电商产品设计之商品推荐系统
Posted 清梓与否
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了电商产品设计之商品推荐系统相关的知识，希望对你有一定的参考价值。
在电商网站里进行商品推荐，可以提高整个网站商品销售的有效转化率，增加商品销量。通过用户已经浏览、收藏、购买的记录，更精准的理解用户需求，对用户进行聚类、打标签，推荐用户感兴趣的商品，帮助用户快速找到需要的商品，适时放大需求，售卖更加多样化的商品。甚至在站外推广时，能够做个性化营销。
下面通过一个故事来讲解：
今晚有NBA的球赛，啤酒和球赛才是最配，怎么能没有啤酒呢，这时你有几个选择？
第一种选择：你可以去你家楼下中百罗森，然后你走进店铺转了一圈很快找到了啤酒，然后你对比一下几个品牌和价格，然后拿起你喜欢的品牌在前台进行付款。
第二种选择：你看离球赛开始时间还有段时间，你可以去家附近的家乐福顺带买点零食，你到了家乐福按照指示牌找到卖酒水的货架，然后不断对比啤酒的品牌和价格，选定之后，你又按照指示牌找到卖零食的货架，然后选择了几袋薯片，然后进行结算。
第三种选择：你很懒，只想在沙发上面躺尸，这时你可以打开外卖APP在叫做搜索框的物件上面 搜索啤酒，然后你在商品里面挑选各种啤酒，完了之后你根据和你距离的远近进行下单，等待送货上门。
以上描述了用户在不同场景选购啤酒的方式，也是面对商品过载情况下用户怎么对商品进行挑选的场景。
在中百罗森店铺由于店铺不大，店铺成列的SKU大致上千种，用户很容易凭借自己的浏览习惯找到啤酒这个商品。
到了家乐福，如果你不是经常去逛超市很难通过浏览方式在数万的SKU种找到啤酒，但是用户可以通过商品类目来找到啤酒。
而进入电商类网站，里面的SKU都是千万级别的，用户只能通过搜索来获取到啤酒。
上述例子是针对目的明确的用户的。但是生活中很多用户是目的不明确的，所以才有逛街这个词，逛街和逛超市可能就是因为无聊，为了打发时间才有的行为。
那超市如何使这些人消费呢？
既然你不知道买什么，我就告诉你需要买什么？用各种促销、各种打折、各种堆头推荐商品，同时在你购买商品附近放和这个商品相关的商品。
再比如，以前听音乐是用Walkman，用的是卡带和CD，现在一个手机音乐就涵盖了很多音乐，但问题来了——这么多音乐你要听哪些啊？
如果身边有朋友你可以问你朋友，但是有时候朋友推荐的并不是你喜欢的，而且你不可能时时刻刻都去问朋友吧？
在信息泛化和过载的时代，你需要这样一款懂你的工具，比如你在想听歌的时候，提供你喜欢的音乐，当你想去一个陌生地方的时候为规划好路线，这个工具就叫推荐系统。
推荐系统是信息过滤系统的一个子类，它根据用户的偏好和行为，来向用户呈现他(或她)可能感兴趣的物品。推荐系统会尝试去预测你对一个物品的喜好，以此向你推荐一个你很有可能会喜欢的物品。
推荐系统满足的需求就是在海量信息中帮你过滤你不感兴趣噪声，为你精确锁定你希望得到的有价值的信息。为用户过滤噪声搜索引擎也能提供，帮助用户精确锁定信息。
而搜索引擎于推荐系统的区别在于，搜索引擎是用户主动获取，用户有明确关键词来描述自己想要的。
推荐系统不需要用户有明确需求，而会根据用户标签，历史行为为用户主动推荐内容。
推荐系统是一套信息过滤系统，通过推荐算法将用户和物品联系起来，它能够在信息过载的环境中帮助用户找到感兴趣的信息，也能够推送信息给感兴趣的用户。
正如上面过所说， 很多用户过来就是无聊打发时间，也不知道想要买什么，就是上来看看。这个场景主要表现在新平台的用户只是过来看看上面的商品是否和自己的预期匹配，这个预期首先抛开产品功能上体验，从商品角度来说包括商品的丰富程度，商品价格优惠程度；老平台的用户过来只是为了打发时间，看看平台有没有推荐自己感兴趣的商品。比如各种秒杀活动、团购活动、搜热、分类上热门搜索、猜你喜欢等等。电商常用这些做法来表达自己平台的主张，平台想要用户买什么。
给用户推荐用户真正感兴趣的商品，个性化进行推荐。用户使用的时间越长，推荐的越精准。偏好的推荐本质上是一种排除系统，主要流程包括收集-分析-匹配-推荐。
为什么说用户使用时间越长推荐越精准，通过用户的使用，系统在不断收集用户的行为信息（浏览记录、搜索记录、购买记录、收藏记录、评价记录及用户基本信息），再通过收集到用户行为记录分析用户购买偏好，建立用户画像；匹配相同偏好的用户发现其偏好的商品，匹配相似度高的商品；推荐通过算法将匹配相似度高的商品在前台进行呈现。个性化推荐通过计算商品和用户特征，最终实现“千人千面”的商品推荐方式。
二八法则无处不在，尤其是传统零售企业需要考虑商品的流转率，都希望每个商品都被销售一空，因为如果滞销货架的成本会压死零售商。但是互联网的出现在试图打破这个法则，这些长尾商品的总销售额甚至超过主流商品。主流商品代表大多数用户的需求，而长尾商品则代表小众用户个性化需求。通过推荐系统发掘用户兴趣，发掘长尾商品创造更高的销售额。
