞馬遜的「千人千面」，覺得特別有意思。
2009年，經過5年發展的淘寶已擁有了百萬賣家和過億的SKU。
對於快速發展的淘寶我有一個非常大的困惑和疑慮：不斷增長的賣家和商品似乎永無止境，可是作為買家在沒有上限的賣家和商品中，如何更高效率地找到自己喜歡的和真正需要的？
畢竟越來越多的數據表明，搜索結果買家基本上在第三頁就很少再往後翻頁查看其它商品。
除了搜索，買家獲取商品的其它方式主要是：通過點擊「類目」進入；促銷和專題頁；廣告位。
這個困惑和疑慮我始終在思索，卻無法找到解決方案。
最終它卻成了淘寶的「搖錢數」，淘寶直通車和鑽展賺得盆滿缽滿。
縱是如此，仍然覺得這個矛盾遲早會出問題的。
大洋彼岸的美國亞馬遜的「千人千面」技術正好可以解決這個問題，這讓我興奮不已，開始進行學習和研究。
10年底被獵頭挖到北京之後，發現當時北京的當當、京東甚至亞馬遜中國還在跑馬圈地的初期，而且流量紅利和PC時代越來越大的螢幕空間也使得這個矛盾並沒有這麽突出。
我則投身到家居建材和百貨行業線上線下結合的實踐當中，偶爾遇到研究「千人千面」的技術人員，會進行一些簡單的交流。
中國傳統電商的 「千人千面」簡史
直到移動互聯網時代的到來，面對3寸的小小智能手機螢幕，縮小版的淘寶、天貓、京東、當當們都顯得異常擁擠、體驗極差，消費者紛紛逃離，有些開始回歸正在熱火朝天開店的線下購物中心和新業態的實體店。
而且隨著微信的用戶規模不斷快速增長，基於微信的電商SAAS開店工具和微信去中心化的結合，同樣繼續分流傳統中心化電商的商家和用戶。
12年，馬雲急得叫嚷著要通過「來往」的社交軟體把企鵝趕回南極。
劉強東則選擇在14年上市前讓騰訊成為第一大股東，獲得微信和QQ重要的流量入口。
馬雲不僅沒把企鵝趕到南極，「來往」和接班人陸兆禧在不到兩年時間沉寂，成為移動互聯網發展初期阿里成立以來最大的敗筆。
張勇接棒後，馬雲開始提出新零售和「五新戰略」，避開微信的正面戰場，轉戰線下。
淘寶新掌門，80後的蔣凡同台登場，「千人千面」計劃開始進入落地實施階段。並且尋求社交電商的突破，有了現在一直獨秀的淘寶直播。
同期，京東在獲取微信的流量過程中，發現原來的問題並沒有被解決，流量分配模型完全不同於PC大屏時代。
於是啟動「千人千面」計劃，試圖解決流量分配和轉化率問題，以期提升用戶體驗並讓用戶重回京東，保證一定程度的增長率。
到18年，中國真正做出「千人千面」擁有相應的成熟技術的只有淘寶和京東。
隨著拚多多在18年的成功上市和獨立app的發展，拚多多成為中國第三家擁有「千人千面」技術的電商公司。（騰訊和今日頭條同樣擁有「千人千面」技術，但是和電商的比起來，資訊類的要相對容易一些）
「千人千面」到底有多難？
「千人千面」技術也可以簡單理解為「推薦算法」，是一種基於用戶行為的大量樣本統計和協同過濾，對用戶需求進行預測的技術。
由於電商涉及「轉化率」，「推薦算法」需要對這個指標負責，所以實現的難度比資訊類的大得多。
從買家角度而言，這種技術會讓用戶真正高效地獲取需要的、感興趣的商品；從賣家角度而言，則可以擴展競爭維度，減少單一維度（排名）的競爭壓力，投入更少獲得更高銷售。
最重要的是，長尾商品通過「千人千面」真正能夠公平地展示在消費者面前並產生購買。
