商品推荐在亚马逊上贡献了高达 35% 的营收。在大多数其他电商网站上,这一比例为 5% 至 15%。差距主要源于推荐质量。大多数引擎只能反复向顾客展示其已浏览过商品的衍生项。
基础推荐为何失效
“最近浏览”不等于推荐。它不过是一份外观更精致的浏览历史。
基于品类的建议过于宽泛。顾客买了一台笔记本电脑,系统再推荐更多笔记本电脑——他们并不需要再来一台,他们需要的是电脑包、USB 集线器或显示器。
“最畅销”千篇一律。向所有人展示同样的畅销榜,只是一场人气竞赛,而非个性化推荐。
优秀系统的做法
协同过滤。购买了 X 商品的人也购买了 Y 商品。这是最有力的信号,需要 50,000 笔以上的订单数据才能有效运作。
序列模式挖掘。购买相机后,通常下一步会购买存储卡(1 天内)、相机包(1 周内)、镜头(1 个月内)。将推荐与购买旅程的时点相匹配,可显著提升相关性。
情境感知推荐。商品页:互补商品;购物车:配件;首页:基于用户画像;购买后邮件:符合逻辑的下一次购买。
意图识别。高意图购物者(加入购物车、对比商品、阅读评论)受益于辅助决策的推荐;低意图浏览者则受益于发现性推荐。
展示位置至关重要
- 购物车页面:互补配件——购买意愿最高的关键时刻。
- 商品页面:互补商品及不同价位的替代选项。
- 购买后:符合逻辑的后续购买。
- 首页:面向回访用户提供个性化内容,面向新用户呈现热门趋势。
效果衡量
点击率、加购率、收入归因(优秀引擎可达总营收的 10% 至 30%),以及客单价提升幅度(10% 至 15%)。
请参阅我们的 电商与零售行业页面。