打造工业级推荐系统（四）：推荐系统怎么更好的帮助公司挣钱？

所谓推荐系统的商业价值，通俗来说就是推荐系统怎么更好的帮助公司挣钱。那么，该从哪些维度来理解推荐系统的商业价值？如何量化？怎么提升？以及，在挖掘推荐系统商业价值的过程中，有哪些需要特别注意的点？

这不是哲学的三连问，却是任何从事推荐算法开发的工程师、推荐产品经理、推荐团队负责人，甚至是公司老板必须要思考的问题。

本文将会围绕这些问题展开，希望可以给你一些启发。也希望你读完后，能对这些问题有初步的了解。如果能结合进自己公司的具体业务，相信你会有进一步的思考和理解。

1. 为什么要关注推荐系统的商业价值？

盈利是公司运营最重要的目的，也是公司老板最关注的问题。企业上任何一项业务如果不能直接或者间接与商业价值挂钩, 对公司产生价值, 就毫无价值, 甚至是资源浪费。

某种程度上说, 任何业务与商业变现的关联越紧密越明显，就越能体现出它的价值。推荐系统也不例外，你能够多好的将推荐系统与商业变现结合起来并产生商业价值，就能够多好的体现个人的价值，并得到领导的认可和重视。

从推荐算法工程师特别是推荐系统负责人的角度来说,你要尽早的量化推荐系统的商业价值, 为公司的商业变现提供支撑，只有挖掘出了推荐系统的商业价值, 才能更好的发挥团队的价值, 同时，团队也会更有成就感。

只有推荐系统真正产生商业价值你才可能得到老板的认可, 才会获取更多的资源让推荐系统持续发展壮大。

通过推荐系统获取商业价值的案例是大家耳熟能详的，像亚马逊、Netflix 都通过推荐系统产生了极大的商业利润，推荐系统每年为 Netflix 产生的商业价值就超过 10 亿美元。

既然推荐系统的商业价值这么重要, 那主要体现在哪些方面呢？我们可以从互联网公司商业变现的维度来分析, 从这些维度中分析推荐系统到底可以为商业变现起到怎样的助推作用。

2. 从哪些维度衡量推荐系统商业价值？

在说推荐价值维度之前, 我们先聊聊互联网产品可能的盈利模式。

目前互联网产品主要有四种盈利模式：游戏(游戏开发、游戏代理等)、广告、电商、增值服务(如会员)。其中，后面三种盈利模式都可以利用推荐技术，加速变现的进程，产生更多的收益。

如下图所示，我们可以将互联网公司通过打造产品为用户提供服务的过程，与后面三种变现方式联系起来，其中平台方的产品是核心，分别连接用户、“标的物”提供方和广告主(或者广告平台), 这 3 条连线代表后三种主流盈利模式。

图 1：可以跟推荐系统结合起来的 3 种盈利模式

这三种变现方式都离不开大量活跃的忠实用户, 我们在讲推荐系统怎么帮助公司更好的在这三种变现模式上提升变现能力的同时, 也会强调推荐系统在促进用户活跃留存上的价值，虽然这不能直接产生商业价值, 但是用户始终是一切商业价值的保障和核心收入来源。同时, 推荐系统可以让“标的物”得到更高效率的分发，提升整个平台的运营效率，有效节省公司资源，这也会产生隐形的商业价值。

下面我们分别按照广告变现、电商变现、增值业务变现、用户发展、成本节省与效率提升 5 个维度来说明推荐系统怎样产生或者促进提升商业价值。

图 2：推荐系统的商业价值体现维度

1.广告变现

所谓广告变现，即在产品上投放互联网广告，通过将广告曝光给用户，或者用户点击广告获取收益，挣的是第三方(即广告主)的钱(如果不是自建广告平台，将流量外包给广告联盟，获取的收益就是广告联盟的分成)，即所谓的羊毛出在猪身上。当然，广告有很多种方式，有展示广告、品牌广告、效果广告、信息流广告等。

