RNN 和 LSTM 如何驱动更智能的产品推荐

循环神经网络（RNN）和长短期记忆网络（LSTM）正使营销人员能够实时进行高度针对性的预测。

在过去的十年里，个性化提供了定向体验，通过测试找到了最佳变体，并推荐了相似产品。但它并非没有局限性。

例如，我最近从某电商巨头那里买了一台跑步机。我显然不需要两台跑步机，然而，我的个性化产品推荐里全是跑步机——这种情况可能会一直持续到我意识到我也需要一双新的跑步鞋。

现在是 2024 年。难道我们不能考虑到这类情况吗？

为了寻找答案，我采访了 Dynamic Yield 的高级产品经理 Udi Zisquit。他在构建、管理和部署全球领先的客户体验和个性化软件解决方案方面拥有超过 10 年的经验。以下是他的观点：

Ernie：为什么理解产品与用户行为之间的关系在当下如此重要？

Udi：在我看来，有三个主要的促成因素：

1. 技术的飞速进步 显而易见，我们正经历着人工智能前所未有的进步和爆发式增长。几年前还像是科幻小说的功能，现在几乎每天都在推出。从生成式 AI 和大语言模型（LLM）到机器人技术、自动驾驶汽车、计算机视觉、混合现实头显等方面的进步。

2. 共情成为新货币 AI 崛起的副产品是自然与人工之间的界限变得模糊，这培养了人们对任何形式的“有感知”实体（无论是否人工）产生类人互动的期望。在我们的语境下，消费者期望他们与之互动的所有数字界面——网站、应用、数字助手、户外自助终端——都能看到他们、理解他们、掌握他们的生活轨迹，并考虑到他们的感受和需求。

3. 数据过载 在过去的十年里，企业被鼓励尽可能多地汇总数据。他们假设只要在收集和组织数据上投入足够多，就能解决问题并发展业务。然而，事实并非如此。由于企业无法轻松地对如此庞大的数据进行排序、分析和采取行动，他们正损失数十亿美元的潜在收入。仅仅收集数据是不够的。他们需要技术将其转化为与客户的真实互动。

它是如何帮助营销人员更好地了解受众的？

以前，预测性个性化通常是这样的：

• 收集数据
• 分析数据
• 设置转化漏斗
• 识别客群的模式和特征
• 主要使用上下文或基于交易的数据点进行细分
• 设置程序化的定向体验
• 跟踪并分析结果
• 重复

问题在于，排序非常困难，长期依赖关系无法跟踪，所有的优化努力都是短期且近视的。

但循环神经网络（RNN）现在让我们历史上第一次能够理解复杂、细微的用户旅程。它就像一个强大的、外包的“大脑”，可以放大并分析数亿个用户行为，预测他们的下一步，并让我们同时对所有行为采取行动。

与数据点同时给出的普通前馈神经网络不同，循环神经网络专注于时间轴上的序列数据。RNN 可以对每一个动作、每一次转折、每一次犹豫和每一个决定进行训练，然后准确地将它们排序，并理解哪些模式和序列会导致特定的结果。

还有 LSTM（长短期记忆）层，它们通过跨长时间的循环学习携带重要信息，在扩展且通常碎片化的数据序列中保持上下文/记忆。

那么，如何设置这些模型以获得最佳效果？营销人员应该遵循哪些最佳实践？

首先，模型的效果取决于它们训练的数据，所以我建议每位商家确保他们的产品标签正确且事件逻辑健全。营销人员应确保其产品馈送设计遵循最佳实践（例如，富含意义深厚的标签，并且每个 SKU 都正确标记了所有相关的类别和属性）。

除此之外，我建议专注于 4-6 个对客户偏好和行为最具意义和反映性的属性，并确保这些属性为你的每一件产品都提供价值。

展望未来，这一切将走向何方？

选择是无限的。虽然 Dynamic Yield 新推出的 AffinityML 专注于根据产品属性预测用户偏好，但这些模型可以预测用户旅程的任何方面。我相信在未来，交互式商业体验将转变为完全类人的对话式体验，模仿店内与真实有感知的人员的互动。它们将结合语音、声音互动、共情、情感理解、幽默以及只有计算机才能掌握的深厚产品知识。