推荐算法：不是为了卖更多东西，而是为了帮用户做出更好选择来赚钱

作者|洪杉  来源|红杉汇（ID: Sequoiacap）

[ 编者按 ] 每一段代码里的用户默认选项，都潜藏着一家公司的价值观。

越来越聪明和精准的推荐算法引擎，其变革式力量已经在我们日常使用的阅读应用、电商平台和娱乐消费中大量体现。但它在让我们的使用体验变得更便捷的同时，是不是也在让我们变得更懒得思考，甚至在某种程度上愚弄我们？

这是值得警惕的。究其本质，或许是因为我们误读了推荐算法本身——它的存在是为了提供更多、更优的选项，帮助做出更好的选择，而不是让人无脑地遵从计算的结果。简单来说，它应是为了让选择的权利更自由，而不是被束缚。

正如贝佐斯所言：“其实亚马逊并不是靠卖出更多东西赚钱，而是靠帮助用户做出更好的购买决策来赚钱。”也就是说，推荐算法的最大受益者应是用户，而平台的商业模式才随之成立。

由是而言，不要误以为技术的领先性是核心竞争力的护城河；价值观的比拼，才是终极竞争。

每期监测和精编中文视野之外的全球高价值情报，为你提供先人一步洞察机会的新鲜资讯，为你提供升级思维方式的深度内容，是为 [ 红杉汇内参 ]。

推荐算法的变革性力量

作者：Michael Schrage

编译：洪杉

维基百科将推荐算法引擎（以及平台和系统）定义为：“一种信息过滤系统，用于预测用户对物品的‘评分’或‘偏好’。”但作为一种工具、技术和数字平台，推荐算法引擎远比这一定义所显示的更加有趣和重要。

在数据驱动的市场中，当预测分析被重新包装并用于推荐算法时，它将会改变人们认知、体验和决策的方式。它是商业世界中最强大，同时也是能最大程度为人们赋能的引擎。

对阿里巴巴、亚马逊、Netflix和Spotify来说，推荐算法引擎不单只是营销或销售工具，它还是洞察力、创新和用户参与的重要驱动力。优异的推荐算法可以显著地提高客户忠诚度、带来可观的客户增长，并且放大了客户终身价值。而打造出一个算力强大的推荐算法系统，将有益于重塑人类行为。

推荐算法引擎的影响和目的并不限于客户或消费行为。大型雇主，尤其是谷歌，已经采用和调整推荐算法引擎作为内部生产力平台，助力员工做出最佳职业决策选择。

尽管数据仍是推荐算法的重要组成部分，但目前全球推荐算法革命所反映出的深刻而持续的算法创新，已经使得机器学习和人工智能可以自行推动深度学习和生成性对抗网络的改进。成功的推荐算法引擎还会学习如何学习。人们使用它们的次数越多，它们就越聪明；它们越聪明，人们使用它们的次数就也会越多。做得好的话，推荐算法引擎可以实现价值创造的良性循环。

推荐算法引擎一方面为人们带来助益，另一方面也越来越多地影响人们在服装、娱乐、食品和药品方面的选择；还会影响我们发送的信息、联系的朋友、优先考虑的客户和潜在客户、寻找的专家、聘用的求职者、选择的投资、编辑的备忘录以及遵循的日程安排。

但算法带来的方便和助益不应该掩盖微妙而重要的设计原则：推荐算法的存在是提供更优的选项，确保可以做出更好的选择，而不是让人无脑地遵从计算的结果。正是这一原则，才让良性的价值循环得以存在。它并不寻求将最优、最好或最正确的答案强加给用户，恰恰相反，推荐算法的意义和目的是赋能，算法的诉求是影响决策但并不控制决策。因此，从这一点来说，成功的推荐算法引擎设计更多是在于它想要如何影响决策，而非拥有多少数据，了解多少信息。

推荐算法引擎将改变人们的选择。就像蒸汽机引发了一场工业革命一样，推荐算法引擎在算法时代重新定义了洞察力和影响力。哪里需要做出重大决策，推荐算法就会在哪里蓬勃发展，而随着它们变得更加智能，这种决策数字化趋势就只会变得更加普遍。更好的推荐算法必然意味着更好的选择。

