编辑导语：LBS是利用各种类型的定位技术，获取被定位设备的当前位置。随着互联网技术的成熟，大家开始将这项技术应用到电商购物中，但它也对线下商家产生了很大的影响。因此，作者分享了如何将LBS应用于线下业务，并设计了一个信息推荐系统，将用户带到线下业务。
#一、什么是LBS？
LBS是利用各种定位技术获取定位设备的当前位置，通过移动互联网向定位设备提供信息资源和基础服务。定位技术可以用来确定用户的空间位置，然后用户可以通过移动互联网获取与位置相关的资源和信息。
为什么推荐？
随着科技的发展，网上销售的规模越来越大，人们的工作节奏越来越快，用户越来越愿意花更多的时间在网上购物上。线上购物从前期的用户新鲜感到目前的成熟运营，严重影响了线下商场的销售。需要为线下商城设计用户推荐，留住客户，增加GMV，同时可以大大提高ROI，实现线下业务的收益。
2014-2019年中国线上零售额及增速，大商家有必要通过OTO模式升级线下零售，线上线下场景结合增加销量。
# 2.介绍推荐系统的分类
一般来说，推荐系统根据实时性可以分为三类：实时推荐、在线推荐和离线推荐。
实时推荐通常使用实时计算引擎进行实时计算，并及时推送到用户手机上。
在线推荐是指直接利用日志系统中的数据进行伪实时推荐。一般场景在商场待一个小时以上，在这个时间内做推荐。
离线推荐根据用户的历史数据向一定距离内的用户推荐信息。
基于LBS的推荐一般可以分为三类：短距离、中距离和长距离。当然，中长途用户通常会有历史线索或者在商城数据库中留下信息。
#三。用户旅程
在逛商场的过程中，消费者可以通过推荐来选择商家，从而可以引发消费者的行为，并通过消费者的反馈来为下一次推荐做准备。
#四。基于位置服务数据指标的建筑
完美的数据可以更好的向用户推荐合适的店铺，同时增加商家的整体GMV，所以一般的推荐系统都是基于用户画像系统。
需要强调的是，基于LBS最重要的推荐是用户的经纬度信息和店铺的经纬度信息的差异。
距离计算方法可以百度。因此，最重要的指标是距离指标，合理的距离指标将大大提高推荐系统的效率。
#五、推荐方法
## 1\.冷启动
任何推荐都有冷启动的问题。因为推荐系统需要根据用户的历史行为和兴趣来预测用户未来的行为和兴趣，如果是消费者第一次进入商圈，并且没有关于用户的信息，就会进行冷启动处理：
基于当前时间，向用户推荐得分高的店铺。当前时间最能反映消费者在冷启动阶段的情况。早上一般商品还没开，用户很可能会买早餐或者闲逛。中午或下午6点左右，用户也很可能找到餐厅吃饭。
如果不是这样，很可能用户只是在买衣服或者参加培训。基于以上情况，根据热度推荐用户。
## 2\.有历史数据的建议
即使有历史数据，时间维度也是一个重要的考虑因素。这里使用三种推荐算法，最后进行多渠道召回，找到最优推荐列表：
基于项目(商店)的协同过滤；
图片来源csdn网站
其中，wij的最终结果是一个相似度矩阵，它基于某个消费者的历史记录来获取与该消费者相关的店铺信息。应该是
基于模型的推荐：
基于模型是指利用机器学习算法根据现有的指标体系构建数据模型，然后计算出相应的推荐列表。一般分析过程如下：
常用的机器学习算法有：
LFM(隐藏语义模型)，线性回归，逻辑回归，决策树，KNN，K-均值
，深度学习-卷积神经网络。整个推荐系统产品经理需要了解算法，同时理解每种算法需要的参数，并根据业务需求选择合适算法，和数据分析师一同解决推荐问题。
产品经理最最重要的工作就是一个推荐需要哪些数据指标作为参数或者在形成数据模型过程中需要哪些参数进行聚合，即特征工程：
* 当前时间
* 商铺评分、评价、标签
* 用户行为
* 关键数据
* 进店频次、进店人次、收支金额、进店停留时间
* ……
将基于商铺的协同过滤和基于模型的协同过滤进行多路召回，得出最优的推荐解，对于基于LBS的推荐个人理解，推荐门类不超过3个，推荐条目不超过3条。
# 五、推荐系统流程
推荐遵循如下流程：
通过推荐系统形成推荐闭环，使推荐系统对用户推荐越来越准确。
数据流：
# 六、推荐产品的评估
一个好用的推荐系统能够大幅度提高整体营业额，比如亚马逊推荐系统据传能够提供35%的营业额，同时也需要对推荐系统的好坏进行评估，一般从以下几个方面：
* 预测的准确度：消费者是否按照我们的推荐进入到了推荐商铺中或者同类型商铺中，是否有80%以上用户进入了我们推荐的商铺中进行购物或者消费，如果不是，就需要对推荐算法进行调整。
* 用户满意度：可以根据用户停留时长，消费金额，商铺评分，满意度评价进行评估，设置一定的阈值，如果大于某个值那么说明推荐系统良好，如果小于某一值，那么需要进一步优化推荐。
* 覆盖率：这里的覆盖率指的是在一定范围内是否都进行了推荐（注意线索的合法合规）。
* 多样性：由于用户兴趣是随时可能发生变化的，那么该系统是否能够将一些该消费者没有消费过的商铺或者新开商铺进行推荐，增加推荐列表的多样性。
* 惊喜度：推荐是否能够给该用户带来惊喜，这项数据一般会通过用户调研获得。
* 信任度：做出的推荐商铺是否得到消费者信任，如果商铺已经是处于信任危机，推荐系统还是推荐给消费者，就会使消费者对推荐产生质疑，继而不信任该推荐的准确性，该项评价指标一般也是通过用户调研获取。
* 实时性：消费者一般存在理性和感性，实时推荐能够保证及时将有用信息进行推荐，实时性表现在push的发生时间间隔，即当消费者进入指定区域内多长时间进行的消息推送。
* 健壮性：系统的健壮性，一般指推荐系统本身是否经常性的出现问题，报错或者服务器崩溃等问题。
* 商业目标：最重要的评测指标，一个推荐系统好不好，就在于它挣不挣钱，好的推荐系统能够大幅度提升营业额和人流量。
本文由@包公帅哥 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash, 基于CC0协议
