現如今幾乎每一家在線商店都在使用產品推薦引擎，這並不奇怪，因為如果這些推薦系統可以被正確的設置和配置，就可以幫助商家們提高收入，點擊率，轉化率，以及其他重要的指標。
除此之外，它們對用戶體驗方面也有積極的影響，雖然難以將此轉化成數字來衡量，但不可否認它在電商中的重要性，比如客戶的滿意度和保持率。
什麼是推薦引擎？
推薦引擎的核心是信息過濾工具，它利用了算法和數據把相關的項目推薦給相應的客戶。
在這裡，項目可以表示一段內容，一個產品，甚至一個人（比如說交友網站）。這些推薦由彙總數據支持，數據決定了用戶給出的內容，或者用戶特定信息和項目之間的相關性，然後產生了個性化推薦。
當然，電商的產品類型和最好迎合客戶需求的推薦也應該在實體店中應用，並遵循對他們最有力的邏輯方式。
邏輯是一個小眾的詞語，儘管在這篇文章中我會經常使用這個詞。為了清楚起見，這裡的邏輯，我是指基於推薦所提供的一系列定義好的規則和算法（比如，“熱門產品”， “購買此產品的用戶也購買了……“， 等等）
推薦引擎對網站有什麼好處？
商家不需要進行徹底的市場調查，也可以理解客戶願意在一家能更快更好滿足他們需求的商店購物，客戶們也有很大的可能在以後繼續在這樣的商店購物。
雖然和推薦相比給予客戶這種購物體驗是更難的，但是實施更好的解決方案毫無疑問是實現相關和個性化的客戶需求的基石。
為了瞭解推薦系統的商業價值，幾個月前，據Netflix估計, 它的推薦引擎每年價值10億美金。
另一個明顯的例子是，當時在2011年eBay以8000萬美元收購了一個創建2年的推薦引擎公司Hunch。
亞馬遜創始人傑夫·貝索斯（Jeff Bezos）早在1998年就瞭解推薦系統的價值：
在網絡世界中，企業有機會與客戶建立非常深厚的關係。 通過了解客戶的喜好，並且長時間觀察他們的購買行為，你就可以獲得客戶獨有的信息，並可以利用這個信息加速發現其他信息的進度。如果我們能做到這一點，那就會增加客戶的忠誠度，因為我們瞭解客戶的需求。
現在，回到2015年：據VentureBeat去年發佈的研究，77%的 “ 電子原生代“ (大致上說，Y和很大一部分X) 希望他們的在線體驗是個性化的。這意味著個性化和相關科技的存在是對商家有好處的。
如今，採用這種技術是成功做網上業務的先決條件。其中最有名的例子是亞馬遜的引用數據，這個數據表明，其中35%的收入來自客戶建議購買的商品。這是評估推薦系統時非常重要的指標。在我們的經驗中，商家在一開始並不瞭解到底什麼是和系統等性能相關的指標。
以下是一些衡量推薦性能表現的一些指標：
1. 來自推薦的轉化率 ：點擊推薦的用戶的轉化率。
2. GMV/1000推薦：這通常是最難理解的，但通常來講，它表示平均收入/1000推薦，其中收入指客戶從推薦中購買的商品收入。
3. CTRS：很明顯，這也是一個很重要的指標。需要注意的一點是：在偏僻位置（頁腳，邊欄）中的小圖標可能會偏移這些數字（事實上，包括其他所有其他數字），在評估過程中應該牢記這一點。
4. 來自推薦的收入半分比： 它是最常用的指標之一（也在上面的亞馬遜示例中突出顯示）。這只是指來自推薦的收入/總收入。
5. 查看產品數量：對經常使用推薦功能的人的產品查看數量。 雖然從直覺上說，更多的瀏覽也意味著用戶很難找到他們需要的產品。但是Wolfgang Digital的一項研究（後面更詳細地引用）得出結論，用戶在網站上花費的時間和打開網頁的數量實際上與轉化率成正相關。
這些都是在POC和招標過程中評估推薦系統的指標。（例如，參見本公司參與的eBay土耳其的推薦系統投標的新聞稿）。
