關於推薦，你想清楚了嗎？
最近在與客戶討論新服務的過程中，客戶提到希望平台上能有內容推薦的機制，「我們希望可以根據使用者的喜好，推薦給他相關的內容」。推薦的美意並無疑問，值得思考的是，我們想要推薦的是什麼？原本的服務無法達成嗎？希望這個推薦可以創造什麼效益？我們要依據什麽進行推薦？以及這個推薦服務可以用什麽樣的方式進行？
一、創造驚喜，以用戶為中心
市場上推薦服務的應用越來越多，舉凡網路購物、娛樂服務、甚至人力銀行等等配對引擎，充斥著整個互聯網。
而所有推薦服務目的，無不希望能拉近與使用者的距離。但什樣的推薦服務，可以船過水無痕，讓人感受不到推銷，反而有 “你好懂我” 的體驗？
簡單講講目前市場上已經融入大家生活之中的幾個品牌：
- Netflix – 好片推薦，讓你看完一部接一部
透過具備人工智慧能夠自我學習的電腦程式，精準猜測會員喜好，推薦相關影片，讓會員可以一片接一片，越看越看多。
Netflix 透過演算法分析大量的數據資料，再決定哪些推薦適合會員收看專為會員提供的個人化推薦是 Netflix 服務體驗的核心功能，而這項功能讓會員能快速輕鬆地找到精彩好片。
圖1. Netflix 精準的猜測會員可能也有興趣的影片
- KKBOX – 當需求模糊時，更需要夠了解你的推薦機制
KKBOX 的個人化音樂推薦系統的演算法，採用最新深度學習技術，透過「消費者是否點下推薦音樂」、「有沒有聽完推薦音樂」，和「聽推薦音樂的數量是否增加」這三點來判斷，讓用戶可以更容易接觸到自己感興趣的歌曲、歌手、專輯或曲風。並期望能經由推薦機制，讓消費者因為聽到喜歡卻從來沒注意過的歌曲而感到驚喜！
圖2. KKBOX 推薦用戶各種豐富清單和歌曲，贏得許多用戶喜愛
- Amazon – 商品與銷售庫存推薦，不只服務買家、也服務賣家
Amazon 除了根據買家的購物記錄、瀏覽網頁記錄、類似購物行為的消費者…等等提供個性化的推薦外，也會提供賣家銷售庫存的建議，例如：目前有多少競爭者也正販售相似產品，且依據消費者對產品的期待或需求，及時增加庫存量，以增加出貨的流暢度。因此，對於買家可以滿足購物需求，對於賣家更可以減低銷售成本，實為互惠雙贏的服務。
圖3. Amazon 提供多元推薦類型，在電子商務市場成功打下一片天
- The North Face – 虛擬店員為你介紹最適合的單品
不同於實體店，線上購物網站沒有店員可以主動讓消費者諮詢，從了解其需求，進而提供推薦的商品。因此，The North Face 規劃在進入網站後，顧客可以和虛擬店員以文字對話的方式，獲得推薦的商品。首先，虛擬店員會以親切口吻詢問顧客此次拜訪的目的是什麼，並經由詢問月份／旅行地／計畫攀爬的山峰／樣式……等條件後，給予最精準的商品推薦。
影片1. The North Face 和 IBM 人工智慧技術合作，推出全新推薦機制計畫
二、推薦系統仰賴大數據與智能演算
推薦系統之所以能夠對使用者進行推薦，即是奠基於大量的使用數據，以及挖掘出使用者的隱性喜好的能力。它和機器學習（Machine Learning），商業智慧（Business Intelligence），以及資料探勘（Data Mining）…等等，都有高度的相關。
想要達成精準、值得信賴的推薦服務，除了技術上的演進與開發，更需要時間累積用戶，後續的分析探勘也是必要的支出成本。
例如：Netflix早期可是耗時三年開發、花費百萬美金，才有了現在的推薦系統。Amazon 利用20億用戶的大數據，透過預測分析140萬台伺服器上、10億GB的數據促進銷售量的成長，並盡可能地追蹤消費者在網站以及App上的一切行為。KKbox也是歷經三年，才推出了全新的個人化音樂推薦機制。
三、最重要的小事，回歸初心
對於使用者而言，如果每次使用平台的服務，接收到的都是感興趣的、驚喜的、有收穫的、覺得窩心的，那這樣的使用者對品牌的忠誠度自然會越來越高，縱使市場上相類似產品充斥，用戶仍然會留下，因為他知道是誰最了解他，能夠每一次都真正精準的提供所有對用戶有用的訊息！
記住，不要只是提供品牌想說的話，更要創造用戶需要的內容！
因此，在進行推薦服務之前，更應該回歸品牌的初心，在這個基礎上，什麽樣的服務模式與內容可以真正利益到我們的目標用戶？
所謂過程皆手段，最後品牌與用戶共同產生的價值才是真正服務的目的。
延伸閱讀：
