2024-06-05
分类:所有专题
阅读(4787) 评论(0)
【写在前面】到现在还有很多同学理解不了向量 ,向量召回是一种算法,解决的是召回流量不精准的问题。
向量既有方向又有大小的量,成交方向是核心然后才是大小,方向就是成交词根锁定的曝光量 展现范围,大小就是聚类后的垂直聚焦度及体量。
为什么很多同学理解不了其本质就是这部分同学还是没有从坑产思维里面走出来,看文章感觉懂了,脑子习惯性的用坑产思维去解释,又迷惑了,所以一直强调如果你现在迷茫没有思路多半是因为“思维方式”固化。
一直强调召回机制背后没有排名是匹配度,现在搜索的核心就两步:一是分类、二是排序。
通过标签锁定展现范围搜索空间某种意义上说就是分类就是让这部分人群看到;排序召回机制下的概念就是匹配度只有你符合了你前端优化的人群标签匹配度才能被召回才能被符合的人群看到。
搜索排序是匹配度的问题,已经不是空间位置排序的问题,如果用坑产思维解释肯定锁定展现范围后就是根据坑产值和UV价值排序了,因为你召回也不是召回一个产品啊肯定也排序。
那么召回的排序是匹配度精准度的概念,算法核心看的是你优化曝光空间、搜索空间后这类人群的曝光正负点击反馈是根据PV(千展)的价值来匹配曝光的,是持续精准匹配召回的概念,是源源不断召回相似人群的概念,是匹配度召回概率的概念这才是向量召回下“排序”的理解。
标签锁定的是曝光展现范围影响的是点击率,向量背后是成交方向解决的系统识别的购物意图的匹配度解决的是转化率。
计算机思维本质的问题就是分解问题把问题拆分通过算法来解决,分解的本质就是分类通过分类和算法提高找到精准目标的精准度和速度。
分类背后的本质就是标签,标签是计算机符号,标签的概念是:你一段时间购买了某一类产品或者表明对某类产品有购物意图系统给你贴上的符号。
人群的概念是:一段时间内对某类东西有需求,而在关注和搜索也就是有购物意图的人。
标签和人群是不同的概念,标签就是一种计算机符合,系统通过标签还原消费者购物意图的过程,人群是具有相同相似购物意图的人组成的而且购物意图是有时效性的。
这两个概念的混谣就淘汰了95%的人,只要理解不了向量的85%也理解不了什么人群,是什么是标签。
这部分同学脑子里就只有一个概念人群标签,所谓的人群标签就是性别、年龄、消费层次、职业等这部分只是标签的一部分因素叫基础属性人群标签,是个自然人就有但是如果没有相同相似的购物意图,那么他就不是你的目标客户群体就对你没有任何意义和你半毛钱关系都没有,说的再直白一点就是没有购物意图就是没有需求的一部分人,你去“圈”他给她曝光又有何意义?
