Z世代的偏好

根据客户推荐CPG品牌的倾向对它们进行排名，特别针对去年18岁及以上但出生于2000年或之后的少数Z世代消费者，数据显示奥利奥是少数领先者，50.8%的Z世代客户愿意将其推荐给朋友或同事。紧随奥利奥之后的是 M&M’s（50.4%）和多芬（50%）。

其他排在前5位的是品客（45.3%）和好时（44.8%）。其他至少获得4/10选票的品牌是佳得乐（43.7%）、本杰瑞（43.2%）、多力多滋（43%）和奇多（40.3%），表明Z世代非常喜欢他们的零食。

Y世代的偏好

Y世代消费者（出生于1982-1999年）似乎比年轻消费者推荐品牌的可能性要小一些。除此之外，他们通常会提出相似的建议。排在首位的是多芬（护肤品），43.4%的Y世代客户会推荐，紧随其后的是奥利奥（43.2%）和多力多滋（42.8%）。 M&M’s（40.4%）和 Reese’s（40.1%）跻身前5名。

X世代的名单有所不同

虽然10个顶级品牌中有9个在Y世代和Z世代之间重叠，但最受X世代（生于1965-1981年）推荐的CPG品牌更多样化，其中4个品牌只出现在前10名中。

总体而言，DAWN是X世代最愿意向朋友或同事推荐的品牌（52.3%）。紧随其后的是好时（50%）、M&M’s（49.1%）、多力多滋（50%）和 LYsol（48.9%）。

其他发现

• 在2020年和2021年之间，CeraVe 是X世代和Y世代（分别为14.9%和20.1%）推荐得分提升最大的品牌。
• 有趣的是，第二大改进品牌“大黄蜂”也被X世代和Y世代共享。
• X世代、Y世代和Z世代前10名中共同出现的5个品牌是：多力多滋、多芬、好时、M&M’s 和 Reese’s。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

当涉及到购物者行为时，年龄不仅仅是一个数字。虽然购物者的偏好基于各种各样的因素，例如性别、地点、收入等而有所不同，但调查发现，年龄对消费者如何购物、为什么购物以及在哪里购物的影响是最大的。

当谈到评论、推荐和内容时，消费者会向各种各样的人寻求信息，以便做出购买决定，而且他们最信任的人并不总是非黑即白。客户正倾向于主题专家和微意见领袖，而不是他们认为不真实的人的评论。这就提出了一个问题，购物者到底信任谁？

消费者控制着产品页面的未来。传统的产品页面正在从产品描述和专业照片的目录转变为丰富的用户生成内容（UGC）集合。消费者不仅更喜欢真人的推荐，他们还通过新的方式结合社交媒体和电子商务直接购物。

现代消费者的互联性意味着他们可以随时伸出援手，并对回报的期望很高。满足他们的期望，你就会得到回报。错过了，你的品牌可能会成为下一个失败者。

便利性和成本是购物者最关心的问题，品牌信任度也是如此。

就像消费者要求品牌立即做出回应一样，他们也要求从购物体验中立即获得满足感。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

以下内容分三部分：算法的核心；算法有多大用；实际工程中算法怎么工作的

1. 算法的核心是什么

推荐算法的核心是基于历史信息寻找被推荐的东西(可能是人、物、信息)与用户的一种关联性，进而去预测你下一步可能喜欢什么，本质上还是基于统计学的一种推测（谷歌的深度学习除外）。

这里有两个关键点：历史信息；关联性

历史信息也就是大家所说的标准化数据

关联性也就是大家常说的算法，他做的事情就是猜测你可能会喜欢怎样的东西.要搞清楚这个问题，还是得回到人在不同的场景中会喜欢怎样的东西，这个在不同的场景中差别比较大。举两个例子说明一下

对于微信朋友圈：用户最关心的是我跟发布者的亲密度，其次是内容的质量和内容的发布时间，这也就是Facebook智能信息流的雏形，根据跟发布者的亲密度，内容的质量和内容的新鲜程度的一个混排算法。

对于美团外卖：用户最关心的是这家餐厅好不好吃，价格贵不贵，有没有优惠，配送时间长不长。至于我认不认识这家餐厅的老板，这家餐厅开业时间就不是重点，所以算法就可能是完全不一样的思路。

