2B行业的千人千面，会面临什么问题和局限？又该如何解决？

千人千面，这几年无论是在营销界，还是在产品运营界，都得到了很广泛的应用。

在营销行业，会用千人千面来提升营销的精准性，即做人和物的精准匹配，所谓精准营销；做产品运营的人会在产品中很多模块增加千人千面的策略，以此来达到产品流量的高效分发。

在电商行业，千人千面的应用尤其多。比如淘宝的猜你喜欢，京东的为你推荐，都属于此类应用。

我们先简单聊聊到底什么是千人千面。

千人千面，就其字面意思来讲就是不同的人，呈现不一样的东西。所以，在所有千人千面实例中，个性化推荐是最常用的一种实践。

本质上来说，个性化推荐主要的目标有两个：一个是高效连接用户和平台上的物品，让用户尽可能的发现平台上“好的东西”；另一个就是“投用户所好”，发现用户的兴趣，基于他的兴趣为其呈现“好的东西”。

同理，上面提到“好的东西”也是个性化的。“好”与“不好”这种评判完全是基于对物品的客观评判来决定的，这种客观的评判的具体量化标准在不同的业务不尽相同。

但是，大多都可以称之为是用户对于物品的正反馈。比如对于一件商品，可能是用户对于该商品的购买，关注，搜索，分享，好评等。所以，同一个东西，A喜欢，B可能觉得一般，甚至C可能觉得很厌烦。

千人千面就是实现“人”和“物”高效匹配，它们之间是一个互相补充，互相依赖的关系，也就是人们看到自己感兴趣的物越多。那么，对好东西的衡量也就越准确，否则就是一个恶性循环。

千人千面的本质还是一个数据的交互过程。

对于人来说，系统通过人们在网络的一系列行为，去判断用户感兴趣的物品，进而为他们推荐“好的东西”；对于物来说，系统通过人在为其推荐的物品上的一些列交互，比如点击、下单、购买等，来判断这个物品是不是一个“好的东西”。

简单用下面的图来表示：

有一天，我的一个公众号粉丝在后台问我，是否考虑过2B的千人千面，我心里“噔”了一下。

确实，我们看了太多2C产品，营销实施千人千面的案例，竟然一直没有注意到2B端。无论是从业务流程的复杂繁琐程度，还是从营销运营的现状，低效、冗余一直是2B端的产品躲不过去的伤痛。

