推薦系統應用研究:網上書店
除了分類查找和主動搜索,推薦系統也是用戶瀏覽商品的重要途徑,能幫助用戶發現類似并感興趣的產品,增加商品的訪問量,將訪問者轉化為購買者,引導用戶購買。最終產生的價值是提升用戶購物體驗和用戶粘度,提高訂單量,如Amazon30%的訂單來自推薦系統。
相比于精準營銷廣告,推薦系統產生的信息更為自然,同樣能起到推銷商品的目的。但是如果推薦系統的信息過于密集或者不精準,也會有成為垃圾信息之嫌。如在當當網已登錄情況下查看《Web信息架構:設計大型網站》,邊欄和底部有以下幾種形式的推薦系統:
- 購買本商品的顧客還買過
- 瀏覽本商品的顧客還看過
- 看過商品的顧客會買
- 瀏覽更多同類商品
- 您的瀏覽歷史
- 最佳拍檔
- 廣告
- 和您興趣相似的顧客還關注
推薦系統中存在重復得數據,如1、2和6都推薦《About Face 3交互設計精髓》,并且個人已經購買了這本書。喜歡的歌曲可以重復播放,已購買的書籍不可以重復推薦,而是把用戶的購買記錄作為主要的推薦依據。重復的數據會削弱推薦的有效性,過多的推薦形式和數據會大大稀釋推薦的精準度。
個人曾是當當的忠實用戶,已在當當網下過27次訂單,購買過90本圖書,推薦系統對購買的幫助幾乎可以忽略不計,也沒有對個人的購買記錄加以利用。在購物車頁面準備下訂單時登錄當當網,頁面會跳轉到首頁,在下訂單頁面點擊返回也會經常出現訂單丟失的情況。
當當網的送貨進度時間平均4-5天,下訂單之后可以查看送貨的進度。根據個人的設計經驗,一般是明顯讓用戶感覺到慢或者操作步驟多的時候才會使用進度條,稍微緩解用戶的等待感,而卓越明確告知用戶貨物會在哪天送達。
由于嫌棄當當送貨太慢,改用卓越,在未登錄情況下查看《Web信息架構:設計大型網站》圖書頁面,突出顯示“購買本商品的顧客還買過”,共推薦100本書籍,約50本是個人感興趣或者已在當當網購買過的。由于主要使用一種形式的推薦,很好地避免了重復數據。
“購買本商品的顧客還買過”比“瀏覽本商品的顧客還看過”更能獲得用戶的信任,其使用的是item-to-item協同過濾系統,通過余弦計算商品的相似度來推薦,比起傳統的協同過濾(Collaborative filtering),解決了冷啟動的問題,不會過度地依賴用戶的瀏覽和購買記錄,在用戶第一次查看圖書時也能進行推薦。
鼠標停留在當當網推薦的書籍上顯示的書籍封面圖片和價格,而卓越顯示書籍的評分、評價人數和價格,按照用戶購買商品的過程,書籍的評分更能吸引用戶瀏覽并產生購買欲望。
卓越的郵件中會帶有圖書推薦,圖文并茂提供了有用的信息,并不會被個人當成垃圾郵件,看到感興趣的數據可以查看或者直接購買,非常方便。而當當以文字形式邀請評論,收到第一份的時候會打開看看,其余30份內容一樣的郵件直接被當成垃圾郵件刪除。
兩個網站的廣告可以更精準些,沒有按照書籍的標簽相應顯示廣告,購買計算機類的書籍多是男性,當當網顯示標簽為女性的胸罩廣告,卓越網顯示高跟鞋和女性內衣的廣告,也許能分散男同胞的注意力和點擊次數,但是不會增加廣告的轉換率,顯示數碼產品的廣告會更適用在此類圖書頁面。
重復和垃圾信息損害用戶體驗,推薦的信息在于精確和有用,不宜過多地顯示。
來源:http://daichuanqing.com/index.php/archives/1882
- 目前還沒評論,等你發揮!