千人千面是指一個系統擁有不同人的不同畫像資料。

它的執行機制是這樣的：系統透過某種方式，獲得使用者的唯一標識。可能是手機號，也可能是手機的裝置編碼，還可能是身份證號碼。

用這個唯一的標識系統可以找到這個人相關的一些興趣、愛好等等資料。

有了這些資料就可以知道這個人的愛好興趣，系統就可以向他推送廣告或者商品。

這就是千人千面的執行機制。

電商個性化的最高境界—千人千面

千人千面是大資料在電商界的典型應用。它是指透過大資料對商品與訪問者建立畫像，再透過標籤體系將商品與訪問者對應起來，實現個性化推薦的目的，實現訪問者可以更快速的找到自己適合的商品。

具體做法，以電商行業舉例：

小張，男，25歲，座標北京，科技公司上班，過去一年，消費最高的產品依次為：電子產品、旅行、婚慶用品，累計消費金額10萬，客單價300元，對摺扣不敏感。根據這個使用者畫像，可知，小張有較好的經濟基礎、喜歡科技類產品、近期有結婚計劃或剛剛結婚。

而在另外一端，購物平臺會把所有產品打上標籤，如：產品型別、地域、消費水平，使用場景等。

完成上述兩步工作後，當小張開啟購物平臺時，購物平臺就會側重於推薦品質較好的電子產品、中高檔的旅行套餐、北京地區的婚禮服務等。

當然，即便是基於大資料的千人千面，品類內產品的排名仍然會遵照各平臺的排序規則，所以平臺賣家除了要標籤準確，還是要好店鋪運營的基本功。

千人千面意思就是一千個人看到一千種不同的介面。也就是說每個人看到的內容是不一樣的。

舉個例子，淘寶app的首頁頭部會有一些banner，可能是活動策劃頁，可能是商品推廣頁，以及其他各種形式的廣告。最開始，這些廣告位都是透過人工在後臺維護的，那就不可能為每一個人都分別配置一套，所以每個人看到等等其實是一樣的內容。這樣維護起來系統十分簡單，但是問題就來了，同一份廣告頁是沒有辦法適用於不同人群的，這樣其實是對優質廣告位資源的浪費。

為了提高個性化推薦的準確定，讓廣告位的轉化率更高，各平臺紛紛推出千人千面系統。也就是說，系統會根據你的收藏、加入購物車、訂單、搜尋、區域等資訊，智慧地未不同的使用者推薦不同的內容，這樣可以極大增加轉化率，提高訂單量。

千人千面能實現精準營銷，提高訂單轉化率，所以各個平臺都在力推該系統。

淘寶這幾年一直在喊“千人千面”，今年尤其厲害。以前，你可以不當真，可現在，種種跡象表明，這千人千面計劃已經被深入測試並實施了，而結果也很直接，就是淘寶的流量分配方式也跟著變了。識時務者為俊傑，拗不過，跟著變吧。

那這個千人千面到底是什麼?有人說針對的是搜尋流量的分配。每個使用者，搜尋同一個關鍵詞，展現的結果都不一樣，更符合他個人的特性。這個說法，不準確。準確的說，是“推薦流量”的千人千面。在自然流量的分流引導方面，淘寶主要有兩部分，一是搜尋結果展示，一個是推薦結果展示。在網頁端，兩者是分開的兩部分，而在手機端，兩者是融為一體的。插句題外話，對淘寶賣家來講，手機端的融合顯示，是一個噩夢般的訊息，這個以後再聊吧。兩者的根本思想是不一樣的，前者重在關鍵詞匹配，後者重點在關聯性推薦。演算法不一樣，結果自然也不一樣。不過，兩者的激發動作卻是一樣的，都是透過使用者在搜尋框裡面，輸入搜尋關鍵詞而來。看下圖：

關於搜尋演算法，這個已經被大家研究的很透徹了，五顏六色的SEO方法，都是圍繞著“搜尋演算法”而進行。但對於推薦演算法，以及如何圍繞著推薦演算法進行最佳化，我想大家應該也沒什麼直觀的認識，接下來，就由我來給大家剖析一下。好好聽，因為搶走你流量的，就是那些有意無意間，順從了淘寶推薦演算法的店家們。

簡單講，基於內容的推薦，就是基於“寶貝標籤”的推薦，如果你看到的推薦理由是“根據瀏覽的寶貝/根據收藏的寶貝/根據購買的寶貝/瀏覽過的店鋪/收藏過的店鋪/購買過的店鋪”，那就是這個推薦法則在起作用了。通俗點解釋，每個寶貝身上都有一堆的結構化的標籤，使用者在瀏覽丶收藏丶購買寶貝的過程中，就會與這些寶貝發生關聯，身上也被“烙”上了這些標籤。而當推薦系統需要給出推薦結果時，淘寶就會拿“使用者身上的標籤集”與“寶貝身上的標籤集”進行比對，根據相似性，給出推薦結果。粗俗的比喻是，你從羊圈裡出來，披上一身羊皮，身上還帶著一股羊騷味，就容易引誘獵狗追隨你而來。

