案例背景

近年来，宜家在不同渠道的消费者旅程中多元布局，并实现了不同类型的个性化服务，由此提供卓越的消费者体验，包括购物车中的相关产品推荐，编辑部门的内容推荐，产品页面上的励志、吸睛推荐等。这种较为广泛的“推荐”团队模式，存续一段时间之后，宜家决定拆分团队，让一个子团队专注于产品推荐。这是由于全球爆发的新冠疫情，改变了客户的行为和需求。应时而变，在此转折点上，宜家决定改变员工的工作方式。首先采用更科学的方法，来优化大规模展示高质量产品的推荐机制，并降低操作复杂性。我们认为，这对于提高宜家个性化推荐水平，以及全面了解我们的客户需求，是必不可少的。 

数据驱动型决策

第一步是从根本上提高我们获取高质量定量信息的能力，进而了解我们的“推荐”解决方案，如何影响个性化策略的实际效果。我们通过对消费者行为进行大量 A/B 测试来实现这一点，经过初步实验，我们总结得出以下关键经验：

1、UX 和算法的混合，对于有长效吸引力的客户体验非常重要。

2、个性化策略的执行质量，不能孤立地衡量。可以通过一次测试多组推荐，来获得更真实的统计结果。

一旦我们提出了一个可靠的数据收集框架，并坦诚接受我们对客户知之甚少的结果，我们就能够探索到数量惊人的创意路径——没有什么是不可能的。这次探索实践，是一次非常谦逊的学习经历。因为它为个性化实践开辟了新的视角，一种更加好奇和开放的思维方式。我们学会了信任数据，因为数据能向你展示以往忽略的“信息盲点”。

实验和学习框架

宜家团队创造了将实验性优化成果，快速部署到我们现有解决方案的方法。这使得在前端进行用户体验测试优化成为可能，包括标题和图像中的细节。当然，这也涵盖了后端调整，从详细的手动添加或删除推荐到混合和匹配算法，涵盖本地开发的和来自 Recommendations AI 的多种算法。

这种灵活性带来了间接成本。相比于直接从 Recommendations AI 检索建议而言，复杂性和费用更高。然而，好处是我们不再依赖人工评估高效能推荐系统的真实标准。现在，宜家采用数据驱动的定性方法来提供建议，并显著提速了我们的实验排期。兼顾 CI/CD 管道的优化，团队能够借助数据之力，在不到半小时的时间内，将想法或假设从开始推进到与客户进行 A/B 测试。

Recommendations AI 实验

我们团队的基础设施已经在 Google Cloud 平台上运行，当宜家在早期获得对 Recommendations AI 的访问权限时，初始要求非常低，这使我们能够以最少的成本和投入开启初始测试。

宜家从几个用例起步，并找准了现有推荐算法需要改进或补充推荐的地方。此外，我们还探索了通过个性化推荐，向消费者呈现更多有价值信息的方式。

Recommendations AI 模型组合

虽然 Recommendations AI 可能被认为是用于获取一组产品推荐的简单 API 服务，但随着宜家深入研究解决方案，愈发明显地发现 Recommendations AI 可通过多种不同方式进行调整，以提供众多微调配置来满足业务目标。尽管过多的微调和定制，可能会导致性能不佳，但总的来说，宜家发现 Google Cloud 提供多个版本的 ML 支持建议，是一个出色的策略。这也就是说，你对体验的个性化程度越高，你越有可能为消费者选择最好的服务配置。

诸如“为您推荐”、“经常一起购买”和“您可能喜欢的其他商品”这一类 Recommendations AI 模型，能够与优化转化率、点击率和营收等业务目标相结合。业务优化过程中，宜家尝试了多样化模型组合和自定义规则，这些工作都能在 Google Cloud 平台的控制台中轻松配置。我们使用的最简单的自定义配置之一，便是仅推荐现有库存商品。当商品缺货时，宜家会借此查看可用于优化体验的相关商品。

与 Google Cloud 合作

宜家与 Google Cloud 的合作，加速了我们在实验过程中的学习进程。在产品开发早期，双方便已密切合作。此外，Google Cloud Recommendations AI 模型为我们提供了调整运营策略的灵活性，并提供了比过往更多的选择方向。最终，这为宜家提供了大幅缩短产品上市时间的方法，该产品创造了我们无法独自完成的卓越成果。

合作成效和要点

借助更多个性化和实时推荐，宜家取得了显著成效。数据显示，我们能够将页面上显示的相关推荐数量增加400%。为了配合更广泛的推荐内容，我们不得不改变用户的交互体验模式。例如在一些页面位置，我们设置了产品推荐的水平滚动显示，这对客户来说更为便捷、易用。

显示更多个性化推荐的另一个益处，是转化率和平均订单价值的实际提升。Recommendations AI 算法可通过以下两种方式帮助消费者提升体验：

1、消费者能够快速找到自己心仪的产品，并更快地在备选商品中确定他们的首选商品，让他们能确信通过少量点击即可进行购买。尽管宜家此前已经对几种类型的推荐进行了出色的优化，但借助 Recommendations AI，我们监测到点击率提高了30%。

2、另一个成效是平均订单价值增长了2%。优化过程中，有许多示例可以说明 Recommendations AI 如何帮助消费者找到具有吸引力且相关度高的配套产品，将客户购买范围从单一产品扩展到整个家居解决方案。

为获取更显著的商业效益，受到驱动的团队开始在客户旅程中，探索更多能够使用助推增长的推荐套餐的潜在区域。如果为了验证在特定场景中展示推荐是否有意义，宜家将从初始实验开始。借助这些实验中集成的数据，我们将以此为依据进行下一步迭代，以确定随着客户行为的发展，哪些额外的推荐类型更适合向客户展示。如今，宜家的大部分网站推荐都由 Recommendations AI 提供支持。

一个关键要点是，对于某些类型的个性化推荐，应用大量高级数据科学和工程能力，对构建高级算法更有好处。这是因为它们优于简单的方法。在某些地方，简单的方法卓有成效；而在其他地方，正确决策则是根本不需要产品推荐。为发挥产品推荐效能，你需要拥有上述所有能力，并能够判断何时应用。

下一步，共创商机

当处理与消费者体验紧密相关的事务时，要保持拥抱变化的积极心态，对用户行为和新知识进行长期性观察，并作出调整、适应。鉴于商品推荐很少是以独立存在为主的体验模式，而是经常用于赋能和增强体验的机制，宜家认为拥有一个包含多种可能性的大型工具箱，以及一个始终专注改善客户体验的协作团队，兼具长短期价值。为此，宜家选择直接与 Recommendations AI 团队合作，并试验了若干令我们兴奋的新功能。

在未来，我们看到了通过更直观的用户体验来改善消费者旅程的机遇，这种体验可以激活消费者的购物欲望，而不是依靠消费者利用想象力将产品组合加以可视化。宜家正在考虑下一步部署的 Vision Product Search 做到了这一点，在 2021 年 7 月 27 日举行的 Google Cloud 零售峰会上的“宜家构建强大推荐引擎的方法论”演讲中，我们分享了更多关于 Recommendations AI 的使用过程。

向宜家产品推荐团队和 Google Recommendations AI 团队的所有开发人员，致以诚挚美好的祝愿！