一般公司在发展到一定用户规模后会通过将流量给到广告联盟或者自建广告平台来承接广告变现能力。创业公司或者希望将广告业务做轻的公司一般采用流量外包的方式来做广告变现，有一定规模的或者广告业务是核心业务的公司会采用自建广告平台的方式来做广告变现。广告精准投放本身就是一个复杂的技术工程问题，实现的算法技术也跟推荐系统具有很多相似性，同时也会依赖用户画像等大数据基础能力，这里作者不细说广告精准投放相关技术，只从推荐系统角度来说说推荐怎么为广告变现带来商业价值。

像视频行业，推荐系统推荐出去的视频是可能包含前贴片广告、暂停广告的，可以说这些广告是通过推荐业务带来了曝光，可以量化出通过推荐算法带来的每日广告 cpm，同时可以计算由推荐产生的广告的转化率、每次播放平均广告曝光时长等与整个大盘(大盘即整体，产品所有视频播放产生的贴片和暂停广告，后面还会涉及到很多关于大盘的地方，理解类似，可以类比为股票的大盘)的对比。因为推荐的视频一般比大盘更精准，用户点击的概率会更大，从而可以带来比大盘更好的转化效果，通过量化这些指标，可以体现推荐系统在广告曝光上产生的商业价值。

随着今日头条的崛起，信息流这个词越来越火，利用信息流技术来做推荐基本被所有的新闻资讯类 APP、短视频类 APP 所采用，并且是作为主要的内容分发技术。现在连手机百度 APP 都信息流化了，微信“朋友圈”、“看一看”也是一种信息流。随着信息流技术的成熟及在提升内容分发和提升用户使用时长等方面的价值, 企业商业变现的诉求催生了信息流广告技术(见下面图 3)。信息流广告可以完美地跟近实时个性化推荐结合起来，通过借助个性化推荐的巨大流量及精准兴趣匹配，让广告产生最大化的商业价值。

总的来说，不管是视频的贴片广告还是新闻短视频的信息流广告，推荐系统的商业价值主要体现在：

a. 提升广告的曝光与转化。

图 3：今日头条、微信朋友圈中的信息流广告

2.电商变现

这里说的电商中的商品，是指广义的物品，除了实物商品外还包括虚拟物品(如网络小说、网络课程等)。平台方(如天猫)的电商变现，是通过入驻的商家挣钱(商家商品售卖按照其销售额(不包含运费)的一定百分比(简称“费率”)交纳的技术服务费(分成)；为商家提供软件服务，如数据分析，库存管理、行业趋势分析等的服务费)。

推荐系统通过高效的分发商品，将商品推荐到对它有购买意愿的用户眼前，促进商品的售卖，从而从商家获取更多的分成。

另外，像淘宝、快手这类公司，类似房产中介，提供一个平台，对接用户和“标的物”提供方，为了让这个平台可以稳定，健康的发展，必须要考虑满足“标的物”提供方的诉求。只有“标的物”提供方能够在这个平台上挣到钱，才会有更多的“标的物”提供方入驻该平台，生产更多优质的“标的物”。有了这些“标的物”，才能留得住用户，这样整个系统才是一个稳定的生态系统，平台方的生意才能持久、欣欣向荣。

推荐系统需要维护好“标的物”提供方的利益，因此需要从机制和算法上至少做到下面四点：

1. 为新的“标的物”提供方提供挣钱的机会;

2. 让“创造”优质“标的物”的提供方得到更多的曝光，挣到更多的钱;

3. 为新的“标的物”提供曝光的机会；

4. 为优质“标的物”提供更多曝光的机会；

总结下来，推荐系统需要优化提升如下两个关键指标：

b. 促进“标的物”提供方(即商家)生态繁荣；

c. 促进“标的物”售卖，获取更多经济收益；

3.增值服务变现

所谓增值服务，主要是指“特色服务”, 在保证基本服务的同时, 进行超出常规的，个性化的服务。比如视频行业的会员、游戏行业的装备、QQ 空间的黄钻等等都属于增值服务范畴。我们这里拿视频行业中“推荐如何促进会员购买”来说明推荐在增值服务变现上的商业价值，其他行业的增值服务可以根据类似思路结合具体业务场景具体分析。

