商品展示方面，總共推薦了 5 頁(yè)(應(yīng)該是按規(guī)則展示的全部數(shù)據(jù))，點(diǎn)擊輪播指示器可以切換瀏覽。如圖。

• 最近收藏的

顧名思義，這個(gè)很好理解。就是用戶某一段時(shí)間內(nèi)加入收藏夾的商品。默認(rèn)只展示了 5 件商品，據(jù)我猜想，這 5 件商品應(yīng)該是根據(jù)用戶收藏時(shí)間倒序排，即最新收藏的優(yōu)先展示(不一定準(zhǔn)確，如果能有天貓的產(chǎn)品同學(xué)指教，那是最好不過(guò)了。)更多點(diǎn)擊“去我的收藏夾”查看。

• 最近瀏覽過(guò)的

這個(gè)也比較好理解，基于用戶某一段特定時(shí)間內(nèi)的瀏覽歷史記錄進(jìn)行商品推薦。這里也只默認(rèn)展示了 5 個(gè)商品，更多點(diǎn)擊“去我的足跡”查看。這 5 個(gè)商品的具體展示規(guī)則，應(yīng)該是根據(jù)用戶的瀏覽時(shí)間順序倒序排的，比如 15 天瀏覽的商品數(shù)據(jù)。如下圖。

不過(guò)排序因子里除了“瀏覽時(shí)間先后”，不知道是否還有其他因子沒(méi)有，比如“瀏覽時(shí)間長(zhǎng)短”(比如某件商品我反復(fù)瀏覽過(guò)多次，是否會(huì)排在我只瀏覽過(guò) 1 次的商品前面)

• 猜你喜歡的

這個(gè)就比較厲害了。這是網(wǎng)站基于自身海量用戶數(shù)據(jù)，構(gòu)建用戶喜好模型，進(jìn)行用戶畫像分析，利用大數(shù)據(jù)進(jìn)行的商業(yè)智能分析與推薦?！安履阆矚g的”也是展示了 5 頁(yè)數(shù)據(jù)(應(yīng)該是按規(guī)則展示的全部數(shù)據(jù))，點(diǎn)擊輪播指示器可以切換查看。具體涉及的時(shí)間跨度無(wú)從得知。

“猜你喜歡”這一塊我們通常稱之為CF-協(xié)同過(guò)濾。協(xié)同過(guò)濾分為兩塊內(nèi)容，一塊是基于“用戶”的協(xié)同過(guò)濾，另一塊是基于“物品”的協(xié)同過(guò)濾。

基于“用戶”的協(xié)同過(guò)濾：一種最古老的算法。給用戶推薦和他興趣相似的其他用戶喜歡的物品。

興趣相似度通過(guò)計(jì)算行為相似度來(lái)展示，即將用戶的各種行為映射成多維空間的向量，通過(guò)計(jì)算向量的相似度(常用的有余弦相似度、歐式距離等)得出。

基于“物品”的協(xié)同過(guò)濾：目前業(yè)界應(yīng)用最多的算法。給用戶推薦和他們之前喜歡的物品相似的物品。

并不是利用物品的內(nèi)容屬性計(jì)算物品之間的相似度，而是通過(guò)分析用戶的行為記錄計(jì)算物品之間的相似度。

我只知道最簡(jiǎn)單的概念理論，具體怎么實(shí)現(xiàn)的，我也不懂。感興趣的同學(xué)可以自行參考資料學(xué)習(xí)，如果能順手分享給我，那是最好不過(guò)了。

從以上分析我們可以發(fā)現(xiàn)，“掌柜熱賣”和“猜你喜歡的”這兩個(gè)Tab 均展示了 5 頁(yè)數(shù)據(jù)。

而“最近收藏的”和“最近瀏覽過(guò)的”則只默認(rèn)展示了 1 頁(yè)即 5 個(gè)數(shù)據(jù)，要查看更多只能分別去到“我的收藏夾”和“我的足跡”。個(gè)人認(rèn)為“最近收藏的”和“最近瀏覽過(guò)的”的權(quán)重要高于另外兩個(gè)模塊。

據(jù)筆者不成熟的分析，如此設(shè)計(jì)的理由可能有以下兩點(diǎn)：

1.“掌柜熱賣”和“猜你喜歡的”推薦的商品：從時(shí)間維度看，時(shí)間跨度很長(zhǎng)，長(zhǎng)達(dá)數(shù)月的商品仍然在此展示。

從用戶購(gòu)物心路歷程分析，此類用戶并沒(méi)有明確而清晰的購(gòu)物目的，更多時(shí)候可能只是隨便看看，看上了心怡的就買，沒(méi)看到心怡的就算了。