不管Facebook信息流还是美团外卖，核心还是得去理解用户在你的产品中到底喜欢怎样的东西，这个是基础，算法只是工具。

2. 算法真的有那么大效果吗

这几年今日头条的成功，包括业内各种AI、人工智能的吹，让我们以为算法无所不能，实际上算法真的有这么神奇吗？

答案是没有。。。

今日头条的成功我认为主要还是靠对流量的理解，战略和公司的运营、算法、数据化思维形成的执行力。算法在里面只是一环

举一个淘宝的例子，去淘宝的人从需求的强弱程度来看分三种：明确知道我要买啥的，知道我要买啥品类但具体买啥不知道，就是来逛的。

第一类算法没有增长点，我就要买个苹果的iphoneX，你再怎么推荐我也是买个苹果X

第二类算法的增长点一般，我要买个蓝牙耳机，算法处理的好能提高成单率，客单价，利润，但也是有限的，因为用户进来之前已经有了一些基本的预算之类的预设。

第三类是比较大的增量空间，因为第三类属于激发性需求。就像你去商场听导购一顿忽悠，买了本身不需要的东西。但是第三类的成单量本身的占比并没有那么大。

所以综合下来，算法实际的效果也就是在完全没有算法的基础上有1.1，1.2，1.3倍这样的效果，这是由用户的需求总量决定的。

当然我不是说算法没用，因为在同等成本结构的基础上，你的转化率哪怕比竞争对手高5%，那也是巨大的效率碾压。我只是想说算法没有大家吹得那么厉害，并不能直接决定一家公司的成败，算法只是一个辅助。

3. 水果店案例说明算法在实际工程中的工作过程

在实际的商品类的推荐系统中，主要分三大块：收集数据和整理（商品画像、用户画像）；算法推荐；上线实验及回收结果。

收集数据及整理

假设小明开了一个有3家分店的大型水果连锁店，收集数据阶段主要包括：

商品属性信息：小明将店内的每一个水果以及水果的信息都记下来，甜的还是酸的，品质S还是A，有没有损坏，性寒还是热，单价贵不贵，有没有优惠等等。这是商品的基本属性信息。

商品反馈信息：销量咋样，停留率咋样，停留转化率咋样，用户的评价反馈咋样。这个是基本的反馈信息。

人的基本属性：什么人，什么小区，穿着打扮咋样，年龄多大，哪里人

人的行为信息：这次买了啥，下次买了啥，看了啥，咨询过啥，买完之后反馈咋样。

数据阶段收集是一方面，最关键的是收集的数据是结构化的，是在用户的购买决策中是有效的，比如说用户中途出去抽了一根烟这种信息就没啥用。。。

算法推荐

算法阶段关键的还是搞清楚用户在不同的场景中会喜欢怎样的水果。

我个人喜欢把商品推荐主干算法分为4个部分：质量评估，个性化，场景化，人工干预

质量评估：有些标准是存在绝对的好与坏的，水果是不是好的，性价比高不高，销量好不好，优惠力度大不大，用户反馈好不好这些是存在绝对的好与坏的，我相信没人想买个烂苹果。

个性化：有些东西是存在个体差异的，甜的还是酸的，进口的还是国产的，水果的品种是樱桃还是芒果，性凉还是热的，品质分级是S还是A（跟前面的烂没烂两个概念）。

举个例子：一个金融白领可能喜欢的是甜的车厘子，进口的，品质S级的，优惠不敏感，客单价高；而小区的家庭主妇喜欢的可能是杨梅，品质还过得去的国产的就行，很在乎优惠，客单价适中的。那对于前一种用户就可以推一些客单价高的，毛利高的进口产品，相应的也可以少设置优惠；对于后一种就应该推一些性价比高的，有折扣的清仓的商品。

场景化：不同的时间和地点会一定程度上影响用户的消费决策，比如夏天大家喜欢吃西瓜，在医院边上香蕉好卖，中午的时候不带皮可以直接吃的东西好卖因为大部分下午还要上班，晚上则需要处理的也卖的还可以。这个就是不同的场景带来的影响

人工干预：算法本身是不带意志的，但是很多时候人会强加一些意志上去，比如说最近年底冲业绩了，需要强推高毛利的商品了；比如这个樱桃是合作方的，需要强推；比如有些东西快过期了，需要强推。这个时候就需要人工去做一些干预

算法最后做的就是把里面每一个环节打上一个分，最后再把这些因素去加总得到一个最后的结果呈现在用户面前。但是这个分怎么打？这个就涉及到算法的价值观

所谓算法的价值观，就是你希望算法最终的结果是怎样的，我是希望销量最大化还是销售额最大化还是利润最大化。不同的目标带来不同的结果。因为算法只是为目标最大化负责的。

算法在处理每一项得分的时候也挺简单，简单说就是，如果我的目标是销量最大化，那有两个特征：优惠力度，评价，如果随着优惠力度的提高购买转化率急剧提升，那么我认为优惠力度这个特征权重就高，如果随着评价的提升购买转化率提升较慢，那么我认为评价这个特征的权重就一般。

