導(dǎo)語(yǔ)

打開(kāi)購(gòu)物APP，首頁(yè)推送的商品常常讓人迷惑，偶然點(diǎn)擊的廣告商品被反復(fù)推送，真正符合內(nèi)在需求的商品卻被淹沒(méi)在推薦列表中。

近日，北京大學(xué)光華管理學(xué)院助理教授王聰與合作者的研究在國(guó)際信息系統(tǒng)頂刊

Information Systems Research

行為數(shù)據(jù)≠真實(shí)偏好

在電商平臺(tái)上，用戶(hù)的每一次瀏覽、加購(gòu)、下單都會(huì)留下“數(shù)字足跡”，這些數(shù)據(jù)正是推薦算法的訓(xùn)練基礎(chǔ)。但王聰和合作者的研究發(fā)現(xiàn)，這些行為數(shù)據(jù)并非用戶(hù)真實(shí)偏好的純粹反映，而是多種因素交織的結(jié)果。

消費(fèi)者的購(gòu)物行為不僅取決于自身對(duì)商品的偏好，也會(huì)受到商品顯式度和從眾效應(yīng)的雙重影響。商品顯式度如同商場(chǎng)里的顯眼廣告位，搜索排名靠前、廣告投放密集的商品更容易獲得用戶(hù)點(diǎn)擊；而從眾效應(yīng)則像貨架前的 “人氣指標(biāo)”，高銷(xiāo)量、好評(píng)多的商品往往能吸引更多人跟風(fēng)購(gòu)買(mǎi)。

而傳統(tǒng)推薦算法恰恰忽略了這一點(diǎn)，將用戶(hù)因廣告吸引的瀏覽、因銷(xiāo)量跟風(fēng)的下單，全部等同于“用戶(hù)喜歡”，直接用于模型訓(xùn)練，這種混淆導(dǎo)致算法陷入越推越偏的循環(huán)，既影響用戶(hù)體驗(yàn)，也降低了平臺(tái)的推薦轉(zhuǎn)化效率。

提出DISC模型，給行為動(dòng)因做精準(zhǔn)分離

為解決目前推薦算法的問(wèn)題，研究團(tuán)隊(duì)創(chuàng)新性地將因果推斷理論融入推薦系統(tǒng)設(shè)計(jì)，提出了DISC因果解耦推薦方法。該模型的核心突破在于，將驅(qū)動(dòng)用戶(hù)行為的三大核心因素內(nèi)在偏好、商品顯式度、從眾效應(yīng)精準(zhǔn)分離。

具體而言，研究團(tuán)隊(duì)基于消費(fèi)者行為理論，將完整購(gòu)物旅程劃分為三個(gè)關(guān)鍵階段：以瀏覽為代表的需求識(shí)別階段、以加購(gòu)為代表的預(yù)購(gòu)評(píng)估階段、以購(gòu)買(mǎi)為代表的決策階段。通過(guò)構(gòu)建結(jié)構(gòu)化因果圖，模型明確界定了不同因素在各階段的作用：瀏覽行為由內(nèi)在偏好和商品顯著性共同驅(qū)動(dòng)，而加購(gòu)和購(gòu)買(mǎi)行為則受內(nèi)在偏好和從眾效應(yīng)影響。

為更加明確地反映真實(shí)購(gòu)物情境，DISC模型引入了潛在變量——決策路徑選擇變量，成功適配了現(xiàn)實(shí)中的復(fù)雜購(gòu)物場(chǎng)景。比如，沖動(dòng)型消費(fèi)者可能跳過(guò)加購(gòu)環(huán)節(jié)直接下單，而謹(jǐn)慎型消費(fèi)者會(huì)完整經(jīng)歷“瀏覽-加購(gòu)-購(gòu)買(mǎi)”流程，這一變量讓模型能更精準(zhǔn)地捕捉不同用戶(hù)的決策習(xí)慣，避免了傳統(tǒng)模型“一刀切”的描述缺陷。

在數(shù)據(jù)處理層面，由于內(nèi)在偏好、商品顯式度等核心變量無(wú)法直接觀測(cè)，模型通過(guò)代理變量間接推斷其相對(duì)大小，如用商品總瀏覽量代理顯著性，用商品總銷(xiāo)量代理從眾效應(yīng)。研究團(tuán)隊(duì)通過(guò)理論分析證明，在滿足寬松假設(shè)條件下，該模型可僅基于觀測(cè)數(shù)據(jù)，唯一估計(jì)出各動(dòng)因的真實(shí)效應(yīng)，為因果推斷的嚴(yán)謹(jǐn)性提供了理論保障。

商業(yè)價(jià)值落地，反事實(shí)分析賦能精準(zhǔn)營(yíng)銷(xiāo)