這個演算法，有一個根本的落腳點，就是採集產品的結構化資訊。所謂的結構化資訊，指的是同類產品多半都會有的丶有具體含義的丶能直觀解讀的資訊。比如，休閒T恤衫來講，它的價格，各類引數，店鋪得分，寶貝收藏比，寶貝評分，保障計劃，標題分詞，關鍵詞，評價關鍵詞等凡是能被識別或者歸納出來的直觀特徵，都屬於結構化資訊。而其對立面，諸如產品的詳情描述丶圖片評論裡面的圖片，文字評論裡面沒有辦法被有效統計進來的部分，因為無法歸納，無法直觀解釋，則統統是非結構化資訊。這些資訊，在這種推薦方法裡，是一律被忽略的。在基於內容的推薦系統裡，這些結構化資訊就是一個個的定位標籤，共同鎖定了一個產品的具體方位。

從直覺上，大家對這種推薦演算法，想必是比較容易理解的，但這個推薦演算法的啟發意義，卻不見得是那麼顯而易見的。關於戰術建議，文氣一點講叫“尾隨”戰術，通俗一點講，就是傍大腿戰術，這對於那些並非處於主導位置的店家們來講，具有非凡的意義。

請一定要找好你的細分市場裡那個標杆寶貝/店鋪。婆婆媽媽叮囑一下，是你的細分市場裡面的，而不是整個市場裡，而且這種細分市場，最好是精細些。因為只有這樣，你才有可能有效的鎖定住目標寶貝(以及店鋪)，追隨才是有價值的，你們才有可能成為一對鴛鴦，而不是淪為眾多粉絲中的一個。什麼樣的寶貝/店鋪，能夠成為你的標杆呢，很簡單啊，問自己的兩個問題，在你那座山頭，你最希望坐上誰的位置?誰家的使用者群體，是最符合你店鋪的調性的?找出那個你下一階段想成為的那個他，跟住他。當然，這裡的目標，也可以是一個寶貝。

其次，模仿什麼?你需要明確的知道哪些是結構化資訊。諸如產品價格，引數等，不說你也知道，你只需要保證認真填寫，貼身追隨(價格也是哦)，不能隨便填寫其他或者不填就好了。難點在其他由非結構化資訊丶隱藏資訊所轉變而來的結構化資訊。比如標題，比如購買的關鍵詞，比如評價關鍵詞，就屬於此類。

這裡肯定有很多人跳出來不服了，啥，關鍵詞也要跟?該如何挑選長尾詞，該如何避開競爭，而且證明這些都是有效的，為啥現在是要主動迎合?恩，不好意思，你那是搜尋流量seo的思維，該思維下，最完美的策略是人無我有，人有我優的策略，大家彼此之間是零和競爭。但在推薦流量的思維裡，主導思維的是合作性博弈，流量間相互抬轎子(這也是淘寶想看到的，有效的分配流量，避免馬太效應)。當然，這裡有一個非常重要的前提，即你已經挑選好了標杆物件，否則你死命在關鍵詞上跟住那些大傢伙，是連湯水也喝不到的。如果你挑選好了物件，那麼你在部署購買關鍵詞時，就需要針對對方部署的關鍵詞進行跟隨性部署。好訊息是，你不需要試圖超越對方，保持一段穩定的距離就好了，根據自己能承受的能力，決定這個距離的大小。先保證相似，再保證接近程度。

為啥關鍵詞這麼重要，這裡面蘊含著最基本的經濟學假設------人都是理性的。試想前些年的高考制度，是屬於考前報志願的，正常人在這個環境下，都會非常客觀的衡量自己的真實能力，是絕少出現亂報(跨越式報考的)，明明只有北理工的水平，非要去報考北大，那叫傻缺，會死的很慘。對淘Bora講，跟教育局的位置是一樣的，與其去猜這個寶貝的各方面屬性如何，不如讓店家自己來報。店家最瞭解自己的產品和使用者，他們會用最貼切的詞語，來形容自己的寶貝，來吸引使用者。

很多產品品類並不是在一次曝光後，消費者就會產生採買行為。比如，準媽媽會利用5個月或6個月來考慮購買哪種奶粉，所以一次曝光是不足以支撐傳播度，這就需要進行多次，並且每次都用曝光來促成漏斗中部的轉化，甚至到漏斗底部，這樣才有助於帶來複購乃至自發推薦。再次，營銷雲還聚合了企業內部營銷生態。畢竟，營銷的碎片化不僅僅體現在外部，也體現在內部。