編輯導語：LBS是利用各類型的定位技術來獲取所定位設備目前的位置。隨著互聯網技術的成熟，大家開始將這項技術應用到電商購物中，但也對線下商家帶來了很大影響。因此，作者分享了如何將LBS應用到線下商家中，設計一款信息推薦系統，為線下商家帶來用戶。

一、什么是LBS？

LBS是利用各類型的定位技術來獲取定位設備當前的所在位置，通過移動互聯網向定位設備提供信息資源和基礎服務。可利用定位技術確定用戶空間位置，隨后用戶可通過移動互聯網來獲取與位置相關資源和信息。

為什么要做推薦？

隨著技術發展，線上銷售發展規模越來越大，人們工作節奏越來越快，用戶越來越愿意花更多的時間進行網上購入，網上購物從早期對用戶的新鮮度到目前的成熟運營，嚴重影響了線下商城的銷售，有必要為線下商城設計用戶推薦，留存客戶，增加GMV，同時能夠大大提高ROI，實現線下商家營收。

中國2014年~2019年網上零售額及增速，大型商家線下推薦有必要通過OTO模型升級線下零售，線上線下場景結合，增加銷售額。

二、介紹推薦系統的分類

推薦系統一般根據實時性分為三類：實時推薦，在線推薦，離線推薦。

實時推薦一般會采用實時計算引擎進行實時計算并及時推送到用戶手機端。

在線推薦是指直接使用日志系統中數據進行偽實時的推薦，一般場景用在在商場中時間大于1小時，在這個時間內進行推薦。

離線推薦根據用戶的歷史數據，對一定距離內的用戶進行信息推薦。

基于LBS推薦一般可以分為三類，近距離，中距離，遠距離。當然一般中遠距離的用戶都是有歷史線索或者留資在商場數據庫中。

三、用戶旅程

消費者在逛商城過程中，通過推薦能夠讓消費者選擇商家，進而產生消費行為，并通過消費者的信息反饋準備下次推薦。

四、基于LBS數據指標搭建

數據指標完善能夠更好的將合適的商店推薦給用戶，同時增加商戶整體GMV，所以一般推薦系統都是在用戶畫像系統的基礎上進行推薦。

需要重點強調的是，基于LBS的推薦最重要的就是用戶的經緯度信息和商鋪經緯度信息之間的差值，

距離計算方法可自行百度。所以最重要的指標就是距離指標，合理的距離指標會使推薦系統的效率大大提高。

五、推薦方法

1. 冷啟動

任何推薦都存在冷啟動問題。因為推薦系統需要根據用戶的歷史行為和興趣預測用戶未來的行為和興趣，如果是消費者首次進入商圈，沒有任何該用戶的任何信息情況下，進行冷啟動處理：

基于當前時間，將評分高的商店推薦給用戶。當前時間在冷啟動階段最能反應消費者情況，早晨一般商品尚未營業，那么用戶很有可能是要買早餐或者閑逛，中午或者下午6點左右用戶很可能也是要找飯店吃飯。

如果非以上情況，用戶很有可能就是為了買衣服或者參加培訓等情況。基于以上情況對用戶進行基于熱度的推薦。

2. 有歷史數據的推薦

即使有歷史數據，時間維度也是重要考慮的對象。這里使用三種推薦算法，最后進行多路召回，求出最優推薦列表：

基于物品（店鋪）的協同過濾：

圖片來源csdn網站

其中wij最后得出是一個相似度矩陣，是根據某一消費者的歷史記錄得出與該消費者相關的商鋪信息，需要注意的是有兩個前提條件，當前時間和店鋪分類，即，每類型商鋪會都會得到一個相似度矩陣。然后根據消費者歷史數據和當前時間計算出消費者當前感興趣的一個推薦列表。

基于模型的推薦：

基于模型是指使用機器學習算法，根據已有的指標體系構造數據模型，然后計算出相應的推薦列表，一般分析過程如下：

常用的機器學習算法有：

LFM（隱語義模型），線性回歸，邏輯斯蒂回歸，決策樹，KNN，K-means，深度學習-卷積神經網絡。整個推薦系統產品經理需要了解算法，同時理解每種算法需要的參數，并根據業務需求選擇合適算法，和數據分析師一同解決推薦問題。

產品經理最最重要的工作就是一個推薦需要哪些數據指標作為參數或者在形成數據模型過程中需要哪些參數進行聚合，即特征工程：

• 當前時間
• 商鋪評分、評價、標簽
• 用戶行為
• 關鍵數據
• 進店頻次、進店人次、收支金額、進店停留時間
• ……

將基于商鋪的協同過濾和基于模型的協同過濾進行多路召回，得出最優的推薦解，對于基于LBS的推薦個人理解，推薦門類不超過3個，推薦條目不超過3條。

五、推薦系統流程

推薦遵循如下流程：

通過推薦系統形成推薦閉環，使推薦系統對用戶推薦越來越準確。

數據流：

六、推薦產品的評估

一個好用的推薦系統能夠大幅度提高整體營業額，比如亞馬遜推薦系統據傳能夠提供35%的營業額，同時也需要對推薦系統的好壞進行評估，一般從以下幾個方面：

• 預測的準確度：消費者是否按照我們的推薦進入到了推薦商鋪中或者同類型商鋪中，是否有80%以上用戶進入了我們推薦的商鋪中進行購物或者消費，如果不是，就需要對推薦算法進行調整。
• 用戶滿意度：可以根據用戶停留時長，消費金額，商鋪評分，滿意度評價進行評估，設置一定的閾值，如果大于某個值那么說明推薦系統良好，如果小于某一值，那么需要進一步優化推薦。
• 覆蓋率：這里的覆蓋率指的是在一定范圍內是否都進行了推薦（注意線索的合法合規）。
• 多樣性：由于用戶興趣是隨時可能發生變化的，那么該系統是否能夠將一些該消費者沒有消費過的商鋪或者新開商鋪進行推薦，增加推薦列表的多樣性。
• 驚喜度：推薦是否能夠給該用戶帶來驚喜，這項數據一般會通過用戶調研獲得。
• 信任度：做出的推薦商鋪是否得到消費者信任，如果商鋪已經是處于信任危機，推薦系統還是推薦給消費者，就會使消費者對推薦產生質疑，繼而不信任該推薦的準確性，該項評價指標一般也是通過用戶調研獲取。
• 實時性：消費者一般存在理性和感性，實時推薦能夠保證及時將有用信息進行推薦，實時性表現在push的發生時間間隔，即當消費者進入指定區域內多長時間進行的消息推送。
• 健壯性：系統的健壯性，一般指推薦系統本身是否經常性的出現問題，報錯或者服務器崩潰等問題。
• 商業目標：最重要的評測指標，一個推薦系統好不好，就在于它掙不掙錢，好的推薦系統能夠大幅度提升營業額和人流量。

?

本文由@包公帥哥 原創發布于人人都是產品經理，未經許可，禁止轉載。

題圖來自Unsplash, 基于CC0協議