微商城產(chǎn)品設(shè)計(jì)：商品推薦系統(tǒng)

在電商網(wǎng)站里進(jìn)行商品推薦，可以提高整個(gè)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)的理解用戶需求，對(duì)用戶進(jìn)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(shí)放大需求，售賣更加多樣化的商品。甚至在站外推廣時(shí)，能夠做個(gè)性化營(yíng)銷。

商品推薦分為常規(guī)推薦、個(gè)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(jìn)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(gè)性化推薦指基于用戶購物習(xí)慣，根據(jù)商品特性來進(jìn)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(xiàng)。

電商系統(tǒng)中的商品推薦位一般有：首頁運(yùn)營(yíng)Banner最底部的位置（猜你喜歡/為你推薦）、購物車最底部的位置（猜你喜歡/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(huì)因?yàn)橛脩舨煌a(chǎn)生差異，主要是運(yùn)營(yíng)配置的活動(dòng)或固定商品（商品精選）。除了在固定推薦位選定某些商品進(jìn)行配置，例如選取10件固定商品放在簽到頁進(jìn)行推薦。還有一些固定規(guī)則的動(dòng)態(tài)配置商品，例如圖中商品銷量排行榜、商品收藏排行榜、某品類的銷量排行榜（例如圖書會(huì)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(jì)在常規(guī)推薦時(shí)會(huì)經(jīng)常用到，對(duì)用戶的消費(fèi)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(tái)都開始在內(nèi)容上發(fā)力，越來越多的消費(fèi)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(dòng)互聯(lián)網(wǎng)形態(tài)下，用戶的瀏覽減少，更傾向于瀏覽和推薦，但簡(jiǎn)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(xì)的描述消費(fèi)感受和商品特點(diǎn)，激起用戶的同理心，這樣的購物消費(fèi)更容易產(chǎn)生沖動(dòng)性消費(fèi)，而非計(jì)劃性消費(fèi)。

在內(nèi)容電商中，除了平臺(tái)商家自己產(chǎn)生內(nèi)容，還應(yīng)允許用戶產(chǎn)生內(nèi)容（UGC），并且對(duì)UGC內(nèi)容進(jìn)行激勵(lì)。內(nèi)容形式有長(zhǎng)圖文、視頻推薦、直播推薦等多種形式，在內(nèi)容中嵌入商品購買入口，在瀏覽時(shí)可以直達(dá)商品，增加購買轉(zhuǎn)化率。對(duì)內(nèi)容進(jìn)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(píng)論、關(guān)注、種草、贊賞等多種互動(dòng)方式，增加用戶粘性，提供其他社交平臺(tái)（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(chǎng)景的商品，增加商品之間的關(guān)聯(lián)性。

隨著貨架式電商時(shí)代逐漸過去，內(nèi)容電商推薦的優(yōu)勢(shì)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(jī)會(huì)，也就是微商城的機(jī)會(huì)。

個(gè)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(gè)性化程度和信息發(fā)送方式，給用戶提供個(gè)性化商品推薦。用戶對(duì)推薦結(jié)果的點(diǎn)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，按照收集 → 分析 → 推薦的步驟，收集用戶信息的用戶行為記錄模塊、分析用戶喜好的分析模型模塊、分析商品特征的商品分析模塊和推薦算法模塊。

• 用戶行為記錄模塊負(fù)責(zé)搜集能反映用戶喜好的行為，例如瀏覽、購買、評(píng)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(duì)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(duì)商品進(jìn)行商品相似度、商品搭配度、目標(biāo)用戶標(biāo)簽進(jìn)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(jìn)行推薦。

如圖所示：

用戶畫像是根據(jù)用戶特征（性別、年紀(jì)、地域等）、消費(fèi)行為習(xí)慣（瀏覽、購買、評(píng)論、問答等）等信息進(jìn)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(duì)用戶行為記錄分析而來的高度精煉的特征標(biāo)識(shí)。推薦系統(tǒng)的難點(diǎn)，其中很大一部分就在于用戶畫像的積累過程極其艱難。其次用戶畫像與業(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(shí)候，就可以對(duì)用戶聚類，例如用A/B/C/D等四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(jìn)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(píng)論、庫存、銷售記錄、訂單數(shù)據(jù)、瀏覽收藏、價(jià)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(duì)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(shí)候還需要考慮人工因素的權(quán)重，例自營(yíng)商品排在前面、評(píng)分高的店鋪優(yōu)先推薦等。在推薦時(shí)，還用一些特殊推薦：購買此商品的顧客也同時(shí)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(jìn)行的推薦。

如果完全按照用戶行為數(shù)據(jù)進(jìn)行推薦，就會(huì)使得推薦結(jié)果的候選集永遠(yuǎn)只在一個(gè)比較小的范圍內(nèi)，在保證推薦結(jié)果相對(duì)準(zhǔn)確的前提下，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(shí)代，商品推薦模塊雖然一定程度上進(jìn)行了精準(zhǔn)營(yíng)銷，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(shí)候會(huì)出現(xiàn)推薦混亂的情況，并且引起用戶反感。譬如曾經(jīng)瀏覽過某款電視，連續(xù)一個(gè)月都推薦這款電視；甚至購買過手機(jī)之后，還不斷推薦其他手機(jī)。主要是因?yàn)橥扑]算法做得不夠到位，很多用戶行為數(shù)據(jù)沒有收集處理，商品關(guān)聯(lián)度沒做好就盲目推薦商品。