推荐系统通过精准地为非会员用户推荐他(她)感兴趣的会员节目, 提升会员节目在非会员用户的曝光, 从而促进非会员用户购买会员。个性化推荐能够更好的挖掘用户深层的兴趣需求, 准确触达用户的兴趣点, 从而带来更精准的会员节目推荐。

另外，个性化推荐也可以让更多的冷门但优质的会员节目得到曝光的机会。推荐体验越好，用户就更容易在这个平台上找到想看的内容，自然粘性就更高，也更容易持续付费。

所以，推荐系统在视频行业增值服务上的价值主要体现在：

d. 提升会员的转化与会员留存；

4.用户增长

不管是上面提到的互联网公司主要的四种盈利模式中的哪一种，想盈利都离不开用户。只有具备大量的用户，用户持续使用产品，在产品上停留更长的时间, 平台方才有机会获得更多的利润。

所以推荐系统需要更好的服务用户，提升用户留存、活跃，占领用户的时间才能帮助平台方让用户沉淀下来。有了大量的用户才有盈利的基础，因为好的推荐系统，可以提升用户满意度，提升会员购买的续订率，占领用户更长的时间也才会让更多的广告得到曝光展示的机会。

所以，下面的用户增长也是推荐系统需要关注的隐形的商业化指标，虽然不能直接产生利润，但却是利润产生的根基。

e. 用户增长：提升用户留存、活跃、停留时长；

5.成本节省及效率提升

推荐系统对平台方的价值，除了上面提到的直接商业价值及促进用户增长带来的间接价值外，推荐系统可以提升内容的分发效率，用更少的人力成本在更短的时间让内容得到更大程度的分发，利用个性化推荐可以做到千人千面，甚至是近实时的个性化推荐，采用人工编排的方式是无法做到这一点的。

头条战胜传统的新闻门户网站，最主要的功劳就是从创业开始就以个性化推荐系统为核心技术，大大提升了内容的分发效率，根本不用招聘大量的编辑来对内容做低效的手工整理和编排。

因此，推荐系统在下面两个维度的价值也是非常重要的。

f. 节省人力成本；

g. 提升内容分发效率；

上面从 5 个大的维度介绍了推荐系统的商业价值，总结一下，推荐系统的商业价值可以表现在如下 7 个子维度：

a. 提升广告的曝光与转化；

b. 促进“标的物”提供方(即商家)生态繁荣；

c. 促进“标的物”售卖，获取更多经济收益；

d. 提升会员的转化与会员留存；

e. 用户增长：提升用户留存、活跃、停留时长；

f. 节省人力成本；

g. 提升内容分发效率；

下面，我们会从这 7 个子维度来详细说明，怎么量化推荐系统的商业价值，有哪些思路和方法。

3. 如何量化推荐系统商业价值？

管理学大师彼得德鲁克曾经说过“你如果无法度量它, 就无法管理它”(“Ityou can’t measure it, you can’t manageit”)。对于推荐系统，也是一样。我们只有度量出推荐系统的商业价值，才知道目前的状况，哪里存在问题，哪里有优化空间，最终才知道从哪些角度来优化，从而让推荐系统创造更多更持久的商业价值。

上一节我们从 5 个大维度 7 个子维度(a~g)来说明推荐系统的商业价值，在本节中我们侧重怎么具体地量化推荐系统的商业价值, 有哪些指标可以衡量推荐系统在各个维度上的价值, 只有知道怎么量化商业价值, 才能更好的提升商业价值。

下面的分析更多的是提供量化推荐系统商业价值的思路, 具体的落地还需要推荐算法工程师发挥自己的聪明才智，结合自己公司的业务特点来思考细化，并最终量化出来，同时在实践过程中不断优化，找到最佳的量化维度和指标。

