同意前面两位的看法,电商推荐最好用的是协同过滤,这要从技术和产品两个角度来说。
1、技术方面,由于商品属性的多样性和复杂性,以及用户在选择商品时的主观性,很难有一种标签体系或者相关推荐算法能够准确关联成功所有属性。
** 举个简单的例子,用协同过滤可以算出买锅的人也会买空气净化器,而用各种“商品标签+用户标签”都是比较难将锅和空气净化器关联起来的。也许你会说,他们都是居家类用户的选择,可以关联,那么我们来更进一步:
锅和空气净化器都是有档次之分的:买100块钱锅的人,可能倾向于买700块钱空气净化器;买1000块钱锅的人,可能倾向于买5000块钱空气净化器;买颜值高的锅的人,可能倾向于买外观时尚的空气净化器;买使用寿命长的锅的人,可能倾向于买滤网更换周期长的空气净化器……这些复杂的因素用相关推荐都是很难计算出来的,但是当数据量足够大的时候,用协同过滤算法都可以得到很好的答案。
至于协同过滤算法究竟是怎样的,大家查查资料和文献都能理解。
2、产品方面,用户需要你给出充分的推荐理由,来接受你的推荐。我们做过很多ABtest,同样的推荐结果,采用不同的推荐理由,CTR会有显著差异。
** 推荐理由往往是年度热门、分类top10、你的好友XX也喜欢、1万个人收藏、好评度90%等等这些。如前所述,商品的复杂度决定了不是所有用户都相信热门(比如高端用户不喜欢爆款),好友关系也很难保证品位一致。
而协同过滤的推荐理由,在电商里是足够让用户接受的。“看过该商品的人也看了”“买过该商品的人还买了”,这些推荐理由是由相同消费层次和审美品位的用户数据计算得出的,对用户购买决策的影响更大。
各个商品自身的属性除了大类划分外,其实还可以有很多更精细的做法。
商品的推荐大致可分为同类推荐和搭配推荐
同类推荐和商品自身的功能性、时尚性相关。某种程度上所有商品都可粗略做功能性和时尚性的划分,一件商品的功能性越强,那么它的短期复购率就越低,而时尚性越强,那么短期复购率就越高;比如问题中的枕头购买后短期不会购买第二件,而女性雪纺衫很有可能短期购买好几件;
搭配推荐主要和商品的购买场景属性相关。购物行为可以归类为各种购物场景,商品也可以做不同购物场景属性的标记,那么一旦某一件商品被购买,就可以推荐相关购物场景的其他商品作为搭配。还是拿题目中的枕头举例,一个人在购买枕头,那么很有可能是在做床品的购买,那么做其他床品的推荐是合适的;放大一些这个人有可能是刚刚完成装修在做新家采购,如果结合其他的购物行为可以佐证这一点,那么相关家具家电的推荐都是可以的。
至于如何结合大数据,没有相关经验,期待其他精彩答案
产品推荐一直是各大电商在深度探索的方向~
像淘宝,京东的产品属性细分到一定的程度了,硬件和技术水平也都很强了,在这方面还是做得比较初级,主要是因为不论哪个纬度来推荐都有不完善的方面,各方考虑之下,按浏览轨迹就是最简单粗暴,命中率也最高的办法~
产品推荐比较重要的一点是要依靠产品自身的属性,想把推荐做好的前提是完善产品的属性,这些属性通常包括几个方向,
1、产品的销售属性,比如颜色,尺码,材质…
2、产品的类别属性,隶属于哪个品类下,哪个分类下…是衣服还是电器,是床品还是生活用品…
3、产品的风格属性,季节,特点,风格,场景…
4、产品的扩展属性,可以用来标记用户的特征,比如已婚,学生,海外……
其实可以有很多纬度,这些纬度互相交叉,就可以分析出用户的特点,找到用户最想看的那个产品.
比如问题里说的“枕头”,买了一个枕头,可以知道这是床品类的,什么颜色,什么材质,什么品牌,那接下来我可以推荐你这个颜色,这个材质的被罩,窗帘,抱枕,像淘宝就可以把这个品牌的推广产品和广告展示给你,因为你对这个品牌的关注度更高……当然这是在你只买了这一个,如果你买了多件商品的时候呢?所有的属性叠加起来推荐的产品也就有了~
关键不是属性本身,而是商品关联,在这上面做文章会比属性本身有用。
两条线,第一条线是直线向下,比如数据库看到用户买了一辆自行车,直接推荐车的各种配件,什么打气筒啊,车灯啊,车锁啊,骑行服啊,骑行手套啊等。
第二条线是平行关联。当你发现订单中,用户买了骑行手套,不用猜了,这货有车。那么车相关的一套东西就出来。
曾多次吐槽淘宝和京东的关联系统,是2到家了。我前一阵搜了一个相机支架,然后买了一个,到现在他们还在给朕推荐相机支架,去163看新闻都还在推荐,我都有杀了产品经理的冲动。