3.8 商品推薦

在電商網(wǎng)站里進行商品推薦，可以提高整個網(wǎng)站商品銷售的有效轉(zhuǎn)化率，增加商品銷量。通過用戶已經(jīng)瀏覽、收藏、購買的記錄，更精準(zhǔn)地理解用戶需求，對用戶進行聚類、打標(biāo)簽，推薦用戶感興趣的商品，幫助用戶快速找到需要的商品，適時放大需求，售賣更加多樣化的商品。甚至在站外推廣時，能夠做個性化營銷。

商品推薦分為常規(guī)推薦、個性化推薦。常規(guī)推薦是指商家選擇一些固定商品放在推薦位，或者基于商品之間的關(guān)聯(lián)性，進行相關(guān)的商品推薦。例如：在用戶買了奶瓶之后推薦奶粉。個性化推薦指基于用戶購物習(xí)慣，根據(jù)商品特性來進行推薦。例如“看過此商品后的顧客還購買的其他商品”推薦項。

電商系統(tǒng)中的商品推薦位一般有：首頁運營Banner最底部的位置（“猜你喜歡”或“為你推薦”）、購物車最底部的位置（“猜你喜歡”或“為你推薦”）、商品詳情頁中部（“看了又看”、“買了又買”、“為你推薦”等）、用戶簽到等位置。還有這兩年興起的內(nèi)容電商，通過社區(qū)做內(nèi)容來提高轉(zhuǎn)化率。

【常規(guī)推薦】

常規(guī)推薦的商品不會因為用戶不同產(chǎn)生差異，主要是根據(jù)運營配置的活動或固定商品（商品精選）。除了在固定推薦位選定某些商品進行配置，例如選取10件固定商品放在簽到頁進行推薦，還有一些固定規(guī)則的動態(tài)配置商品，例如圖3-20所示的商品銷量排行榜、商品收藏排行榜、某品類的銷量排行榜（圖書類目就有許多排行榜），這類根據(jù)瀏覽、收藏、銷售數(shù)據(jù)做的商品統(tǒng)計在常規(guī)推薦時會經(jīng)常用到，對用戶的消費決策影響也比較大。

近兩年崛起的內(nèi)容電商也屬于商品推薦的一種，很多平臺都開始在內(nèi)容上發(fā)力，越來越多的消費者在看直播、看自媒體文章、看帖子的過程中購買商品。例如淘寶的微淘、京東的覓生活（Meelife）、小紅書等。

在移動互聯(lián)網(wǎng)形態(tài)下，用戶目的性較強的商品瀏覽逐漸減少，更傾向于活動推薦或個性化推薦。但簡單的商品列表和標(biāo)語描述的沖擊力已然不夠，內(nèi)容電商將商品嵌入到文案或者視頻中，通過詳細的描述消費感受和商品特點，激起用戶的同理心，這樣的購物消費更容易產(chǎn)生沖動性消費，而非計劃性消費。

在內(nèi)容電商中，除了平臺商家自己產(chǎn)生內(nèi)容，還應(yīng)允許用戶產(chǎn)生內(nèi)容（User Generated Content，UGC），并且對之進行激勵。內(nèi)容形式有長圖文、視頻推薦、直播推薦等多種，在內(nèi)容中嵌入商品購買入口，在瀏覽時可以直達商品，增加購買轉(zhuǎn)化率。對內(nèi)容進行分類打標(biāo)，可以縮短用戶查找的路徑。建立內(nèi)容社區(qū)，提供評論、關(guān)注、種草（收藏）、贊賞等多種互動方式，增加用戶黏性，提供分享到其他社交平臺（微信、微博等）的功能。在內(nèi)容中盡量推薦統(tǒng)一風(fēng)格或同一場景的商品，增加商品之間的關(guān)聯(lián)性。

隨著貨架式電商時代逐漸過去，內(nèi)容電商推薦的優(yōu)勢逐步凸顯，特別在垂直行業(yè)，如美妝、母嬰等，內(nèi)容電商為中小型電商公司突破流量黑洞提供了機會。

