推荐引擎和在线广告推荐引擎|广告|

推荐引擎和在线广告

4 顶一下 　　收藏 作者：Kaiser | 推荐人：草根帮主(信誉值:86099)在2007-7-31 19:发布，已有 81人阅读过：   这 里有一篇与加州在线产品和内容推荐网站Baynote Content Guidance市场总监及产品经理Mike Svatek的一篇关于用户行为的采访。值得一读。 用户行为追踪的缺点是它试图用人工定出的无法准确概括用户兴趣与意图的法则加载在用户的行为上加以分析。如果A用户观看B内容，这意味着市场人员必须自动采取C行动。有些时候你可能是正确的。但是，如果更深入，你便会落入电子营销所经常遇到的错误，就是发送珠宝广告给一个想为侄女毕业典礼买个小项链的男人，而实际上，他本人却对小玩意儿感兴趣。这样的事情屡见不鲜，比如，一个母亲会在周一为十几岁的儿子浏览产品，而周二可能会为自己的丈夫或上20岁的女儿买东西，而周五可能会为自己购买。所以这样简单的行为追踪模式是不够的。 我们把已经做过的事情记录下来和抽象化的行为分开来，关注用户作为个人和组织如何与内容互动。我们称其为“行为指纹”。我们仔细观察用户是如何观看网页的。我们注意，对特别的页面，用户滚动页面速度的快慢。什么情况用户会关注和立即点击进入获取更多信息以及点击的密度。其他的方面，比如点击的轨迹以及浏览网页的时间同样对我们很重要。 如果观察人们在与特定网页内容互动的共同点，你就可以把个体用户以及他们的行为与其群体联系起来。一旦网站的所有者或广告商开始这样看待网站的流量，他们所看到的就不是随意的几十万用户而是切实的一个个群体。比如运动网站，他们看到的不是一个个对运动感兴趣的人，而是一群对高尔夫服装、网球、跑步、户外运动痴迷的一个个群体。这样，他们看到的是在特定的时间，每个群体所呈现的不同状态，了解在一天或一周的不同时段，这些群体是在增加还是在缩减，或者联系网络之外的一些事件，比如名人的行为对其产生的影响。 我相信在很多更成功的用户行为定位公司：Tacoda (被AOL刚刚收购)以及Revenue Science的行为定位模式比Svatek先生所设想的对手更加深入。但是他的想法是正确的：如果只关注单一IP地址或cookies的活动是很局限的，新的互联网行销科学将更多的因素考虑结合在一起，这并不是件容易的事。 人类的品味、兴趣、偏好以及这里面的复杂关系，是永无止境的讨论话题，而这也是最受市场行销人员关注的话题。特别在当今这个时代，真的需要将人类学家、社会学家、心理学家、统计学家、经济学家的智慧融合到一起。被此类文章和与业界大师的讨论所鼓舞，最近我对推荐方法（无论是音乐、图书、食物还是电影）以及传统的以测试为基础的推断用户偏好以及互联网广告运用的上下文以及行为定位都非常感兴趣。我们都无法相信，我们对一种东西的品味能够被推算出对另一类别东西偏好。但是正如Andreas Weigend在与我的谈话中所说：“我们并没有我们所想象的这么特别。” 音乐推荐网站经常会推荐一些我们没有听过的歌曲，但是从一首歌曲，或者一些很基础的个人资料，这些网站所推荐的歌曲是用户所喜欢的。这种方法被Pandora（其中国版克隆为Yobo）所使用，方法是将音乐分割成类似“基因”的小段，然后可以匹配，这个方法被LastFM使用， (据我所知，基于社会过滤系统－喜欢这首歌的人应该也喜欢这首)这让我清晰的看到推荐音乐网站的前景，而且让我感到行销大军中又多了另一个强大的工具。 我经常这么说，而且我肯定这不是你最后一次听我这么说，如果你给我一个小时看看任何一个美国人的iPod,我能告诉你他们是在小店买衣服还是在像The Gap一类的品牌店购买，他们看什么样的电视节目，读书的品味（如果有）类似的。中国人目前的音乐品味，还是非常本地化的而且是可以改变的。我们在一方面的“特殊”品味会解释很多其他方面的偏好。 上下文联系、行为分析、测试以及相互关联为基础的，眼球追踪和“行为指纹”，这些都是值得大家探究的。我们在中国应该满怀感激，因为我们的市场虽然落后了，但这就让我们有时间去看清哪个方法是可行的，哪个是徒劳的，然后研究出一种混合的方法可以既满足了准确性又满足了广泛性。