值得注意的是，除了實際的推薦性能，還有很多外部因素也會影響這些指標，比如圖標位置，頁面的佈局，還有其他季節性/廣告等因素。
推薦和個性化的區別
雖然在媒體上，推薦和個性化這兩個詞語可以互換使用，實際上它們並不相同。
推薦可以是個性化的，但這並不是對不同情況最好和唯一的方案。
同樣， 推薦不僅僅侷限於個性化，反之亦然 。個性化不能僅通過推薦引擎來實現（然而，真實的個性化，大部分來說，總是由推薦引擎提供動力）。
隨著SaaS解決方案在該領域的更多的應用，越來越多的企業可以利用先進的推薦系統，在不斷變化的電子商務空間，保持競爭力。
在哪裡可以使用推薦
推薦可以放在電商網頁的很多地方。為了縮小主題，在本文中，我將主要討論應用於電商網站圖標，產品，購物車，分類，404頁面中最基本的邏輯和推薦技術。
首頁推薦
主頁是用戶訪問網站時首先看到的界面。
由於這些訪問者不一定是來尋找某樣特定的商品，因此主頁推薦的目的是告知客戶最新的優惠和折扣，並展示不同的產品。
1. 熱門產品
這是最基本的，也是最有效的推薦邏輯，這也是幾乎所有電商中廣泛應用的。產品的受歡迎程度由購買的次數決定（以其可以購買的時間加權）。
然而，更復雜的推薦系統可以將其他事件數據合併到其邏輯中，以便提供更準確的推薦（點擊，視圖，加入購物車等）
這是非常重要的，根據Pareto法則，80％的產品銷售來自20％的產品。
在內容網站（新聞網站，視頻門戶），其他等如頁面瀏覽時間，頁面滾動的百分比，視頻觀看時間也是對衡量熱門程度非常重要的因素。
對於不同類型的網站，你應該使用不同的指標來定義哪個是最受訪問者喜愛的商品或內容。
2.基於評分的推薦
熱門的另一因素也取決於用戶打的高評分。
在這裡，推薦系統的變成了是用戶評級，評論等等。換句話說，這是用戶自願和有意識根據自身喜好給予的，是“顯性反饋”。另一方面，點擊，購買和瀏覽習慣被稱為“隱性反饋”，因為這些是用戶和網站及平臺交互時產生的數據點。
現實中（非學術界）的推薦系統應用的大部分是隱性反饋，因為數據足夠豐富，和評分，評價等數據相比，後者不但沒有固定結構，資源也是極少的（因為只有少部分用戶會寫評價，或者很評分）
然而，雖然機器無法從評分中獲益，但是用戶卻可以。事實上，根據BrightLocal的調查，88%的人認為在線的評論是和個人推薦一樣有用的。
如果你認為由於你的用戶評價的習慣和偏好是影響購買決策的重要因素，你應該考慮在主頁上顯示“最高評分”框，或至少突出顯示產品的評分。
3.個性化推薦
個性化推薦根據每個用戶過去的購買和瀏覽歷史來展現的。應用於這項任務的推薦算法在實施和考慮因素方面有很大的不同。（很多時候，正如他們所說，“細節決定問題所在”）
不過，由於熱門商品推薦順應了主流，所以個性化產品推薦主要優點之一在於它增加了“長尾”產品的銷量。
然而，個性化推薦需要大量關於用戶的行為數據，系統對新用戶並沒有此類數據（這被稱為推薦系統的冷啟動問題）。
為了給回訪用戶提供個性化的體驗，並且滿足首次訪問者，業內使用的是定義“回退場景”或一系列這樣的場景，換句話說，一個自動的計劃B，用於個性化推薦。
實際上，這意味著系統會檢測其是否具有關於某個客戶的足夠的數據來為他提供個性化的項目建議。
如果沒有，則推薦系統將“退回”到更大眾的（如流行的）或過濾了類別的邏輯，對於其使用聚合數據而不是客戶特定的信息。
後備方案應該謹慎計劃，並應儘可能有效地利用你的數據，以便為新訪問者提供合理準確的建議。
