一级片大奶子_色又黄又爽18禁免费视频_热久久久久久久_久久久精品一区二区_日韩av不卡在线播放_精品国内自产拍在线观看视频

　　2017年6月9日，商品推薦是當前電商網站的最為重要功能之一，一個優秀的多用戶商城系統都具備一套完善商品推薦模塊，在電商網站里進行商品推薦，不僅可以提高整個網站商品銷售的有效轉化率，還能增加商品銷量。下面從Hishop小編為大家詳細介紹下多用戶商城系統的商品推薦系統相關功能情況。

　　商品推薦是指通過用戶已經瀏覽、收藏、購買的記錄，更精準的理解用戶需求，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，或者基于商品之間的關聯性，進行相關的商品推薦。例如：在用戶買了奶瓶之后推薦奶粉。個性化推薦指基于用戶購物習慣，根據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/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容電商，通過社區做內容來提高轉化率。

　　常規推薦

　　常規推薦的商品不會因為用戶不同產生差異，主要是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。還有一些固定規則的動態配置商品，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（例如圖書會有許多排行榜），這類根據瀏覽、收藏、銷售數據做的商品統計在常規推薦時會經常用到，對用戶的消費決策影響也比較大。

　　近兩年崛起的內容電商也屬于商品推薦的一種，很多平臺都開始在內容上發力，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。

　　在移動互聯網形態下，用戶的瀏覽減少，更傾向于瀏覽和推薦，但簡單的商品列表和標語描述的沖擊力已然不夠，內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生沖動性消費，而非計劃性消費。

　　在內容電商中，除了平臺商家自己產生內容，還應允許用戶產生內容（UGC），并且對UGC內容進行激勵。內容形式有長圖文、視頻推薦、直播推薦等多種形式，在內容中嵌入商品購買入口，在瀏覽時可以直達商品，增加購買轉化率。對內容進行分類打標，可以縮短用戶查找的路徑。建立內容社區，提供評論、關注、種草、贊賞等多種互動方式，增加用戶粘性，提供其他社交平臺（微信、微博等）的功能。在內容中盡量推薦統一風格或同一場景的商品，增加商品之間的關聯性。

　　隨著貨架式電商時代逐漸過去，內容電商推薦的優勢逐步凸顯，特別在垂直行業，如美妝、母嬰等，內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

　　電商推薦系統將收集的用戶信息、產品信息及用戶畫像分類作為系統輸入，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，又可以作為優化系統推薦的參考。

　　完善的推薦系統一般由四部分組成，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責搜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。

　　如圖所示：

　　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。推薦系統的難點，其中很大一部分就在于用戶畫像的積累過程極其艱難。其次用戶畫像與業務本身密切相關。在用戶標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等四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），并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，例自營商品排在前面、評分高的店鋪優先推薦等。在推薦時，還用一些特殊推薦：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、經常一起購買的商品，都是基于商品進行的推薦。

　　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只在一個比較小的范圍內，在保證推薦結果相對準確的前提下，按照一定的策略，去逐漸拓寬推薦結果的范圍，給予推薦結果一定的多樣性。

　　在大數據時代，商品推薦模塊雖然一定程度上進行了精準營銷，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，并且引起用戶反感。譬如曾經瀏覽過某款電視，連續一個月都推薦這款電視；甚至購買過手機之后，還不斷推薦其他手機。主要是因為推薦算法做得不夠到位，很多用戶行為數據沒有收集處理，商品關聯度沒做好就盲目推薦商品。