1.提升广告的曝光与转化

不管是视频的前贴片广告还是推荐信息流广告，可以统计一定周期内通过推荐产生的广告曝光、展示、点击、转化率等指标。统计周期可以是天、周、月等维度。

拿视频贴片广告来说，可以统计每天通过推荐算法产生的 cpm。根据该行业每个 cpm 多少钱，这就间接的体现了推荐系统带来的广告收益。

另外为了体现推荐系统在高效个性化精准分发上对广告带来的价值(我相信因为推荐更精准，用户对推荐嵌入的广告的耐受度会更高, 未来我们团队也会在这个方面做一些数据分析探索)， 需要提炼出可以与大盘对比的指标, 比如下面的几类指标：

a. 人均广告播放时长及大盘广告播放时长对比；

b. 广告转化率与大盘转化率的对比；

c. 使用推荐算法的用户人均点击广告次数与大盘用户人均点击广告次数对比；

同时，我们还可以统计不同的推荐算法模块在这些指标上的差异点，知道哪个推荐模块带来的广告价值更大。

2.促进”标的物“提供方（即商家）生态繁荣

由于作者没做过电商推荐, 为了内容的完整性, 这里我拿淘宝来举例说明, 不当之处在所难免，也欢迎有过电商推荐经验的朋友指正、交流。

首先，我们要基于大数据统计在一定周期内商家提供的商品的点击、评论、购买、反馈、收藏、退货、投诉、物流等情况，结合商家商品的素材及商家用户画像，给商家及商家的不同商品打分(这个打分是动态变化的)。

推荐系统会根据用户行为，在离线阶段，根据推荐算法召回用户可能会喜欢的物品，在排序阶段，结合上面的物品商家打分及可能的运营规则对商品做排序。

推荐系统在促进商家繁荣上的价值，需要根据上面的介绍，给新入驻的商家、新上线的商品、评分高的商家、评分高的商品更多的曝光机会、更好的排序位置，可以量化的指标主要有：

a. 新上线商品在一定周期内通过推荐算法产生的总售卖数量、总售卖金额、售卖数量增长率、总金额增长率；

b. 新入驻商家在一定周期内通过推荐算法产生的售卖数量、总售卖金额、售卖数量增长率、总金额增长率；

3.促进”标的物“售卖，获取更多经济收益

在促进“标的物”售卖上，我们可以量化推荐系统的如下指标：

a. 通过推荐产生的“标的物”售卖数量、金额；

b. 通过推荐人均购买的“标的物”数量、金额及大盘人均售卖数量、金额；

c. 通过推荐售卖的不同(长尾)“标的物”的总量(去重);

d. 通过推荐产生的商品转化(曝光->浏览，浏览->增加购物车，添加购物车->付款等的转化)及大盘转化；

通过这些指标可以衡量推荐系统在提升售卖变现上的价值。同样的，我们可以统计不同的推荐业务、不同的行业、不同的商品品类在上述指标上的差异，确定不同推荐产品产生价值的大小，指导我们有针对性的优化不同的推荐产品形态。

4.提升会员的转化与会员留存

推荐系统在促进会员购买方面，除了上面 3 提到的 4 个指标对会员也适用外，还可以关注推荐在促进会员留存方面的价值，我们可以关注如下指标：

a. 通过推荐会员节目产生的累计会员购买人数、次数、金额；

b. 一定周期内通过推荐会员节目产生的会员购买人数、次数、金额及大盘占比；

c. 可以统计经常使用推荐的用户和不频繁使用推荐功能的用户购买会员的比例、频次、购买金额等的差异；

d. 在相同时期的新用户，在后续使用期间，经常使用推荐的用户和不频繁使用推荐功能的用户在会员续费率上的变化；

5.用户增长：提升用户留存、活跃、停留时长

用户增长对整个公司的发展非常关键，前面也说过用户增长是变现的根基。这里我们拿视频行业来举例说明，其他行业类似，推荐在促进用户增长上的指标可以体现在如下几个方面：

a. 通过推荐算法产生的总播放量、总播放时长及分别对应的大盘占比；

b. 通过 AB 测试, 首页增加更多个性化推荐和完全人工推荐对新增用户的一天、三天、七天、一个月留存率等留存指标；

c. 通过 AB 测试, 比较使用推荐的用户和不使用推荐的用户播放视频时间与在产品上的停留时间之比(用户在视频 APP 上的目的就是观看视频,观看视频与停留时间之比越大，说明用户体验越好, 极端情况下这个比值为 1，这时用户进入 APP 就开始播放喜欢的视频直到退出 APP)；