產品頁上的推薦
產品頁面或產品信息頁面是訪問者查找產品及其功能的詳細說明的地方，在這些頁面訪問者可以選擇將產品添加到購物車或立即訂購。
這些頁面上的推薦的主要目的是顯示最相關的產品，向您的訪問者建議“下一步”可以搜索什麼，從而讓他們繼續瀏覽您的網站。
在大多數情況下，他們在您的商店花費的時間越多，他們實際購買的機率就越大。事實上，在2014年的一項研究中，Wolfgang Digital發現，無論是花在實體店的時間還是花在網頁的時間都與轉化成實際購買有良好的正相關。
4. 類似產品
相似產品歸類可以基於非常不同的邏輯。最不復雜的一個是基於類別的簡單過濾，即使沒有推薦引擎也可以實現（不用說，它在性能上也落後）。
如果將這種簡單的過濾方法與元數據的相似性結合起來，比如描述，產品標題，標籤，價格等的相似性，您可以大大提高性能（例如，從當前類別中推薦相同品牌或相同顏色的商品），但為此，您需要在您的網站上安裝高級推薦功能。
表現最佳的基於相似性的邏輯之一是稱為“項目到項目協同過濾”（由Amazon開創的方法）的方法。 我將在下面詳細說明。
5.“ 購買/觀看此的客戶...” 協作過濾
亞馬遜是在電子商務領域的產品推薦中大規模實施協同過濾的先驅（他們早在1999年就提交了項到項協作過濾的初始專利）。我相信，成效說明一切。
在其核心，協同過濾通過收集來自許多用戶的偏好或品味信息來工作。協同過濾可以加強逐項（基於產品相似性）和個性化推薦。
項目到項目協同過濾推薦：這種類型的推薦邏輯通過查看兩個產品在用戶的瀏覽或購買歷史中一起出現的頻率來基本確定兩個產品的相似性。
在實踐中，使用這種邏輯的小部件被命名為，舉個例子，“查看了這個產品的用戶，也查看了...”，這基本上解釋了這個基本思想。
這些算法構建的偏好模型非常真實並且針對於您的網站和用戶，因為它們量化了訪問者和平臺之間的真實交互。
此外，利用大量的數據，甚至諸如自動搭配推薦的問題也可以被相當精確地回答（更多內容見下面，在購物車頁面配件推薦部分）。
6. 個性化推薦
結合實際情況（正在查看的產品是什麼）與當前用戶的瀏覽購買歷史，產品頁面的個性化推薦可以進一步微調。個性化協同過濾算法可以應用於這種情況。
要大概瞭解這些算法工作的概念，請查看下面的簡化示例：
個性化協同過濾推薦：最常見的個性化推薦方法是看產品的平均相似性，以及用戶查看的最後幾個產品。
系統對此任務使用相同的項到項協作相似性，它不僅會將一個產品與另一個產品進行比較，而且會與用戶歷史記錄中的所有產品進行比較。根據交互狀態的新近來加權平均預測結果通常會進一步提高準確度。
購物車頁面的推薦
推薦與訪問者購物車裡的商品類似或相關的商品，可以非常有效提高平均訂單數量和價值。
購物車頁面的推薦以非常有利的心理狀態打動用戶，此時此刻他很可能已經決定進行購買，因此他更願意對進一步的優惠表示肯定。有一些推薦邏輯是非常適合這個任務。
根據我們的經驗，購物車頁面的推薦往往提供遠高於平均的推薦數量。
此外，根據Braillance和Marketingsherpa 在2015年對300家電商進行的研究，根據推薦指標的盈利，根據用戶購物車中的商品推薦其他商品推薦類型是10個最佳表現的推薦類型之一。
如果我們想知道，舉個例子，購物車頁面的流量比商品頁面少多少，這個很難比較。
7. 推薦配件
推薦產品配件可以顯著提高您網站上的平均訂單大小和價值。
此外，在技術上，實現這樣的小任務可以是相當容易的。然而，因為很難使得為每個商品推薦兼容的配件的過程自動化，根據您的目錄的大小和您的類別結構，相對地它可能需要在管理上投入很多。
