中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

所有不著調的推薦都是耍流氓，不著調的推薦不如不推薦。

去商場前，你告訴自己今天只買T恤，出商場時，你還是拎了大包小包……導購員看你摸了摸連衣裙，讓你免費試穿，結果你這一穿就不愿脫下了，而且一件接一件。導購猜測顧客喜歡什么，推薦顧客試穿，滿足雙方各自的心理訴求來達成交易。電商網站如何猜測用戶的心思，推薦商品達成交易呢？我們不可能讓人來感知用戶的訴求，只能用數據和規則告訴用戶，我知道你看上的是這件商品。所有不著調的推薦都是耍流氓，不著調的推薦不如不推薦。

一、推薦算法

推薦算法主要有基于內容的推薦算法、協同過濾算法和基于人口的統計學推薦。先來科普下這幾種推薦算法：

1、內容的推薦算法（CB）：為每個item提取特征建模

CB基于商品相關性構建商品模型推薦。商品相關性包括商品類目、屬性、參數、關鍵詞、組合商品等。

舉個簡單栗子，你去買手機，導購員看見你進來就知道你買手機，這是商品類目；你說，看看粉色的蘋果，內存要大點，導購拿來128G的紅色iPhone7，粉色是屬性，內存是參數，導購拿來的不是水果，因為蘋果是iPhone的關鍵詞。等你決定買粉色128G iPhone7時，導購和你說，今天買手機再加10元可以買一個手機殼，這個是商品組合推薦。電商系統也是如此，一步步猜中用戶心思，用戶才會信賴網站。目前電商中純粹使用CB算法的不多了，對于初建網站，沒有用戶數據的前提下，主要依賴于CB算法推薦商品。

2、協同過濾算法（CF）

（1）基于用戶的CF

基于用戶對物品的偏好找到相鄰鄰居用戶，將鄰居用戶喜歡的推薦給當前用戶。大學時期和你經常一起看電影的閨蜜和你說，最近上映的《摔跤吧，爸爸》很好看，會讓你更想去看這部電影，因為你知道，她喜歡看的，一般你也喜歡看?！跋矚gXX的人也喜歡”就是典型的User CF。

（2）基于物品的 CF

基于用戶對物品的偏好找到相似的物品，然后根據用戶的歷史偏好，推薦相似的物品給他。經常遇到的就是你買褲子時，導購和你說，這款是我們銷量最好的， 剛還買走一個呢。除了物物關聯外增加了用戶偏好，根據大眾偏好預測你還沒有表示偏好的物品，比如大家都在買。

3、基于人口的統計學推薦

根據用戶的屬性建模，通過用戶特征計算用戶間的相似度。常見的有用戶注冊時添加感興趣標簽、榜單、熱點等。

推薦算法無外乎是商品相關性、用戶行為、大眾行為。

二、運營推廣

上述的推薦算法是基于數據和規則推薦的，除此之外，還有運營需求的推廣。當然生活中也是存在的，導購偶爾會強力推薦某個產品時，有人就會懷疑，是不是提成多。除了專題活動推薦外，偶爾也可以在自然推薦規則中加入人為干擾因素（比如某個品牌優先），讓你的運營推薦做的不聲不響。移動端的推薦比較推崇的是Feed流，推薦除了不易察覺，還會讓你心甘情愿分享。

三、無處不在的推薦

以天貓為例說明，推薦不是越多越好，推薦是越準確越好。

• 首頁：除了各種專題運營活動外，根據用戶的瀏覽歷史猜你喜歡
• 搜索結果頁：不漏痕跡地加入人為干擾因素推薦，掌柜熱賣
• 商品詳情頁：基于大眾瀏覽和商品相關性的看了又看
• 會員中心：根據用戶瀏覽猜你喜歡
• 訂單詳情頁：運營活動推薦，關注品牌的熱賣單品
• 購物車頁：掌柜熱賣、品牌收藏、最近瀏覽、猜你喜歡

四、2B電商的區別

2B的特殊性又來了，2B電商面向的是企業，企業就會有不同角色操作的人，面向不同的人推薦不同。以采購手機原材料為例說明，工程師選的是產品（選型），他可以決定采購手機電池的規格參數和品牌，商品推薦可以從規格參數和廠家等維度來推薦。采購員是買指定的材料，是無權更改產品型號和品牌的，但他可以決定商品的價格和供應商，商品推薦可以從價格等維度入手。

最后，推薦不是越多越好，推薦是越準確越好，多而不準確的推薦，在用戶看來是一次次地眼睛被強奸。

本文由 @蘿卜Lily 原創發布于人人都是產品經理。未經許可，禁止轉載。