6.节省人力成本

推荐算法具体节省的人力成本确实无法精确计算，但是可以拿视频网站的首页来类比，如果纯用人工编排首页，假设需要 5 个人力，那么这 5 个人力一年的工资总额就是首页编辑一年的成本，如果采用推荐算法，成本就是前期推荐算法开发部署的成本, 加上算法维护, 以及运行一年需要的服务器成本。

我们先不考虑两者推荐的效果问题，当产品形态非常复杂，就需要更多的人力来维护首页，而算法是基本是一次性投入，具有规模效应，大家应该可以想象得到，随着业务复杂性提升，算法的成本基本是恒定的，而编辑成本是线性增加的，所以在极端复杂的产品或者有多个产品矩阵需要维护的视频公司中大量采用推荐算法，可以不必招聘这么多编辑，从而可以大大减少人力成本。

7.提升内容分发效率

推荐系统相比人工编辑编排天然具有千人千面、完全自动化、近实时更新等优势, 可以做到内容的精准高效分发。我们可以从如下指标来体现推荐系统的分发效率。

a. 每天通过推荐算法分发的“标的物”的数量(去重)及在大盘分发量中的占比；

b. 通过推荐算法产生的人均播放量、人均播放时长与非推荐算法产生的人均播放量、人均播放时长的对比；

4. 如何提升推荐系统商业价值？

推荐系统商业价值的挖掘是一个非常偏业务的问题, 上面提到的只是一些非常基础的点，实际落地量化时，需要结合公司所属的行业、业务类型、发展阶段、战略方向等进行调整。

如何提升推荐系统的商业价值，这里，我们提供一些建议，及需要关注的问题，供大家参考。

1.要事第一，分清主次和优先级

上面提到推荐系统的商业价值有很多方面，由于公司资源有限、公司所在的阶段也不一样，所以一定要有侧重点，不能胡子眉毛一把抓，否则什么都做不好。

在某一段时间或阶段一定要结合公司当前的业务重点，集中注意力到少量的几个指标, 这样才能更有针对性的挖掘量化出推荐系统的商业价值。

2.完善推荐算法数据打点，方便统计

上一节提到的所有指标，基本都涉及到数据统计，同时绝大多数统计都涉及到用户在产品上的行为，这就需要记录用户的行为。

互联网公司一般通过数据埋点的方式将用户的行为记录下来并上传到大数据中心, 通过数据分析挖掘用户行为，最终获得对用户的洞察，所以就要有很好的机制、方法、策略将用户的关键行为记录下来, 只有记录下来了，才能进行精细化的统计分析。

3.需要搭建高效的 AB 测试平台

要想体现推荐算法的价值比人工或者大盘好或者对算法做优化，就需要做有说服力的分析对比，目前在互联网行业最有效的对比方式就是做 AB 测试，通过将用户分为 AB 两组，在同一时间提供不同的服务，通过相同的指标来统计指标在两组用户间的差异，从而发现问题、得出结论。

所以，要很好的体现推荐系统的商业价值，就需要搭建一套高效易用的 AB 测试平台，方便对各种商业指标做对比分析。

4.商业价值与用户体验的平衡

从上面的讲解，我们可以知道 toC 类产品，商业价值最终直接或者间接来源于用户，可以说用户是公司的“衣食父母”，在做(推荐系统)商业变现时，一定要重视用户体验，让盈利做到“细水长流”，太注重短期利益，往往会死的很惨。用户不是傻瓜，用户只会为他认为有价值的产品或者服务买单。

