3.8 商品推薦
電商產品經理寶典：電商後台係統產品邏輯全解析 作者：劉誌遠 投票推薦 加入書簽 留言反饋
在電商網站裏進行商品推薦，可以提高整個網站商品銷售的有效轉化率，增加商品銷量。通過用戶已經瀏覽、收藏、購買的記錄，更精準地理解用戶需求，對用戶進行聚類、打標簽，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。
商品推薦分為常規推薦、個性化推薦。常規推薦是指商家選擇一些固定商品放在推薦位，或者基於商品之間的關聯性，進行相關的商品推薦。例如：在用戶買了奶瓶之後推薦奶粉。個性化推薦指基於用戶購物習慣，根據商品特性來進行推薦。例如“看過此商品後的顧客還購買的其他商品”推薦項。
電商係統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容電商，通過社區做內容來提高轉化率。
電商推薦係統將收集的用戶信息、產品信息及用戶畫像分類作為係統輸入，利用適當的推薦算法和推薦方式，根據用戶設定的個性化程度和信息發送方式，給用戶提供個性化商品推薦。用戶對推薦結果的點擊瀏覽、購買的反饋結果，又可以作為優化係統推薦的參考。
完善的推薦係統一般由四部分組成，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、目標用戶標簽進行分析；推薦算法根據一定的規則從備選商品集合中篩選出目標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構如圖3-21所示。
圖3-21 個性化商品推薦
用戶畫像是根據用戶特征（性別、年紀、地域等）、消費行為習慣（瀏覽、購買、評論、問答等）等信息進行抽象化，建立標簽化的用戶模型。構建用戶畫像的核心工作即是給用戶“貼”標簽，而標簽是通過對用戶行為記錄分析而來的高度精煉的特征標識。推薦係統的難點，其中很大一部分就在於用戶畫像的積累過程極其艱難。用戶畫像與業務本身密切相關。在用戶標簽足夠豐富並且多的時候，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商品的類目品牌、商品屬性、產品評論、庫存、銷售記錄、訂單數據、瀏覽收藏、價格等數據來分析商品相似度、商品搭配度（可人工調整），並且對商品貼上目標用戶標簽。
用戶畫像、商品分析模塊的數據都是為推薦算法提供基礎數據。商品推薦的算法有很多種，需要根據推薦結果反饋，不斷優化模型。有時候還需要考慮人工因素的權重，例如自營商品排在前麵、評分高的店鋪優先推薦等。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”、“看過此商品後顧客購買的其他商品”、“經常一起購買的商品”，都是基於商品進行的推薦。
需要注意的是，如果完全按照用戶行為數據進行推薦，就會使得推薦結果的候選集永遠隻在一個比較小的範圍內，所以在保證推薦結果相對準確的前提下，應按照一定的策略，去逐漸拓寬推薦結果的範圍，給予推薦結果一定的多樣性。
在大數據時代，商品推薦模塊雖然在一定程度上進行了精準營銷，以提高商品轉化率，但是與推薦的準確性有些相悖的，是推薦的多樣性。有時候會出現推薦混亂的情況，並且引起用戶反感。例如某用戶曾經瀏覽過某款電視，結果後台係統連續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後，後台係統還不斷向該用戶推薦其他手機。出現這種問題，主要是因為推薦算法做得不夠到位。在很多用戶行為數據沒有收集處理、商品關聯度沒做好的情況下就盲目推薦商品。
商品推薦分為常規推薦、個性化推薦。常規推薦是指商家選擇一些固定商品放在推薦位，或者基於商品之間的關聯性，進行相關的商品推薦。例如：在用戶買了奶瓶之後推薦奶粉。個性化推薦指基於用戶購物習慣，根據商品特性來進行推薦。例如“看過此商品後的顧客還購買的其他商品”推薦項。
電商係統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容電商，通過社區做內容來提高轉化率。
電商推薦係統將收集的用戶信息、產品信息及用戶畫像分類作為係統輸入，利用適當的推薦算法和推薦方式，根據用戶設定的個性化程度和信息發送方式，給用戶提供個性化商品推薦。用戶對推薦結果的點擊瀏覽、購買的反饋結果，又可以作為優化係統推薦的參考。
完善的推薦係統一般由四部分組成，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、目標用戶標簽進行分析；推薦算法根據一定的規則從備選商品集合中篩選出目標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構如圖3-21所示。
圖3-21 個性化商品推薦
用戶畫像是根據用戶特征（性別、年紀、地域等）、消費行為習慣（瀏覽、購買、評論、問答等）等信息進行抽象化，建立標簽化的用戶模型。構建用戶畫像的核心工作即是給用戶“貼”標簽，而標簽是通過對用戶行為記錄分析而來的高度精煉的特征標識。推薦係統的難點，其中很大一部分就在於用戶畫像的積累過程極其艱難。用戶畫像與業務本身密切相關。在用戶標簽足夠豐富並且多的時候，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商品的類目品牌、商品屬性、產品評論、庫存、銷售記錄、訂單數據、瀏覽收藏、價格等數據來分析商品相似度、商品搭配度（可人工調整），並且對商品貼上目標用戶標簽。
用戶畫像、商品分析模塊的數據都是為推薦算法提供基礎數據。商品推薦的算法有很多種，需要根據推薦結果反饋，不斷優化模型。有時候還需要考慮人工因素的權重，例如自營商品排在前麵、評分高的店鋪優先推薦等。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”、“看過此商品後顧客購買的其他商品”、“經常一起購買的商品”，都是基於商品進行的推薦。
需要注意的是，如果完全按照用戶行為數據進行推薦，就會使得推薦結果的候選集永遠隻在一個比較小的範圍內，所以在保證推薦結果相對準確的前提下，應按照一定的策略，去逐漸拓寬推薦結果的範圍，給予推薦結果一定的多樣性。
在大數據時代，商品推薦模塊雖然在一定程度上進行了精準營銷，以提高商品轉化率，但是與推薦的準確性有些相悖的，是推薦的多樣性。有時候會出現推薦混亂的情況，並且引起用戶反感。例如某用戶曾經瀏覽過某款電視，結果後台係統連續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後，後台係統還不斷向該用戶推薦其他手機。出現這種問題，主要是因為推薦算法做得不夠到位。在很多用戶行為數據沒有收集處理、商品關聯度沒做好的情況下就盲目推薦商品。