對(duì)于這部分用戶，將他瀏覽過(guò)的商品按規(guī)則全部展示在他面前，根據(jù)算法進(jìn)行概率命中，期望用戶從這些商品中能夠獲得轉(zhuǎn)化。似乎有種瞎貓碰耗子的感覺(jué)。

2.而“最近收藏的”和“最近瀏覽過(guò)的”推薦的商品：一方面收藏的商品一般是用戶購(gòu)買意愿比較強(qiáng)但又并不想在收藏當(dāng)時(shí)就立即購(gòu)買，而是選擇收藏起來(lái)等待時(shí)機(jī)再下手。

其實(shí)也可以把購(gòu)物車當(dāng)作收藏夾用，比如我，但是如果全部把商品加入購(gòu)物車收藏，用戶在真正購(gòu)買商品的時(shí)候，需要將收藏卻不買的商品去掉勾選或移入收藏夾甚至不小心刪除， 這反而會(huì)大大加重用戶的決策負(fù)擔(dān)和操作成本。

另一方面最近瀏覽的商品，我們也可以認(rèn)為是用戶有較強(qiáng)購(gòu)買意愿的，同時(shí)由于時(shí)間間隔短，此時(shí)網(wǎng)站提高推薦權(quán)重，減少推薦商品數(shù)，避免用戶陷入選擇悖論反而拖長(zhǎng)購(gòu)買時(shí)間。

但是，以上的 4 種推薦方式，不管是掌柜熱賣、猜你喜歡的，還是最近收藏的和最近瀏覽的，單純從商品推薦來(lái)說(shuō)，其實(shí)還蠻準(zhǔn)的。但都存在一些問(wèn)題。

問(wèn)題1：那就是我作為一個(gè)用戶，我在某一段特定時(shí)間內(nèi)，瀏覽過(guò)A/B/C/D/E/F/G 共 7 件商品，可能期間某個(gè)時(shí)刻我已經(jīng)買了其中的一件商品比如C，或者與C特征相似或功能相近的商品，系統(tǒng)仍然會(huì)給我反復(fù)推薦C或者與C相似的商品。話說(shuō)不明白，我還是舉栗子吧。

購(gòu)物場(chǎng)景：十三，一個(gè)喜歡閱讀的藍(lán)孩子，平時(shí)喜歡看紙質(zhì)書，可惜缺少一個(gè)書柜，急需一個(gè)書柜。于是在 2016 年 11 月，在天貓App購(gòu)買了一個(gè)簡(jiǎn)約白色書柜，滿足了想存書卻無(wú)書柜的痛點(diǎn)需求。

問(wèn)題：十三從去年 11 月購(gòu)買此書柜后，網(wǎng)站到現(xiàn)在還在給我推薦書柜，各種各樣的書柜。

那么問(wèn)題來(lái)了，從生活經(jīng)驗(yàn)上我們可以認(rèn)為，十三在購(gòu)買了書柜之后，較長(zhǎng)一段時(shí)間內(nèi)應(yīng)該都不會(huì)考慮繼續(xù)購(gòu)買書柜。讀書的速度就那么快，簡(jiǎn)直看書如抽絲啊，即使我想買書柜，那也得我把已買的書看完了才行啊(哈哈哈哈哈哈哈捂臉) 。所以在這段時(shí)間內(nèi)，為毛還在反復(fù)給我推薦書柜呢。

解決方案：個(gè)人有一個(gè)很不成熟的想法，是否可以以“用戶購(gòu)買時(shí)間”作為間隔點(diǎn)，用戶購(gòu)買此商品后 6 個(gè)月內(nèi)，不再給用戶推薦特征相似或功能相近的商品，當(dāng)然僅限于“掌柜熱賣”和“猜你喜歡的”。反復(fù)推薦我暫時(shí)并不需要的商品，我真的很不喜歡啊，管你是不是熱賣咯。

嗯，雖然問(wèn)題是擺出來(lái)了，但我相信天貓的同學(xué)應(yīng)該都有想到這個(gè)問(wèn)題。至于問(wèn)題為啥一直存在，我想總歸是有背后的業(yè)務(wù)背景和某些不可知原因的。畢竟，

任何不談業(yè)務(wù)背景的需求分析，都是耍流氓。

問(wèn)題2：一眼看過(guò)去，國(guó)內(nèi)大部分電商網(wǎng)站都做了類似的營(yíng)銷功能，而且從最早期比較單一的“猜你喜歡”或“你還想要買”功能橫向拓展到現(xiàn)在的 4 個(gè)Tab。

為了提升購(gòu)物車頁(yè)的營(yíng)銷轉(zhuǎn)化，提高客單價(jià)和網(wǎng)站GMV，以及網(wǎng)站整體的PV、訪問(wèn)時(shí)長(zhǎng)等數(shù)據(jù)。網(wǎng)站可謂是才華橫溢費(fèi)勁了心思。雖然頁(yè)面內(nèi)容變得更冗余，但也無(wú)可厚非。錢嘛，多多益善。

