通过推荐引擎来改进营销，已成为智能营销的着力点之一。亚马逊，Netflix，YouTube，阿里巴巴等公司将推荐引擎应用于营销后，带来了显著的商业价值。通过研发，eHub营销自动化、营销与销售预测等产品能帮助客户实时优化营销策略，使营销触达更加精准，实现智能化商机挖掘。
——郑信武，智能营销服务领先者eHub CEO
全球知名的在线影片租赁公司Netflix推荐的电影和电视节目长清单，是个性化用户体验的绝佳例子。该公司称，用户观看的所有内容约有70%是个性化推荐的。
要做到这一点并不容易，改进其推荐系统是一个持续的过程。Netflix花了十多年的时间来开发和完善其推荐系统。
2006年，它推出了Netflix Prize大赛来寻找机器学习方面的专家，希望改进以前的算法。一支算法科学家团队将Netflix的推荐系统Cinematch提升了10%的准确率——你可能会认为这个比例很小，但是Netflix有足够的信心期待未来有很大的改进。这个团队的努力为他们赢得了100万美元的奖金。
基于大数据分析，推荐引擎可以增加营销人员和组织针对用户过去在线活动或行为提出量身定制的建议的可能性。
本文探讨了如何通过个性化建议富有成效地提高投资回报率。并把推荐引擎的潜在商业利益分为三类。
使用改进（正反馈循环）
Netflix Prize奖的目标是提高会员保留率，或者换句话说，从长远来看是让服务更有“粘性”。但该公司并没有寻求一次性改进。
推荐引擎的承诺是建立一个自我完善的系统，在给定足够的数据流的情况下，可以更好地满足用户的需求。正如Netflix的Carlos Gomez-Uribe和Neil Hunt在发表的论文（PDF）中解释的那样：
如果我们通过更好的个性化推荐来提供更有说服力的服务，我们会吸引那些保持沉默的会员，并提高他们的保留率。
通过向会员提供超级具体的分类清单，Netflix缩小了多种多样的按需视频流选项。通过收视率流失趋势的衡量，公司每天都可以改进这些结果。
为了保持公司收入增长，除了增加新成员之外，还必须能够留住现有的用户。换句话说，客户流失越少，月收入就越高。
Netflix几乎没有时间说服用户浏览应用程序并选择视频。根据该公司的说法，用户往往在看过了20个标题后的60到90秒就失去了兴趣。
Gomez-Uribe和Hunt表示，通过采用更复杂的推荐系统和个性化的用户体验，他们每年可以从取消的服务中节省10亿美元。
从Netflix的收入数据来看，2017年第二季度，该公司收入同比增长32.3%，新增用户520万，上一季度用户数是9900万。
通过更多的数据来训练其算法，Netflix可以速度越来越快地为现有用户改进产品。根据人工智能投资者，Polaris Partners公司Gary Swart的观点，这种“赢家通吃”的态势是“改善使用”如此重要的原因之一。
除谷歌之外，有什么网站可以回答你的问题吗？可能没有。它拥有巨大的市场份额，而且相比那些使用更少数据的竞争者，它能更快地改进。与亚马逊相比，有任何能推荐更好产品的在线购物体验吗？可能没有。
你明白了：所有利基市场（小众市场）的推荐引擎都有可能产生同样的极致效果。
提高购物车价值（利润）
亚马逊在第二季度的营收为379亿美元，继续在网上零售领域占据优势。其1998年推出的逐项协同过滤算法根据产品线和主题向客户提供建议。系统会将客户购买的和评级的物品与列表中的类似产品相匹配，然后选择这些产品作为其建议的一部分。
而在某些网站上，推荐仅存在于客户旅程的一个方面（例如，网站结算页面上的“相关项目”列表），亚马逊已经将许多推荐“入口点”整合到其在线体验中以最大化购物车价值。
例如，用户可以点击“推荐”链接以显示包含可能感兴趣的分类产品的页面，或者它们可以引用包含与先前查看的产品类似项目的部分。
用户还可以在“经常购买”部分查看捆绑商品，当一起购买时，这可以让亚马逊降低运送成本。如果不是网上零售商分析的数十亿个数据点（从购买历史到废弃的购物车），这是不可能实现的。
