电商产品设计： 商品推荐系统

本篇文章1505字，读完约4分钟

在电子商务网站上推荐产品可以提高有效转化率，增加产品在整个网站上的销量。通过用户浏览、收集和购买的记录，我们可以更准确地了解用户的需求，对用户进行聚类和标注，推荐用户感兴趣的产品，帮助用户快速找到需要的产品，及时扩大需求，销售更加多样化的产品。即使在站外推广，它也可以进行个性化营销。

商品推荐分为常规推荐和个性化推荐。常规推荐是指商家选择一些固定的产品进行推荐，或者根据产品之间的相关性推荐相关产品。例如，在用户买了一瓶后推荐奶粉。个性化推荐是指根据用户的购物习惯，根据产品的特点进行推荐。例如，“顾客看到本产品后购买的其他产品”的推荐。

电子商务系统中的商品推荐位一般具有操作首页横幅底部位置的功能。尽量推荐风格统一或内容相同的产品，以增加产品之间的关联性。

随着基于货架的电子商务时代的到来，内容电子商务推荐的优势逐渐凸显，尤其是在垂直行业，如美容化妆品、母婴等。，而内容电子商务为中小型电子商务公司提供了突破流量黑洞的机会。

个性化推荐

电子商务推荐系统将收集到的用户信息、产品信息和用户肖像分类作为系统输入，根据用户设定的个性化程度和信息发送方式向用户提供个性化的产品推荐。用户的点击浏览和购买反馈结果也可以作为优化系统推荐的参考。

一个完善的推荐系统一般由四个部分组成，包括用于收集用户信息的用户行为记录模块、用于分析用户偏好的分析模型模块、用于分析商品特征的商品分析模块和推荐算法模块。

用户行为记录模块负责收集反映用户偏好的行为，如浏览、购买、评论和回答问题；

用户行为分析模块通过用户行为记录分析用户对商品的潜在偏好和偏好程度，建立用户偏好模型；

商品分析模块主要分析商品相似性、商品搭配和目标用户标签；

根据某些规则，推荐算法从候选产品集中选择目标用户最有可能感兴趣的产品进行推荐。

如图所示:

用户肖像是根据用户特征(性别、年龄、地区等)提取的。)，消费者行为习惯(浏览、购买、评论、问答等))，并建立标记的用户模型。构建用户肖像的核心工作是给用户附加“标签”，标签是通过分析用户行为记录获得的高度细化的特征标识。推荐系统的难点，很大一部分在于用户肖像积累过程极其困难。

其次，用户肖像与业务本身密切相关。当用户标签足够丰富时，可以对用户进行聚类，例如，使用a/b/c/d四个典型的用户肖像来表示购物中心的目标用户，并且新用户可以被分类到这些典型的用户肖像中。

商品分析模块主要根据商品的类别品牌、商品属性、产品评论、库存、销售记录、订单数据、浏览集合和价格分析商品相似度和商品搭配度(可手动调整)，并将商品标注为目标用户。

用户肖像数据和商品分析模块为推荐算法提供基础数据。商品推荐有多种算法，需要根据推荐结果进行反馈，并不断优化模型。有时需要考虑人为因素的权重，例如，自营商品排名第一，得分高的店铺优先推荐。在推荐的时候，我们也使用了一些特别的推荐:购买这款产品的顾客也同时购买，其他顾客看到这款产品后购买的产品，以及他们经常一起购买的产品都是根据产品推荐的。

如果完全根据用户行为数据进行推荐，推荐结果的候选集将总是在相对较小的范围内。在保证推荐结果相对准确的前提下，按照一定的策略，推荐结果的范围会逐渐扩大，给推荐结果一定的多样性。

在大数据时代，商品推荐模块在一定程度上实现了精准营销，提高了商品的转化率。然而，与推荐的准确性相反的是推荐的多样性。有时，推荐中存在混淆，这导致用户对它不满。例如，我浏览了某台电视，并连续推荐了一个月；即使在买了手机之后，我也不断地推荐其他手机。主要原因是推荐算法不到位，许多用户行为数据没有收集和处理，如果产品相关性不好，就会盲目推荐产品。