所以，千人千面如果应用在2B端，那必然会是一个行业的革新。

套用一下，不妨称之为“千B千面”。

无独有偶，之前在公司做过一个2B端个性化推荐的实施，实施过程中也有过一些思考，这里分享给大家。

首先，明确一个问题：2B端的千人千面能不能做？

能。

如果想要做一个通用的架构，目前还有难度，只能做一个“局域”。

什么意思呢？

比如淘宝和京东的千人千面体系，除了底层数据的差异，整个架构是可以套用的。

另外，除了电商行业，对于以单个物品推荐的业务，我理解也是可以进行套用的。

再加上，目前各大企业在产品和账号体系上的互通，比如用微信、QQ、微博等一些列社交账号，可以注册各种各样的应用，导致千人千面的冷启动阶段也变得“有数可依”。

其次，如果想要在2B的产品上大规模开展千人千面的实施，会面临哪些问题？

我想了想大概有下面几点：

2B端的数字化程度较低

2B端数字化，信息化，应该是近几年才提上日程，甚至是往后十年的主要方向。所以，就目前来讲，B端的数据是不足以做千B千面的。

举个例子，一个用户在网上点击一个链接，购买一款商品，现在是很容易被捕捉到并且以结构化的数据进行存储。但是，一个企业与哪些供应商进行了连接，是很难被追踪记录的。

另外一方面，现在仅有大概30%的企业，实现了从采到销的线上化、销售化。如果大家注意观察的话，会发现很多中小企业还是一个Excel去解决问题的。

每一个B端是一个数据孤岛

这就是目前整个B端的现状。

可能大家会认为，这30%企业也是一个实施“千B千面”的机会啊。但是，就现状而言，数据是每个企业密级最高的东西；更有企业喊出数据是公司唯一的资产。

所以，一个企业唯一的资产怎么会轻易让其他人获取？

不看别的，可以看目前云服务的现状：除了小公司出于成本的考虑愿意采用云服务，稍微大点的公司都在搞自己的云服务，没人会愿意把自己家的数据放在别人的服务器上。

所以，数据对于每个企业来说，都是私有资产，神圣不可侵犯的。至少目前的认知还是在这个层面，而且从当下来看，至少长期会处于这种局面。

与云面临的困境一样，在信任问题没有解决之前，B端的数据永远是一座孤岛。

缺少结构化的数据

落地过千人千面的人都清楚，结构化的数据是关键。比如做个性化推荐系统，结构化数据是用户标签、排序特征的基础保障。大多数成熟的企业数据做得都不好，更别谈小公司了。

另外，很多人对结构化的数据一直有误解。结构化的数据并不是说没有数据，而是缺少经过加工的数据，看一下结构化数据的定义：

结构化数据也称作是行数据，是由二维表结构来进行逻辑展示和表达的数据，严格遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。

我们很容易可以用结构化的数据去描述一个人，比如社会学统计信息，线上行为包括点击、浏览、加购、下单、收藏、关注、分享、订阅，线下行为包括旅游、出行、饮食、居住。

但是，很难有一个统一的框架去描述一个B端企业，这与B端业务的多样性、复杂性、多变性密不可分。

所以，如果某一天大规模的千B千面开始。那么，B端结构化数据的比必定是首先迈过的槛。

缺少统一的衡量标准

无论是2C还是2B千人千面的实施，都需要巨大的成本，所以必须要有一个可衡量的效果。

一般来讲，2C端的千人千面主要看流量分发的效果，并且伴随业务线发展程度不同，制定指标也不尽相同。

一般来讲遵循如下的规则：

• 对于新业务线，主要以流量相关的指标为核心指标，比如PV，UV这些；

• 对于发展中业务线，主要看流量的分发效率，所以看点击率的比较多，或者是订单转化率；

• 对于成熟的业务线，则主要看盈利和营收了。

但是B端呢？

很难有一个统一的框架，哪怕做的是相同的行业，但是由于想法不同，那么具体的业务流程也大相径庭。

比如，同样是做餐饮的，做小吃和做正餐的玩法就不一样。那么，每个环节衡量的指标也就不一样。一个小吃店一天买1000份小吃和一个饭店一天买1000分正菜，绝对不是一个概念。

这样会导致这么一个问题，如果把千人千面用在B端企业上，需要单独为每一个大B、小B客户进行实施。由于从业务模式，还是底层数据来看，实施难度很大，对于服务提供商来说成本投入巨大，就意味着价格很高。对于企业来说就很难接受，这就是一个恶性循环。

千B千面的一个小案例

上面讨论了在做大规模2B千人千面之前需要攻克的最大难题。之前做过一个面向小B的个性化推荐，这个也算是一次简单的2B的千人千面，简单聊聊。

项目是为一个面向所有小B的商家提供物品采购服务的平台搭建个性化推荐系统，总体的思路和2C的千人千面类似。

数据清洗-标签挖掘-trigger机制-召回策略-排序策略-精排策略-前端展示

对于这个面向小B的推荐系统来说，主要目标就是以更小的成本让小B商家采购到想要的物品。但是，同时需要考虑到供应商的供应链能力。比如，海南的供应商无法给北京的商家提供采销服务。

如果大家关注线下的一些涉及采销业务的商家，就会发现他们会有固定的合作伙伴，经常只会在固定的几个供应商来采购商品。

其实基于上述目标和对需求的拆解，整个思路就很明确了。最主要的还是如何建立小B和供应商之前的采销关系链，这个供应关系链会以结构化的数据进行创建，最终用于个性化推荐。

但是你会发现，这个供应关系链它是一个“局域”的；也就是当你再来一个新的2B业务，依然需要为它搭建一个新的架构、新的策略。

上面是之前做2B的千人千面的一个小小尝试，但是如果要做到目前2C规模的千人千面，还有很长的路要走。