被動中的主動：談?wù)劗a(chǎn)品中的推薦功能
在路上聽音樂時(shí)，我總是習(xí)慣在「隨機(jī)播放」模式下不停的切歌直到切到自己想聽的那首歌。不知類似的場景大家有沒有"經(jīng)歷"過，是我個(gè)人的習(xí)慣還是大家也有這樣的感覺，所以想寫出來順便通過這個(gè)習(xí)慣引申出關(guān)于推薦的一些感想。
行為：選擇「隨機(jī)播放」總想切歌到「想聽的歌」
隨機(jī)播放
從我的使用習(xí)慣來看，「隨機(jī)播放」多發(fā)生在上下班路上或剛忙好稍微放松下的時(shí)候，選擇「隨機(jī)播放」意味著想「聽歌」這事大過于「聽什么歌」，屬于行為驅(qū)動大過于目標(biāo)驅(qū)動，類似于餓了想吃飯但還沒有想好什么飯店，想看場電影但沒有決定看什么電影。只是把「聽歌」當(dāng)做一個(gè)調(diào)劑而不是好好的欣賞音樂。
在這個(gè)前提下，如果讓用戶先去把歌曲選好，建好列表再去開始播放什么的，相必就不那么讓人愉悅了吧，只是想隨便聽聽。
想聽的歌
在「隨機(jī)播放」中遇到一首不喜歡的歌怎么辦，點(diǎn)擊"下一首"的按鈕就可以了，如果再不喜歡怎么辦，繼續(xù)下一首。那為什么不去直接選擇喜歡聽的歌，而是通過這種方式去切換？做了一個(gè)圖，可以看到：
在選擇自己想要聽的歌的時(shí)候，用戶的心理模型大概如圖，在這么多歌曲里面去主動尋找想聽的歌(藍(lán)點(diǎn))，如果目標(biāo)(藍(lán)點(diǎn))很大，那么很容易就會發(fā)現(xiàn)，但是并沒有特別強(qiáng)的目標(biāo)(藍(lán)點(diǎn))，要想挑選出自己想聽的歌，就不那么容易了，很容易選擇困難。
而「隨機(jī)播放」?fàn)顟B(tài)下，歌曲的序列是線性的，播放器會主動推送歌曲給你，無需思考下一首是什么，只管當(dāng)前的歌曲你想不想聽，不想聽就「切」，再給你換，在被動的「隨機(jī)播放」中仍掌握著主動權(quán)。
在被動中的主動——個(gè)性化推薦的產(chǎn)品
我把剛才描述的行為稱為「被動中的主動」，被動是在于信息展現(xiàn)內(nèi)容和順序非自己編排，而主動則是可以通過一些操作改變被動呈現(xiàn)信息的內(nèi)容。這種個(gè)性化推薦的形式在大家平時(shí)使用時(shí)已經(jīng)已經(jīng)可以發(fā)現(xiàn)，這些一定都會也一定會是未來的趨勢。
音樂產(chǎn)品的推薦
前面提到的「隨機(jī)播放」也已經(jīng)有很好的音樂類產(chǎn)品了，如國外 的Pandora 和國內(nèi)的豆瓣/蝦米電臺，用戶不考慮有什么歌曲曲庫問題，產(chǎn)品會先通過熱門或者標(biāo)簽確認(rèn)你的初步口味，然后通過你主動的對歌曲進(jìn)行更細(xì)的操作，不斷的挖掘出適合你的歌曲推薦算法，增加黏性。
電商中的推薦
Amazon.com 的首頁非常有名氣就是個(gè)性推薦商品的功能，在最近國內(nèi)電商的改版中也發(fā)現(xiàn)了推薦所占的位置已經(jīng)越來越重，這些都是「被動」，而「主動」則是用戶在之前瀏覽過的商品，關(guān)注過的東西，商家通過數(shù)據(jù)的再挖掘從而進(jìn)行有效的推薦，對轉(zhuǎn)化非常有幫助。
最近火的蘑菇街&美麗說&果庫屬于導(dǎo)購，主動方面還未看的出，但比起淘寶的龐大來說，已經(jīng)算是屬于精準(zhǔn)推薦了。
內(nèi)容類的推薦
豆瓣在這一塊無意是國內(nèi)做的比較好的，讀書頻道中的豆瓣猜分別有「猜你感興趣的新書」，「猜你的閱讀興趣」，「猜你感興趣的豆列」，書/電影的單頁中有「喜歡XXXX的也喜歡」「以下豆列推薦」，這些推薦可以盤活整個(gè)豆瓣的內(nèi)容體系，互相交織在一起變成一張網(wǎng)，而產(chǎn)生推薦的信息也是由用戶主動的訪問而產(chǎn)生的。
新浪微博的「注冊后的推薦」，「右欄推薦」，「微關(guān)系」分別根據(jù)微博熱門，標(biāo)簽&關(guān)系，關(guān)注分析進(jìn)行推薦的，也是為了盤活他的整個(gè)會員之間的關(guān)系而存在的。
還有類似豌豆猜，App Store 的 Genius 也是一樣，就不逐個(gè)舉例了。
被動&主動&推薦
推薦可以降低使用門檻，可以幫助商品快速轉(zhuǎn)化，更能夠拉動內(nèi)容之間的關(guān)聯(lián)，用戶會需要這樣的功能，但在推薦的背后并不應(yīng)只是把內(nèi)容展現(xiàn)給用戶，讓用戶被動的接受，如果全是無用的東西，結(jié)果會更糟糕。多給予一些用戶能夠主動掌控的東西，讓用戶不知道情況下的參與到推薦中，讓推薦更有效更靠譜。