麦肯锡估计，亚马逊35%的消费者购买来自产品推荐，尽管这家电子商务巨头从未透露过自己的评估。2016年，它提供了开源的人工智能（AI）框架DSSTNE（意为“命运”），以促进人工智能应用程序的开发。
另一个电子商务巨头阿里巴巴集团，继续通过天猫和淘宝平台在中国电子商务领域占据主导地位。向客户提供的产品推荐不仅基于过去的交易，而且还基于浏览历史，产品反馈，书签，地理位置和其他在线行为数据。
该公司使用AI向没有历史交易数据的新用户提供产品推荐。阿里巴巴商业服务业务部数据技术总监Wei Hu在一份声明中解释说，其技术可以从用户在其他地方购买的产品中获得数据点，并用它来匹配物品池中的物品。
2016年双11购物节是一个24小时的网上购物活动，阿里巴巴利用人工智能在购物者的个性化页面上展示推荐的产品。参与的商家根据目标客户数据定制他们的店面。阿里巴巴告诉InsideRetail Asia，它产生了67亿个个性化购物页面，转化率提高了20%。
改善参与和保持愉悦
自2015年以来，YouTube的推荐引擎一直由Google Brain提供支持，Google认为它是迄今为止最先进的推荐系统之一。
和Netflix一样，YouTube在采用一种搜索不同类型的视频内容之间相似性算法之前，进行了大量的实验和重新设计。YouTube产品管理副总裁Johanna Wright说，该公司现在更加确信，他们推荐的视频与观众有关。
它使用的一些数据点包括用户的观看历史记录，视频的年代，搜索词和位置，以决定下一个将播放的视频。与Netflix不同的是，YouTube是免费的，完全依赖其内容（以及广告曝光）——而不是订阅计费模式。
通过推荐，YouTube希望系统基于历史数据匹配广告的同时，让观众保持在线参与。当观众观看超过30秒的广告时，或者当用户点击屏幕上的实体或页面上的广告时，YouTube就会获得收入。
其母公司Alphabet将YouTube列为整个Google网站平台的一部分，因此没有列出单独的收入数据（截至2017年6月30日Google广告收入总计超过220亿美元）。
另一方面，像Pandora（潘多拉）和瑞典Spotify这样的音乐流媒体服务使用推荐引擎作为改善参与度和保留用户的方式。这些互联网广播公司通过付费订阅计划和非订户广告赚钱。
Spotify的深度个性化推荐服务Discover Weekly，基于用户的体验，聆听习惯，最喜爱的艺术家，甚至他们使用的功能推荐歌曲。这是通过协作过滤和自然语言处理实现的。负责推荐功能的工程经理Edward Newett向Wired解释说：
通过试图模仿我们所有用户的行为，并将他们完美组合在一起，我们可以利用Spotify的20亿播放列表，针对个人风格提出播放列表，这是非常有趣的。
Pandora自己的推荐引擎是由所谓的“音乐基因组计划”（Music Genome Project）提供支持的，该计划拥有450种音乐属性。该算法分析成千上万艺术家的歌曲，并根据用户的需求对其在线广播电台进行编程。
凭借Spotify和Pandora的这些功能，听众可以听到以前从未听过但最有可能引起兴趣的歌曲，尤其是那些由新兴独立艺术家发行的歌曲。这是保持现有用户的一种方式，并允许非会员通过广告收听更多的音乐。
Spotify在其网站上表示，截至2017年7月，它拥有6000多万订阅用户，而且遍布61个国家的1.4亿活跃用户可以从3000多万首歌曲中进行自由选择。同时，Pandora第二季度的收入为3.768亿美元。
推荐引擎的范围不限于这些行业。食品业，运动业甚至时尚业的企业正在使用人工智能来识别客户可能的选择。越来越多的公司正试图在营销活动中使用这种技术来提高投资回报率。
（本文作者Daniel Faggella，电子邮件营销和营销自动化专家，专注于营销和人工智能的交叉。）