这个过程并不复杂，算法的优势在于他能记录更丰富的信息（工程中特征数量可能达到百万级），处理海量的数据。这是算法比人有优势的地方

这个大概能支撑起一个算法的框架，实际的应用中会在一个主干算法的基础上去迭代很多小的策略。

下面举几个具体的细分迭代策略：

比如说买了芒果的用户很大比例都买了樱桃，那相应的会把买芒果的用户列表中的樱桃相应的往前提。这个就是大家常说的购物篮算法

比如说同样是国贸摩根大厦的用户更喜欢进口水果，那对于一个摩根大厦的用户他列表中的进口水果，高客单价水果需要往前提。这个类似协同过滤，通过找到跟你类似的人，再去看他们喜欢啥。

比如说你第一次买了榴莲之后打了差评，以后就需要降低榴莲及相关水果的权重。这个就是负反馈。

比如说你的列表中连续出现了3种葡萄，那这时候大概率是应该把他们打散一下，尽量一页别出太多葡萄。这就是打散

比如当你在浏览的过程中点击了樱桃，那根据购物篮原来喜欢买樱桃的人也喜欢买芒果，那下一页加载的时候需要动态的增加芒果的权重  — 这个是实时反馈

实验及回收效果

个人认为快速的实验迭代和效果回收是算法高效率的关键，也是互联网的核心。修路造桥错了就是错了，而互联网产品这版效果不好下一版还能优化。算法是将这种快速迭代推向了顶峰，同时几十个实验在线上AB测试，不需要发版，好不好马上就能看出来。

AB测试的过程有点类似如果我有5家水果店，我要验证新引进的樱桃设置怎样的价格能收益最大化，我可以5家店同时设置5种价格，卖一周看看结果。

实验主要分两个部分：实验及效果回收

实验就是在其它东西都一样的情况下，留出一个不一样的东西，然后观察最后的结果，这样比较好确定最后的结果差异就是由这个不一样的东西带来的。

效果回收主要是看数据和人去看实际推荐的结果，看数据需要覆盖多一些的指标，因为很可能销量好了毛利降了，或者毛利好了当天剩余率升高了。

人工去看结果主要是一个二次确定的过程，比如在头条里面各种数据都很好，但是推出来的内容很低俗，或者这种数据好人看完之后凭经验知道这不是长久之计，比如周围就一家水果店你恶性提价。。

作者：s_crat

以下是完整的调研内容和关键性结论。

1、“粉丝” 们推动销售和推荐

大多数人（72%）在Twitter 上关注一个中小企业或者与它进行互动后，未来更有可能在那里购买产品，同时其推荐的可能性提高了（30%）。推荐之所以重要，是因为可以提升网站浏览量，有86%的被调查者表示他们更可能去访问朋友推荐的中小企业。

结论：粉丝不仅可以转变成客户，还可以帮助你进行宣传，带来更多的客户。

2、“粉丝”们与中小企业会建立起一种情感联系

人们关注中小企业的重要原因之一（63%）是通过关注来表示对企业的支持。绝大多数人(85%)也表示当他们关注一个中小企业后，会感觉与它建立了更多的联系。这或许能解释为什么中小企业的“粉丝”们更愿意从那里购买产品并且推荐他们。

结论：Twitter可以帮助中小企业以一种让人舒服的方式与新的和现有的客户建立联系。通过仅针对Twitter用户的特价优惠活动来感谢“粉丝”们的支持。

3、“粉丝”们希望被关注并且得到反馈

人们关注中小企业的原因（73%）通常是希望获取它的新产品信息。但除此以外，他们（61%）还希望通过互动来分享观点并得到反馈。作为一家中小企业，最初应该正是这样的原因让你决定使用Twitter来推动业务。

结论：通过满足你现有和新的“粉丝”们所需求的，来建立一种更深的联系：以问问题的方式来邀请“粉丝”们分享他们的观点，并及时给予反馈。通过Twitter让“粉丝”们享有先睹为快的特权，来满足他们对新产品的好奇。

4、使用Twitter进行营销帮助你找到更多的客户

三分之一（34%）的被调查者表示当他们看到广告上中小企业的Twitter 账号后，会与它进行互动。人们看到中小企业发出自己感兴趣或者需要的产品的推广消息后，也更可能（32%）访问它。

结论：Twitter广告能帮助你扩大信息的传播范围，它将超越你现有的粉丝群，并发现其他对你的企业感兴趣的人。

研究表明人们希望通过Twitter来得到中小企业的信息并进行互动。不仅如此，如果你鼓励你的“粉丝”们分享观点，表示收到并进行反馈，同时告知他们新产品信息，他们就会更有可能通过购买产品或者进行推荐来帮助你扩大业务。