經(jīng)過(guò)在兩個(gè)大規(guī)模真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證，DISC模型表現(xiàn)出顯著的效果優(yōu)勢(shì)：在傳統(tǒng)購(gòu)買(mǎi)行為預(yù)測(cè)任務(wù)中，其預(yù)測(cè)性能超越當(dāng)前主流基線模型；在排除顯著性與從眾效應(yīng)干擾的“純凈偏好推薦”任務(wù)中，該模型能夠更準(zhǔn)確地預(yù)測(cè)用戶(hù)基于內(nèi)在偏好做出的購(gòu)買(mǎi)決策，從而實(shí)現(xiàn)了對(duì)用戶(hù)真實(shí)偏好的精準(zhǔn)捕捉。

該模型的核心商業(yè)價(jià)值在于可基于其學(xué)習(xí)到的因果圖進(jìn)行反事實(shí)分析，為電商平臺(tái)提供數(shù)據(jù)驅(qū)動(dòng)的營(yíng)銷(xiāo)決策工具。通過(guò)對(duì)不同行為動(dòng)因的干預(yù)分析，平臺(tái)可量化各類(lèi)營(yíng)銷(xiāo)策略的實(shí)際效果：對(duì)于沖動(dòng)型購(gòu)買(mǎi)路徑，提升商品顯著性（如優(yōu)化廣告投放、調(diào)整搜索排名）的干預(yù)效果更優(yōu)；對(duì)于謹(jǐn)慎型購(gòu)買(mǎi)路徑，強(qiáng)化從眾效應(yīng)（如突出高銷(xiāo)量數(shù)據(jù)、展示用戶(hù)好評(píng)）則能更有效促進(jìn)轉(zhuǎn)化。

這一研究的創(chuàng)新意義在于，打破了傳統(tǒng)推薦算法的困境，實(shí)現(xiàn)了算法決策的可解釋性與可干預(yù)性。對(duì)于電商平臺(tái)而言，DISC模型不僅能提升用戶(hù)粘性與轉(zhuǎn)化效率，還能量化不同動(dòng)因的干預(yù)效果，通過(guò)精準(zhǔn)匹配降低營(yíng)銷(xiāo)資源浪費(fèi)；對(duì)于消費(fèi)者來(lái)說(shuō)，未來(lái)的推薦列表將更少受到廣告、爆款等外部因素的裹挾，更多呈現(xiàn)契合個(gè)人真實(shí)需求的商品。

隨著數(shù)字經(jīng)濟(jì)的深入發(fā)展，個(gè)性化推薦已成為連接消費(fèi)者與商品的核心橋梁。王聰與合作者的這項(xiàng)研究，通過(guò)因果推斷與推薦算法的深度融合，為推薦系統(tǒng)的優(yōu)化升級(jí)提供了全新方法論，幫助電商行業(yè)在精準(zhǔn)匹配中挖掘新的增長(zhǎng)空間。

注：本篇論文的其他作者還包括復(fù)旦大學(xué)管理學(xué)院石巖松，清華大學(xué)經(jīng)管學(xué)院郭迅華，清華大學(xué)經(jīng)管學(xué)院陳國(guó)青

王聰，北京大學(xué)光華管理學(xué)院管理科學(xué)與信息系統(tǒng)系助理教授。于清華大學(xué)經(jīng)濟(jì)管理學(xué)院取得管理學(xué)博士學(xué)位，于北京大學(xué)信息管理系、國(guó)家發(fā)展研究院取得管理學(xué)、經(jīng)濟(jì)學(xué)雙學(xué)士學(xué)位，曾在Carnegie Mellon University（卡耐基梅隆大學(xué)）從事博士后研究工作。學(xué)術(shù)研究聚焦于機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等技術(shù)方法與管理問(wèn)題的交叉點(diǎn)上，根據(jù)不同管理問(wèn)題需求及其數(shù)據(jù)特點(diǎn)進(jìn)行相應(yīng)的分析方法設(shè)計(jì)，以提供精準(zhǔn)高效的解決方案。目前主要關(guān)注于電子商務(wù)、金融科技、智慧醫(yī)療等領(lǐng)域的決策支持方法設(shè)計(jì)研究。研究成果發(fā)表于國(guó)內(nèi)外知名學(xué)術(shù)期刊。

往期發(fā)布：

什么時(shí)候股市的做空信號(hào)最該警惕？丨學(xué)術(shù)光華

告別“全能內(nèi)卷”，專(zhuān)利交易讓企業(yè)更專(zhuān)業(yè)？丨學(xué)術(shù)光華

來(lái)源 |北大光華學(xué)術(shù)資訊，北大光華對(duì)外關(guān)系部

排版|李珅

編輯 |王小雅

審閱|塔娜