《長尾理論》是中心化電商發展的重要理論，經過近30年的發展，已經到了長尾理論2.0的階段。
我在《嚴選精品電商們崛起，長尾理論失效了嗎？》一文中對長尾理論2.0進行了較為深入的研究，得出的結論就是長尾理論仍然有效。（對長尾理論想更多了解的朋友，可以點擊文章標題閱讀或直接購買對應的專業書籍閱讀）
讓我們從簡單的場景來理解「千人千面」技術：
比如你用高德地圖導航到大潤發，買了大米、油和方便麵並用支付寶付款，下次你再打開淘寶，首頁就出現了盒馬菜市場和面條等商品的推薦；
比如你和女友在微博私信說想換新手機了，打開天貓就給你推薦了最新款的手機；
比如女友在微信發了個朋友圈說好喜歡新款LV包，然後第二天看到了LV在朋友圈的新款女包廣告。
諸如此類，都屬於「千人千面」的「推薦算法」根據個人的行為數據精準推薦相應的商品和信息。
或許這些場景讓人感覺個人隱私信息被洩露了。
其實像淘寶、京東、天貓這樣的電商平台和微信、微博這樣的社交工具和社交媒體本身不會竊取你的個人隱私的，但是你的行為數據讓平台知道你的需求，然後通過「算法」進行商品和信息的推薦。（關於這個部分可以點擊《「偷聽」的成本和影響消費者偏好的兩大作用力》的文章了解關於個人隱私和「推薦算法」的關係）
電商平台會采集更多個人行為數據，比如使用過的手機、上過的app、看過的新聞、計程車的頻率、發紅包的金額次數、欠銀行的貸款、地圖數據等等，這些都會構成一個人數以萬計的事實標簽。
標簽的采集和架構設計相對還是容易的，如何建立標簽模型並準確的預測用戶的需求則是最難的。
以下技術部分參考了CSDN的技術部落格及結合我個人的研究和理解，歡迎感興趣的朋友留言參與討論和交流。
我們拿淘寶首頁內容板塊為例，常規的行為推薦算法是類似這樣的公式：
內容訪問權重=行為權重*時間權重*衰減因子
行為權重：點擊一件商品或一篇文章，留言、點讚、加購物車等行為，都會計入行為權重，根據平台積累的大數據，計算出了不同類目不同產品下的各種操作行為權重分數，在用戶進行回復，點讚，收藏等行為時進行權重加分；
時間權重：停留時間越長，時間權重也會越高；
這也能解釋為什麽電商平台和內容平台適合做「千人千面」，因為都在追求停留時間，電商平台的停留時間長有利於提高轉化率，內容平台的停留時間長有利於廣告點擊。
衰減因子：用戶的單次行為不能作為用戶喜好的直接評定，隨著時間的推移權重也會慢慢衰減。
由這三個權重維度的綜合計算得到了我們的內容訪問權重，在我們多次訪問同類型內容時，每次都會獲得對應的內容訪問權重，平台對這些權重進行累加，然後利用神經網絡的閾值函數（Sigmoid函數）進行標準化。
然後可以得到一個閾值為（0,1）的結果，通常推薦算法標準化過程是對Sigmoid函數的變形公式，得出一個閾值位0-10的結果，也就是我們所說的質量分（淘寶直通車的質量分也是以這樣的方法計算來的）。
權重（或說質量分）越高，內容板塊推薦類似內容的比例和頻率就會越高，這就是行為推薦算法（你的行為影響了你）。
目前已知世界上所有推薦算法的處理過程都是類似如此的，沒有太大差異。
另外需要簡單說明的是拚多多的拚團模型在進行「千人千面」的實施過程中，人的社交關係將成為新的數據源，這個部分可以讓推薦比淘寶、京東、天貓更精準。（詳見深度分析文章《拚多多的底層價值邏輯》）
香港九龍灣馬來街興發大廈15樓D室