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
  • 0 关注
  • 0 收藏,14 浏览
  • 逐风OL 提出于 2020-10-30 17:29:30

1 个回答

xxxxxa

xxxxxa

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