因此，這樣的邏輯通常由手動分類商品關係來推動。
最理想的情況是，您可以直接推薦類別到類別（即iPhone - > iPhone配件）。這種處理方法使得自動化和大規模使用容易得多，但需要非常仔細地規劃類別結構。
當然，有足夠的數據再加上一些創造力，我們可以將如何分析行為信息的規則抽象出來，使得推薦系統的輸出結果是貼近實際的和兼容的配件。
這種容易編寫成代碼的可以定義跟特定商品有關的配件的規律之一，是通常與該商品一起購買，從而使得成本顯著減少（2倍，3倍或更多倍）的其他商品。這是我們在一些企業使用的一種方法。
這就是數量發揮作用的地方，當數據量很少的時候，這個算法產生的結果將是不可預測的，但當達到一定量的數據時，所有的統計數據往往與現實越來越相關（基於前提是正確的情況下）。
8. 經常一起購買
在購物車頁面上顯示經常一起購買的產品可能非常有效。
然而，為了任何購物車頁面推薦能實際上提供結果，結賬過程必須引導客戶通過購物車頁面，這裡恰恰列出了實際的商品推薦。這也是相對來說對數據要求很大的推薦技術。
此頁面的佈局也是一個重要因素。 如果你有時間和資源，A / B測試不同的佈局和設計可以產生優秀的結果和見解（不用說，這在全球範圍內適用，順便說一下，不僅僅是對推薦系統適用）。
舉個例子，Netflix在不同平臺，特色節目，甚至電影藝術作品的主屏幕布局上廣泛使用A / B測試。 我們肯定可以從他們的方法中學習到很多。
類別頁推薦
當客戶查看類別頁面時，他已經為您提供了有關他正在查找什麼的有價值的信息。 你的目標應該是提供幫助，使他不必在瀏覽整個類別的所有商品之後，才找到他想要的產品或內容。
雖然此方案中的最佳選項是高級過濾和分面搜索，但推薦系統也可以在這些情況下提供幫助。
9. 熱門商品
幫助用戶在類別頁面上找到所需內容的最明顯的方法之一，是向他們展示大多數人正在尋找的內容。
一個小技巧，是除了使用奇數類別來做類別頁面推薦之外，還同時教給你的系統整個類別結構。這樣，系統可以為母類別推薦子類別，這使得推薦更加多樣化。
另一個也許甚至更好的選擇是默認情況下根據流行度重新排序類別中的項目（要記住熱門商品的80:20規則）。
10.零結果和404頁
顯示“零搜索結果”或404網頁通常意味著客戶在網站上的會話結束，因此潛在的轉化失敗。
這些頁面通常是退出率最高的頁面，也是少數幾個頁面之一。退出率實際上是一個非常重要的指標。
我喜歡這篇文章關於退出頁面的提論，即這些退出率數字是相當無意義的，除了與下列這些頁面相關時：連接到結帳過程的頁面，一些“功能”頁面（零結果可以適合這個類別） 和404錯誤頁。
有幾種策略提供推薦，可以讓客戶在這些情況下繼續瀏覽。
其中一個基本方法是，如果僅僅因為客戶之前設置的過濾器，您的網站無法顯示查詢結果，則系統可以對完整的產品目錄執行一個新的搜索，並顯示匹配項（如果有）。
同樣，404頁面上的搜索框有時可以彌補網頁故障。
在這些頁面上顯示個性化產品建議還可以幫助客戶恢復被錯誤或無結果查詢中斷的搜索過程。
結論
當然，本文中介紹的想法，策略和技術並不都是關於電子商務中的產品推薦。
這只是為了提供一些思想食物的給正在計劃建立推薦系統或將他們目前的做法提高到一個新的水平店主或經理。
隨著市場上現有的新型SaaS推薦系統的推出，我們可以熟悉產品推薦，立即開始測試他們的想法，並親身體驗結果。
免責聲明：轉載自網絡 不用於商業宣傳 版權歸原作者所有 侵權刪