帮助消费者做出更好的选择，可以推动业务增长

购物、商业和消费是推荐算法引擎日益增长的影响力的最明显例子。原因之一是，更多的人在更多的领域拥有了更多的选择机会：例如，亚马逊Prime Video就提供了超过20000部电影和视频；每分钟有超过500小时的视频被上传到YouTube；每天有超过5000万张照片被发布在Instagram上。这种巨大且不断增长的丰富性，本质上也让人们做出深思熟虑决策的难度变得更大。所以，想要做出更好选择的人，会越来越愿意接受智能机器的推荐算法。

Spotify是全球最大的独立音乐流媒体平台，拥有5000多万首歌曲，用户量超过2亿。这家瑞典的创新企业之所以能达到今天的规模，就在于他们将发现、推荐和个性化作为其用户体验和增长战略的支柱。

Discover Weekly（“每周新发现”推荐歌单）是该公司首屈一指的推荐算法系统的成果，作为值得深刻探讨的案例研究，它展现了推荐算法是如何深刻改变了人们发现新事物的途径的。每周一，Spotify的客户都能看到这样一份个性化定制的推荐歌单，里面有30首他们可能从未听过但很可能会喜欢的歌曲。这一功能于2015年悄然推出时，Spotify只有约7500万用户，而这一项目是一个临时团队在没有获得正式支持的情况下创建的。

相似性是Spotify能把这件事做好的秘诀。不同的算法在计算过程中处理不同的特征、属性和元素，从而为用户提供可预见的惊喜。推荐系统会分析用户的行为以及歌曲和艺术家之间的关键共性，抓取用户活动日志、用户播放列表、看过的音乐新闻和发表的评论，甚至用光谱图分析音频文件，记录这些作品的节奏，调值和响度等关键特征信息。然后，筛选掉用户曾听过的，最终生成一份为每个人定制的播放列表推送给用户。

2015年初，刚开始测试Discover Weekly时，这一临时团队的人悄悄地把它的原型推到了公司所有员工的Spotify账户上。“每个人都又惊又喜，”Discover Weekly的联合开发者Edward Newett回忆说，“他们会说：‘这简直就是另一个我做出来的歌单。’”

接着，Discover Weekly被推给了1%的用户，并获得了同样的热烈反响。之后，到了2015年年中，Spotify便开始向世界各地的所有用户推出这一功能。它迅速在用户间掀起了一阵热潮，推出后的10周内，这一推荐算法推荐的歌曲就获得了10亿次播放。

像Spotify这样的公司其实是在赌：帮助用户做出更好的选择——亦即在选择时更明智——能更好地提升他们的忠诚度，让他们更愿意在自己的平台上花钱。而数据也表明他们赌对了：一项2019年的调查显示，个性化产品推荐算法带来的收入占据了电商行业收入的近31%。Salesforce的一项研究发现，在线购物者在点击任何产品推荐后，将商品添加到购物车并完成购买的可能性增加了4.5倍。

Netflix注意到，人们在平台上所观看的节目中，有75%来自平台的个性化推荐（推荐算法数据也被用于推荐新节目和原创节目）。而独立研究机构的报告也有力表明，推荐算法带来的直接或间接收入大约占了亚马逊收入的三分之一。

显然，这其中也潜藏着不可避免的利益冲突。推荐系统的运作，考虑的究竟是公司的还是客户的最大利益？谁又才是最大受益者呢？

因此，如何管理这些利益冲突，展现的与其说是技术上的独创性，不如说是企业的价值观。为用户赋能的算法与只是单纯利用用户的算法之间，明显有差别。

只有当用户信任推荐算法时，推荐算法才能发挥出最大的作用和价值。相信推荐算法是真心为他们考虑，就会对算法给出的新奇的、出乎意料的、未经证实的内容持开放态度、不设防备心理。

但它同时也带来了风险：算法有可能会利用这一心理来操纵和利用用户。正如LinkedIn负责监督推荐算法研究的Dan Tunkelang所观察到的那样：“当推荐算法发现它们拥有影响决策的力量时，它就会变成垃圾邮件发送者、骗子和其他动机不那么光明的想要影响我们决策的东西。”

从技术上讲，操纵推荐算法引擎是比较容易的。让推荐算法偏向于某个品牌、电影、餐厅、人物或歌曲，而不是另一个，这并不难。简单地说，只需一行代码即可。但实事求是地说，这样做真的值得吗？一次两次的欺骗性获益真的会胜过对客户终身价值的投资吗？