但是我們要冷靜下來(lái)認(rèn)真思考一下，有多少電商網(wǎng)站是為了做而做，看到別人家做了這個(gè)功能，自己要是不跟上腳步也設(shè)計(jì)一個(gè)類似的功能似乎就落后了。

燃鵝，基于用戶喜好數(shù)據(jù)進(jìn)行的商業(yè)智能推薦，它至少需要滿足以下 3 點(diǎn)：

1.擁有海量的用戶數(shù)據(jù)，足夠支撐起商業(yè)智能推薦的用戶數(shù)據(jù)這一基礎(chǔ)和核心;

2.擁有強(qiáng)大的用戶模型構(gòu)建能力，能夠進(jìn)行用戶分類管理，構(gòu)建用戶喜好模型，在此基礎(chǔ)上能夠持續(xù)進(jìn)行精準(zhǔn)化運(yùn)營(yíng);

3.協(xié)同過(guò)濾算法技術(shù)較好，推薦給用戶的數(shù)據(jù)精準(zhǔn)度較高(個(gè)人認(rèn)為至少 80% 吧。)

問(wèn)題3：商品推薦其實(shí)可以說(shuō)是一個(gè)商品聚合頁(yè)面，將用戶過(guò)去某段時(shí)間內(nèi)瀏覽或收藏過(guò)的商品統(tǒng)一展示出來(lái)，喚醒用戶記憶--“咦，原來(lái)我以前還看過(guò)這些商品啊，這個(gè)好像還不錯(cuò)，買了吧?！?/span>

但是，購(gòu)物車環(huán)節(jié)非常重要，一般而言，用戶既然已經(jīng)來(lái)到了購(gòu)物車頁(yè)面，說(shuō)明他的下單購(gòu)買意愿已經(jīng)非常強(qiáng)烈了，最重要的是讓用戶盡快完成點(diǎn)擊“去結(jié)算”這一關(guān)鍵操作。那么在這個(gè)頁(yè)面進(jìn)行商品推薦，會(huì)碰到兩個(gè)問(wèn)題：

1.造成用戶從購(gòu)物車蹦失，看著看著可能就忘記下單支付了;

2.延長(zhǎng)了用戶的整個(gè)購(gòu)物時(shí)間，也許看到最后也沒(méi)有看到更多心怡的，最后還是只能乖乖地購(gòu)買一開始選擇好的商品。這與互聯(lián)網(wǎng)提升用戶效率的原則是相悖的，其實(shí)也說(shuō)明了一點(diǎn)--并非用戶在網(wǎng)站的訪問(wèn)時(shí)長(zhǎng)越長(zhǎng)越好。個(gè)人認(rèn)為應(yīng)當(dāng)是單位時(shí)間內(nèi)的“有效訪問(wèn)時(shí)長(zhǎng)”。

當(dāng)然，這就涉及到網(wǎng)站銷售目標(biāo)與用戶體驗(yàn)之間的權(quán)衡利弊了。

總體上來(lái)說(shuō)，雖然對(duì)用戶體驗(yàn)多少會(huì)有損傷，但網(wǎng)站銷量的提升帶來(lái)的價(jià)值應(yīng)該能夠彌補(bǔ)上這部分損失的體驗(yàn)，而且根據(jù)用戶的數(shù)據(jù)和反饋顯示，應(yīng)該也不算差。

最后

不管是猜你喜歡，還是最近瀏覽的，從本質(zhì)上說(shuō)都是智能推薦。既然是智能推薦，必然人為干預(yù)因素很少，甚至完全沒(méi)有人工處理的余地，完全由機(jī)器和算法完成這部分工作。

從目前的技術(shù)水平來(lái)看，要做到 100% 完全精準(zhǔn)，命中用戶購(gòu)物喜好，還是略微有點(diǎn)難的。但是咱們既然要做，就要努力把它做好做全面一點(diǎn)，提升“智能化”。

而不是打著智能推薦的旗號(hào)，實(shí)則做的是人工商品推廣。這就比較尷尬了。畢竟你推廣的商品，如果跟用戶沒(méi)有一丁點(diǎn)關(guān)系，用戶是不會(huì)買賬的，他只會(huì)覺(jué)得你煩。

在這里，筆者斗膽給大家兩點(diǎn)小小的建議：

1.先想清楚為什么要做，比怎么做更重要。

2.嘗試著用“創(chuàng)造價(jià)值--傳遞價(jià)值--獲取價(jià)值”的思考路徑來(lái)分析解決問(wèn)題。哪怕你思考了完全不符合用戶場(chǎng)景卻也必須要做某個(gè)功能，這樣的思維方式也是頗有好處的。