电商的商品推荐策略如何更好地结合商品自身属性?

电商的商品推荐策略如何更好地结合商品自身属性,例如一件完成低频商品(如枕头)的交易后不应再推荐此类商品,因为短期内不会再买第二件,除了利用商品自身所属的大类(电器,家居,服装)来粗略区分外,是否可以更
阅读全文
请先 登录 后评论
  • 0 关注
  • 0 收藏 111 浏览
  • 略问用户 提出于 2020-10-21 11:23:27

13 个回答

xxxxxa

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。

请先 登录 后评论
xxxxxa

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

请先 登录 后评论
xxxxxa

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~

请先 登录 后评论
xxxxxa
从用户的消费诉求、商家的运营算法来分析,商品推荐策略大致可以从以下三个方面着手: 1、根据用户自身的购买行为来推荐,满足当前特定用户的其他需求,即推荐同一大类下的其他商品作为互补消费。例如买完枕头之后,特定用户可能还要继续购买其他家居产品,床单、被套,甚至扩大范围到家具类。 2、将产生相同消费行为的其他用户作为依据,即对同一类型用户的消费数据做分析。例如,用户A和用户B\C\D...成百上千、上万的用户都买了这款枕头,然后对这些用户的后续消费行为进行大数据处理,统计后续消费中的高频商品,推荐给用户。 3、抛开商品自身属性,推荐其他类别的商品。机器算法一方面有助于满足用户的个性化需求,但另一方面也可能造成局限,舍弃了其他类型商品的推广机会。所以,电商平台,还应该在推荐的时候,将一些其他类型的商品,例如高口碑、高性价比、限时优惠以及商家希望推广的产品,推荐给潜在的用户,引导用户体验更丰富、更多元化的购物消费。
请先 登录 后评论
xxxxxa

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。

请先 登录 后评论
xxxxxa
电商推送首先要明白自己是在为谁推送,“谁”就是人,每个人有每个人的生态情境,而我觉得大数据做的事情,就是收集人类的生态情境。 比如我,每天7点半起床(上班族,亲子族),吃面包(3个人吃,两天一买),喝牛奶(以24盒一箱的牛奶为例,3个人喝,8天一买),等等。那么会和我一样的人多吗?多。地址与我差不多,有子女在同一个学校上学的,和我差不多工作性质的,等等。我觉得,当一个产品进入一个生态环境,去研究受用者的生态行为,并进行相似分类,才能更精准的推送。 当然,还有一种比较简单粗暴的分类方法,那就是浏览量,一个人或者一群人对同一个或一类产品的浏览量和购买情况足以证明这类产品是否需要推送。还是以牛奶为例,如果我每天都在和一款牛奶,但我依然在看有关牛奶的商品,不是我想换一款奶了,就是我想换一款奶了。这个时候我选择推送有试用装的奶(我觉得不论哪种奶都该有迷你装或者试用装,这样才能显示出品牌感,权威感)。 至于非快消品的推送,这种通过浏览率和购买情况的数据分析一样有效。比如我在淘宝买沙滩服,买完了,我的浏览率如果不降低,就说明我想买第二套。但如果浏览率明显下降了,不是我已经去玩回来了,就是我已经去玩回来了。 最后,我还是想说,生态情境是最好的营销,尤其对于非快消品,比如度假旅游,如果我买了性感有情调的沙滩服,你再推送我戴花大草帽,可撕指甲油,防水防晒baby油,卸妆湿棉旅行装,等等我一定会接受的。 个人观点,如有共鸣,欢迎点赞加好友耨~~
请先 登录 后评论
xxxxxa
利用客户所选的商品的属性,包括在电商平台的购物历史大数据,推荐客户搭配类产品,例如时尚的搭配、作用的搭配,服务的搭配、利用大数据的判断,向用户准确推送,比如说,通过软件的数据积累,得出用户在什么时段喜欢购物,每个月客户都爱购买的商品品类,甚至是往年的同时客户的购买需求,通过系统数据判断,来做好商品的推荐,以此来增加商品的连带率 马斯洛的需求层次论告诉我们,人们的需求分不同层次,从生理需求、安全需求到社交需求到自我实现需求,实现了一个从物质需求到社会、精神、文化需求的升华。不同产品满足消费者不同层次的需求。需求的层次决定了产品的物质与精神是如何在功能与文化层面实现统一的。通过利用大数据的分析,来推算产品的属性和用户的需求之间的联系,进而实现购买。 结合题目:电商的商品推荐策略如何更好地结合商品自身属性,例如一件完成低频商品(如枕头)的交易后不应再推荐此类商品,因为短期内不会再买第二件,但是这个数据带来的时间、地点,商品属性等等都可作为客户下一次购买商品的推荐指标。
请先 登录 后评论
xxxxxa

电商推荐最好用的是协同过滤,并不是商品相关推荐,跟商品没太多关系

请先 登录 后评论
xxxxxa
没有从事过电商的推荐系统的相关工作。但一直对其十分好奇,所以会关注一些推荐系统的文章。 个人感觉推荐系统做的比较好的就是亚马逊的网上书城,对,仅仅是网上书城部分而不包括其他类型,比如服装,3C做的和其他电商没啥区别甚至不及。个人认为之所以这样是因为亚马逊在中国做的比较好的业务就是图书,在这方面收集的数据比较多,所以好做推荐。所以想做好推荐的前提是得有大量的用户数据,然后再利用协同过滤算法做推荐 所谓协同过滤算法是利用集体智慧的一个典型方法。要理解什么是协同过滤 (Collaborative Filtering, 简称 CF),首先想一个简单的问题,如果你现在想看个电影,但你不知道具体看哪部,你会怎么做?大部分的人会问问周围的朋友,看看最近有什么好看的电影推荐,而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。这样随着用户数据的积累,协同过滤算法可以覆盖很多场景。
请先 登录 后评论
xxxxxa

复购的频次本身可以暴力拆解,这个可以直接跳过商品品类这个环节,直接用复购率把商品聚类分析,找到类型type1,然后再根据这个频次类别进行基于品类(这个品类可以是已有的品类)的推广即可。毕竟会遇到产品品类属于快销,但产品本身属于耐用的,固有品类是按需求分的,而不是按频次,分开来统计没问题。

有了大数据直接暴力再把复购率聚类一下搞出个频次类别就行了。

相关产品的协同过滤楼上几位说得比较明白了。

总是推广相关产品(互补品等),按频次推广同类产品即可。

请先 登录 后评论