杰夫·贝佐斯就断然拒绝了歪曲推荐算法的做法。他提到并引用了一家供应商的话，这家供应商对亚马逊将批评性的评论放在显眼位置的做法感到不满。贝佐斯说：“有个人写信给我说，‘我是真不懂你的业务模式，卖出东西越多越能赚到钱啊，为什么你还允许这些负面评论被放出来？’我读到这里的时候就想说，其实亚马逊并不是靠卖出更多东西赚钱，我们是靠帮助用户做出更好的购买决策来赚钱。”

人们接受或不接受推荐算法的结果，同样都会揭示他们内心的真实想法。不管是设计好的还是系统的默认设定，更个性化的推荐需要更多的个人数据和信息。而看似不相关的数据集通过算法融合，可能会产生令人惊讶的洞见。

这种创新诉求让安全性和保密性变得更加重要。就像在医疗保健行业一样，随着推荐算法系统的功能越来越强大，越来越普遍，越来越具有预测性，知情权和同意权也会变得愈发重要。

帮员工做出更好的选择，可提升绩效

推荐算法还可以提高个人——以及企业——的生产力。例如，很多营销人员和销售人员都在使用推荐算法来策划活动和锁定潜在客户。IBM和Salesforce等企业领导者也在使用和提供这样的销售推荐算法系统。

问题是，如何才能更好地展示数据分析的结果，以便提高生产力呢？目前能看到的电子表格、动态监控面板以及动态可视化能做的都很有限。那不妨比较一下以下两种表达哪种更有说服力好了：“你要这样做”还是“接下来这样做可能会得到上司的赞赏哦”？记住，你是给人建议，而不是咄咄逼人地命令他们。

最理想的情况是，成功的推荐算法将大量释放出提高生产力的机会。我们不妨借助以下这些例子来打开想象：

●  一位高管意识到他的书面表达缺乏清晰度、活力和说服力，于是他就会用IBM的Watson Tone Analyzer等软件来分析他的信件和信息。软件会提出相应的修改建议，使其表达变得更清晰和更具说服力。

●  一位全球项目经理想要让她的团队具备更强的合作协作精神和团队意识，因此借力于推荐算法系统。这一系统便会做社交网络关系分析，为项目里程碑排优先级顺序，审查会后交流，并提出每日检查清单。

●  一个技术能力强但缺乏灵感的用户界面设计师，当他想要做出更先锋更激进的设计时，他的视觉推荐算法系统会根据创意和大胆的用户体验设计，提供相应的原型图像和线框。

在这些例子中，都不存在所谓正确的答案或规范的解决方案。相反，推荐算法系统为他们提供的是一些清晰、令人信服、定制化的，在其他情形下无法得到的选项。

随着机器学习、人工智能、传感器、增强现实、神经技术和其他数字媒体的不断创新，推荐算法的影响力将会变得更普遍、更强大以及更重要。它可期的未来不仅仅在于变得更个人化、更相关、提供更好的信息，而是变革性地为人们提供更好选择的惊喜。

#与那些从未实现的想法“断舍离”#

为什么扔掉“腐烂的香蕉”，对你的成功至关重要

当一个想法突然冒出时，它是绿色的，就像一根未成熟的香蕉；这个想法在接下来几天内逐渐在你脑子里变得丰富、成形——就像香蕉一样慢慢成熟；但如果你迟迟不去执行这些想法，它们就会开始腐烂，占据你的精神和物质空间。

企业运营中也会有“腐烂的香蕉”，比如从未落实过的方案、已经搁浅的项目、不再产生利润或生产力的业务。在新的一年开始之前，要清理它们。

▨ 识别老香蕉。列出所有未完成项目，和团队一起对它们的重要性进行评分，找出已经开始“腐烂”的项目。

▨ 公开作出承诺，以便让自己被监督——要么在香蕉（想法）成熟时就吃掉它，要么放弃它。

▨ 面向新一年。从清单中找出哪些是你真正需要做的，在明年集中资源完成。

▨ 切香蕉。现在是我们的最后一步：把今年剩下的香蕉切碎，也就是在2021年1月1日之前，选出三件最重要的事情来推动业务向前发展。

编者按：本文来自微信公众号：红杉汇（ID: Sequoiacap），编译：洪杉