一对一免费咨询: 13913005726 025-66045668

  所有不着调的推荐都是耍流氓,不着调的推荐不如不推荐。

pjwi8E3AVgDjT4XcrnLS

  去商场前,你告诉自己今天只买T恤,出商场时,你还是拎了大包小包……导购员看你摸了摸连衣裙,让你免费试穿,结果你这一穿就不愿脱下了,而且一件接一件。导购猜测顾客喜欢什么,推荐顾客试穿,满足双方各自的心理诉求来达成交易。电商网站如何猜测用户的心思,推荐商品达成交易呢?我们不可能让人来感知用户的诉求,只能用数据和规则告诉用户,我知道你看上的是这件商品。所有不着调的推荐都是耍流氓,不着调的推荐不如不推荐。

  一、推荐算法

  推荐算法主要有基于内容的推荐算法、协同过滤算法和基于人口的统计学推荐。先来科普下这几种推荐算法:

  1、内容的推荐算法(CB):为每个item提取特征建模

  CB基于商品相关性构建商品模型推荐。商品相关性包括商品类目、属性、参数、关键词、组合商品等。

  举个简单栗子,你去买手机,导购员看见你进来就知道你买手机,这是商品类目;你说,看看粉色的苹果,内存要大点,导购拿来128G的红色iPhone7,粉色是属性,内存是参数,导购拿来的不是水果,因为苹果是iPhone的关键词。等你决定买粉色128G iPhone7时,导购和你说,今天买手机再加10元可以买一个手机壳,这个是商品组合推荐。电商系统也是如此,一步步猜中用户心思,用户才会信赖网站。目前电商中纯粹使用CB算法的不多了,对于初建网站,没有用户数据的前提下,主要依赖于CB算法推荐商品。

  2、协同过滤算法(CF)

  (1)基于用户的CF

  基于用户对物品的偏好找到相邻邻居用户,将邻居用户喜欢的推荐给当前用户。大学时期和你经常一起看电影的闺蜜和你说,最近上映的《摔跤吧,爸爸》很好看,会让你更想去看这部电影,因为你知道,她喜欢看的,一般你也喜欢看。喜欢XX的人也喜欢就是典型的User CF。

2rApVG0yPgdtRvDBY3kv

  (2)基于物品的 CF

  基于用户对物品的偏好找到相似的物品,然后根据用户的历史偏好,推荐相似的物品给他。经常遇到的就是你买裤子时,导购和你说,这款是我们销量最好的, 刚还买走一个呢。除了物物关联外增加了用户偏好,根据大众偏好预测你还没有表示偏好的物品,比如大家都在买。

kZZYuirViNIiqNOsI1Ef

  3、基于人口的统计学推荐

  根据用户的属性建模,通过用户特征计算用户间的相似度。常见的有用户注册时添加感兴趣标签、榜单、热点等。

  推荐算法无外乎是商品相关性、用户行为、大众行为。

  二、运营推广

  上述的推荐算法是基于数据和规则推荐的,除此之外,还有运营需求的推广。当然生活中也是存在的,导购偶尔会强力推荐某个产品时,有人就会怀疑,是不是提成多。除了专题活动推荐外,偶尔也可以在自然推荐规则中加入人为干扰因素(比如某个品牌优先),让你的运营推荐做的不声不响。移动端的推荐比较推崇的是Feed流,推荐除了不易察觉,还会让你心甘情愿分享。

  三、无处不在的推荐

  以天猫为例说明,推荐不是越多越好,推荐是越准确越好。

  首页:除了各种专题运营活动外,根据用户的浏览历史猜你喜欢

  搜索结果页:不漏痕迹地加入人为干扰因素推荐,掌柜热卖

  商品详情页:基于大众浏览和商品相关性的看了又看

  会员中心:根据用户浏览猜你喜欢

  订单详情页:运营活动推荐,关注品牌的热卖单品

  购物车页:掌柜热卖、品牌收藏、最近浏览、猜你喜欢

UpIe5pfmh78rokd193SL

  四、2B电商的区别

  2B的特殊性又来了,2B电商面向的是企业,企业就会有不同角色操作的人,面向不同的人推荐不同。以采购手机原材料为例说明,工程师选的是产品(选型),他可以决定采购手机电池的规格参数和品牌,商品推荐可以从规格参数和厂家等维度来推荐。采购员是买指定的材料,是无权更改产品型号和品牌的,但他可以决定商品的价格和供应商,商品推荐可以从价格等维度入手。

  最后,推荐不是越多越好,推荐是越准确越好,多而不准确的推荐,在用户看来是一次次地眼睛被强奸。

*请认真填写需求信息,我们会在24小时内与您取得联系。
致力于为客户创造更多价值
13913005726 025-66045668