【個性化推薦】

電商推薦系統(tǒng)將收集的用戶信息、產(chǎn)品信息及用戶畫像分類作為系統(tǒng)輸入，利用適當(dāng)?shù)耐扑]算法和推薦方式，根據(jù)用戶設(shè)定的個性化程度和信息發(fā)送方式，給用戶提供個性化商品推薦。用戶對推薦結(jié)果的點擊瀏覽、購買的反饋結(jié)果，又可以作為優(yōu)化系統(tǒng)推薦的參考。

完善的推薦系統(tǒng)一般由四部分組成，按照“采集”、“分析”、“推薦”的步驟，分為四大模塊：采集用戶信息的用戶行為記錄模塊、分析用戶喜好的用戶行為分析模塊、分析商品特征的商品分析模塊，以及推薦算法模塊。用戶行為記錄模塊負責(zé)采集能反映用戶喜好的行為，例如瀏覽、購買、評論、問答等；用戶行為分析模塊通過用戶的行為記錄，分析用戶對商品的潛在喜好及喜歡程度，建立用戶偏好模型；商品分析模塊主要對商品進行商品相似度、商品搭配度、目標(biāo)用戶標(biāo)簽進行分析；推薦算法根據(jù)一定的規(guī)則從備選商品集合中篩選出目標(biāo)用戶最可能感興趣的商品進行推薦。個性化商品推薦的圖示結(jié)構(gòu)如圖3-21所示。

用戶畫像是根據(jù)用戶特征（性別、年紀(jì)、地域等）、消費行為習(xí)慣（瀏覽、購買、評論、問答等）等信息進行抽象化，建立標(biāo)簽化的用戶模型。構(gòu)建用戶畫像的核心工作即是給用戶“貼”標(biāo)簽，而標(biāo)簽是通過對用戶行為記錄分析而來的高度精煉的特征標(biāo)識。推薦系統(tǒng)的難點，其中很大一部分就在于用戶畫像的積累過程極其艱難。用戶畫像與業(yè)務(wù)本身密切相關(guān)。在用戶標(biāo)簽足夠豐富并且多的時候，就可以對用戶聚類，例如用“A/B/C/D等”幾種典型用戶畫像來代表商城的目標(biāo)用戶，還可以將新用戶進行歸類這些典型用戶畫像中。

商品分析模塊主要根據(jù)商品的類目品牌、商品屬性、產(chǎn)品評論、庫存、銷售記錄、訂單數(shù)據(jù)、瀏覽收藏、價格等數(shù)據(jù)來分析商品相似度、商品搭配度（可人工調(diào)整），并且對商品貼上目標(biāo)用戶標(biāo)簽。

用戶畫像、商品分析模塊的數(shù)據(jù)都是為推薦算法提供基礎(chǔ)數(shù)據(jù)。商品推薦的算法有很多種，需要根據(jù)推薦結(jié)果反饋，不斷優(yōu)化模型。有時候還需要考慮人工因素的權(quán)重，例如自營商品排在前面、評分高的店鋪優(yōu)先推薦等。在推薦商品時，還有一些特殊推薦：“購買此商品的顧客也同時購買”、“看過此商品后顧客購買的其他商品”、“經(jīng)常一起購買的商品”，都是基于商品進行的推薦。

需要注意的是，如果完全按照用戶行為數(shù)據(jù)進行推薦，就會使得推薦結(jié)果的候選集永遠只在一個比較小的范圍內(nèi)，所以在保證推薦結(jié)果相對準(zhǔn)確的前提下，應(yīng)按照一定的策略，去逐漸拓寬推薦結(jié)果的范圍，給予推薦結(jié)果一定的多樣性。

在大數(shù)據(jù)時代，商品推薦模塊雖然在一定程度上進行了精準(zhǔn)營銷，以提高商品轉(zhuǎn)化率，但是與推薦的準(zhǔn)確性有些相悖的，是推薦的多樣性。有時候會出現(xiàn)推薦混亂的情況，并且引起用戶反感。例如某用戶曾經(jīng)瀏覽過某款電視，結(jié)果后臺系統(tǒng)連續(xù)一個月都給該用戶推薦這款電視；甚至更糟的是，在某用戶購買過手機之后，后臺系統(tǒng)還不斷向該用戶推薦其他手機。出現(xiàn)這種問題，主要是因為推薦算法做得不夠到位。在很多用戶行為數(shù)據(jù)沒有收集處理、商品關(guān)聯(lián)度沒做好的情況下就盲目推薦商品。