只有给精准的人群曝光展现才有意义,这里面的精准并不是基础属性标签的匹配,而是成交购物意图的匹配。
识别消费者有么有相同相似的购物意图又是一个计算机复杂的过程,这个过程是多模态多目标的识别而非就去补个关键词或者补个词根刷个坑产能解决的问题,而是系统通过周期和给你优化锁定的展现曝光范围内的人群的曝光点击正负样本来确定的。
是一个多模态多目标识别的过程,所以很难干预这是从算法角度解释向量召回问题。
用大白话讲向量就是计算机语言,你这个产品匹配什么人群需求给什么人群展现,系统是通过“向量”召回算法来解决这个问题的。
向量背后是计算机分析行为数据的能力是大数据分析精准度的问题。
而不是人为干预就可以解决的问题,反而这点越是干预系统识别的过程就会受影响越是不精准。
因为上述一直强调“向量”解决的是转化率问题,召回的是具有相同相似的购物意图的人,如果你干预太多系统就把“人为操作”行为数据背后的人群召回,但是这部分人没有真实的购物意图和需求就很难支持持续性的给精准曝光。
只有具有精准需求购物意图的人群给你曝光就有正反馈,通过持续不断的召回就会形成“样本”具有了样本模型以后“向量”精准度就会更高也就是召回流量的精准度越高,召回即成交的概率就会更高这才是解决流量精准度的本质。
所谓的权重就是影响购物意图精准度的标签、词根甚至是主图影响“成交”的因素聚类放大。
咱们做关键词坑产的本意是关键词背后的购物意图的人需求精准,所以想通过关键词坑产让这个词靠前,在坑产时代这是没有问题的。
现在是机器实时学习的大模型时代系统是根据多模态多目标的算法能力识别行为数据别后反馈的真实购物意图,不再是像以前通过关键词相关性匹配度来解决精准度的问题了。
在计算机语言体系里关键词也是一种符号,关键词精准不精准不在于“关键词本身”而是关键词背后的人群的曝光点击正负反馈样本。
搜索关键词确实是表面购物需求的最精准的方式之一,前提是真正有需求去搜索,而不是模仿去搜索。这一点会影响人群精准度的根本问题。
模仿出来的关键词背后的人群画像召回的概念是只召回标签相似度,也就是关键词相关性召回的概念,到底这部分人精准度高不高就要看曝光后的点击真实正负反馈。
这里可能有同学就有疑问了,刷单找的人就是真正符合成交人群标签画像的,为什么有的效果特别好,有的就特别差;这点就看有没有补对了也就是补的词根对不对,成交方向对不对。
为什么自店鱼塘特别是老客补单效果好,原因就是符合真实的店铺标签成交人群画像且是店铺老客就说明匹配需求只是需求的时效性没办法解决,所以老客补单的效果核心就在于“购物意图的时效性”上。
刚有提到计算机思维的本质是分解拆分解决分类问题,那么只需要系统判断识别精准购物意图的因素找出来不就行了。
从计算机语言的逻辑中任何语言都是万个零中的一个一,计算机的理解都是分类以后看曝光点击正负反馈来识别和定义。
所以咱们各位运营谈优化真正的优化层面是PV(曝光展现)而非UV访客层面。
UV访客价值是结果性指标,可是前端曝光都有问题,召回的最小因子是“PV千次”你能补的过来或者能正好补对吗?
PV展现曝光层面的优化就是系统通过标签进行标签组合优化曝光空间的过程。
因为标签组合是人与货的交互的复杂过程系统都是通过“数据行为”识别出来的分类。
标签就是分类的过程,分类的过程就是优化的过程,就可以图书馆一样,你要找到一本书,是否首先就要知道这部分是什么大类,属于经济、文学、读物、还是人文等等对应就是叶子类目标签,类目就是最大的人群需求这部分现在能不能理解了,类目下的人群才是你的目标客户群体因为趴在这个里面下的人群具有相同相似的购物意图所以你看很多人优化从类目行为人群入手这个思路是没有问题的,但是这样做不一定有好的结果,为什么就是在于标签的延后性和滞后性过去式的标签就会影响购物意图的时效性。、
所以理论归理论实践中真理的东西也可能不好用,人群精准度的问题最难的不在于标签匹配度而是在于真实购物意图的时效性上。
标签分类有很多种比如用户标签、商品标签、个性化标签和轨迹标签等等没一个标签对识别和判断或者说分类有着不同的作用,也就是说有的是意向标签、有的是转化标签,有了这种逻辑才有了标签权重或者说人群标签权重的概念。
优化的意义所在也在于,就是找到成交方向上影响的标签去把权重聚类放大这是做好“样本大模型”的第一步。
这个优化过程是一个体系生态过程要通过 关键词 、标签、人群、主图、客单价等一个生态体系去做而非去优化一个点,具体怎么去做在《召回算法下优化搜索的本质,如何纠正不精准人群》一文中给了详细阐述这里就不在赘述。
标签理论影响点击率、向量理论影响转化率,标签优化运营的作用还是很大的,向量的优化就要懂得“顺势而为”要尊重系统,只有懂得尊重系统顺势而为才能真正解决人群精准度的问题。
有些梦虽然遥不可及,但并不是不可能实现。
评论前必须登录!
注册