对于初创公司，当用户规模很小时，可以提前思考变现的事情，也可以做适当变现的探索，但更多精力要放到用户体验上，更关注用户体验，一切以用户体验为主，为用户提供有价值的产品及服务，快速拓展用户规模，形成口碑。

当用户规模足够大时，可以在商业变现上投入更多的精力，做更多的商业化尝试, 毕竟公司要生存下去还得具备变现的能力，同时利用这些能力真正做到变现，但决不能忽视了用户体验，两者需要保持微妙的平衡。

5.尽早量化推荐系统的商业价值

在成立推荐系统团队时，团队负责人不要仅仅只关注有哪些推荐产品形态落地到产品及推荐点击等指标，同时还要关注推荐系统的商业化指标。

在创业早期，公司可能还没有考虑商业化的事情，这时应该花更多时间精力关注推荐系统在用户发展上的指标，毕竟这是隐形的商业化指标。

作者在前几年做推荐系统的时候，只关注有多少推荐产品形态落地，对指标的事情漠不关心，最近几年才有了量化指标的意识，并真正地将量化指标落地到了业务中，这也是最近几年最大的心得体会和领悟。

6.定期汇报推荐系统的商业价值

定期向领导或者老板汇报推荐系统的商业价值，让领导深刻认识到推荐系统的商业价值，并结合公司战略、产品发展方向及当前的业务重点，调整推荐系统产品形态及核心指标来适应公司业务发展的需要。

只有展现出了推荐系统的商业价值，推荐系统才会受到重视，最终才有可能发挥它的巨大威力。

7.关注推荐系统价值在整个平台的比重

做推荐系统不仅仅要关注它的绝对价值, 更重要的是要关注它的相对价值，即推荐系统在整个平台上产生价值的比例(权重)， 所以对推荐的任何一个商业指标，最好可以做到跟大盘做对比，知道了在大盘中的比重，这样才能更好的知道推荐系统的分量。

说句很直接的话，谁在公司可以产生更多的商业价值，谁就可以获取更多的资源和更多的话语权, 即经济权决定话语权。

8.细化各个推荐模块的价值

在成熟的产品中，会有很多个推荐算法模块，每个独立模块可以看做一个推荐产品形态。

我们怎么迭代这些模块呢？是投入相等的资源吗？

肯定不是，实际上任何一个公司，人力资源一定是紧缺的，根据二八定律，我们一定是将人力资源投入到产生价值最大的那个模块，这就需要我们提前量化出各个模块的相对价值，只有量化了各个模块的价值，才能将精力投入到最有成效的地方。

写在最后：

作者最近 7、8 年都在视频行业做推荐系统，上面提到的商业价值的指标，有很多是已经在自己团队实践过的，有一些只是自己的思路和想法，未来会在自己团队中尝试。作者也是做了好几年推荐系统后, 才有这种商业价值上的觉悟。

由于不同行业所面对的用户、“标的物”、行业背景都不同， 本文仅作为参考，提供一些思考推荐系统商业价值的视角, 帮助读者来思考推荐系统的商业价值。实际从事推荐系统开发的工程师、产品经理、推荐团队负责人还需要结合公司自身的业务属性、公司所处的阶段、公司老板的经营策略及行业背景来确定并量化自己团队在推荐算法上的商业价值。

虽然作者花了很多精力和心思写这篇文章，但由于视野、经验、能力有限，不当之处在所难免, 对推荐系统商业价值有兴趣或者有这方面经验的读者可以一起交流探讨。

相关文章：

打造工业级推荐系统（一）：推荐算法工程师的成长之道

打造工业级推荐系统（二）：无处不在的推荐系统

打造工业级推荐系统（三）：推荐系统的工程实现与架构优化

作者介绍：gongyouliu，有近 10 年大数据与 ai 相关项目经验，有 9 年推荐系统研究及实践经验，目前负责电视猫大数据与人工智能团队。喜欢读书，暴走，写作。业余维护“大数据与人工智能”公众号，ID：ai-big-data，持续输出推荐系统相关文章。个人微信：liuq4360

原文链接：https://mp.weixin.qq.com/s/o72SxZebN2T1GCe-fdh78g