为什么今日头条，抖音都说有毒，不知不觉一刷就是好几个小时，背后的始作俑者就是推荐算法，而这种推荐算法就是更懂你。今日头条和抖音这类平台的崛起让人意识到推荐算法的强大，而最先运营推荐算法的是在电商领域，如果说新闻类推荐不精准用户最多看其他新闻，电商变现链条路径比较短，如果推荐算法不完善流失的可是真金白银。
个性化推荐算法不是凭空产生的需要基于用户的行为进行数据分析设计的，用户行为在个性化统计中有两种方式显性和隐形。
显性反馈行为就是让用户明确表达自己对物品的观点，比如对音乐的喜欢和不喜欢，对电影的评分，对小视频的点赞等，这些都是设计人员特意让用户表达自己的观点。
与显性相对的就是隐性反馈方式，这种方式不需要用户特地的反馈自己的偏好，而是通过用户行为模型进行采集和分析，比如用户对商品的浏览时长、对重点功能的使用率。隐性反馈和显性反馈需要的数据量更好，存储方式分布式存储，对算法模型要求更高。
通过两种反馈方式后，我们可以得出用户给出的反馈结果，而结果分为正向的结果和负向的结果，两个结果就不做详细解释，从字面意思就可以看出来。需要说明的一下隐性反馈一般没有负反馈，隐性反馈都是从日志数据中得到用户行为的结果。
下面我们来对电商推荐系统做一下简单的介绍。
商品推荐分为常规推荐和个性化推荐。常规推荐是指商家选择一些固定商品放在推荐位，或者基于商品之间的关联性，进行相关的商品推荐。例如：在用户买了奶瓶之后推荐奶粉。个性化推荐指基于用户购物习惯，根据商品特性来进行推荐。例如“看过此商品后的顾客还购买的其他商品”推荐项。
电商系统中的商品推荐位一般包括：首页运营Banner最底部的位置（猜你喜欢/为你推荐）、购物车最底部的位置（猜你喜欢/为你推荐）、商品详情页中部（看了又看、买了又买、为你推荐等）、用户签到等位置。还有这两年兴起的内容电商，通过社区做内容来提高转化率。
常规推荐的商品不会因为用户不同产生差异，主要是运营配置的活动或固定商品（优选商品）。除了在固定推荐位选定某些商品进行配置，例如选取10件固定商品放在签到页进行推荐。还有一些固定规则的动态配置商品，例如图中商品销量排行榜、商品收藏排行榜、某品类的销量排行榜，这类根据浏览、收藏、销售数据做的商品统计在常规推荐时会经常用到，对用户的消费决策影响也比较大。
近两年崛起的内容电商也属于商品推荐的一种，很多平台都开始在内容上发力，越来越多的消费者在看直播、看自媒体文章、看帖子的过程中购买商品。例如淘宝的微淘、京东的觅生活（Meelife）、小红书等。
在移动互联网形态下，用户的浏览减少，更倾向于浏览和推荐，但简单的商品列表和标语描述的冲击力已然不够，内容电商将商品嵌入到文案或者视频中，通过详细的描述消费感受和商品特点，激起用户的同理心，这样的购物消费更容易产生冲动性消费，而非计划性消费。
在内容电商中，除了平台商家自己产生内容，还应允许用户产生内容（UGC），并且对UGC内容进行激励。内容形式有长图文、视频推荐、直播推荐等多种形式，在内容中嵌入商品购买入口，在浏览时可以直达商品，增加购买转化率。对内容进行分类打标，可以缩短用户查找的路径。建立内容社区，提供评论、关注、种草（收藏）、赞赏等多种互动方式，增加用户粘性，提供分享到其他社交平台（微信、微博等）的功能。在内容中尽量推荐统一风格或同一场景的商品，增加商品之间的关联性。
随着货架式电商时代逐渐过去，内容电商推荐的优势逐步凸显，特别在垂直行业，如美妆、母婴等，内容电商为中小型电商公司突破流量黑洞提供了机会。
电商推荐系统将收集的用户信息、产品信息及用户画像分类作为系统输入，利用适当的推荐算法和推荐方式，根据用户设定的个性化程度和信息发送方式，给用户提供个性化商品推荐。用户对推荐结果的点击浏览、购买的反馈结果，又可以作为优化系统推荐的参考。
完善的推荐系统一般由四部分组成，按照收集 → 分析 → 推荐的步骤，收集用户信息的用户行为记录模块、分析用户喜好的分析模型模块、分析商品特征的商品分析模块和推荐算法模块。
用户行为记录模块负责搜集能反映用户喜好的行为，例如浏览、购买、评论、问答等；
用户行为分析模块通过用户的行为记录，分析用户对商品的潜在喜好及喜欢程度，建立用户偏好模型；
商品分析模块主要对商品进行商品相似度、商品搭配度、目标用户标签进行分析；
推荐算法根据一定的规则从备选商品集合中筛选出目标用户最可能感兴趣的商品进行推荐。
如图所示：
用户画像是根据用户特征（性别、年纪、地域等）、消费行为习惯（浏览、购买、评论、问答等）等信息进行抽象化，建立标签化的用户模型。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户行为记录分析而来的高度精炼的特征标识。推荐系统的难点，其中很大一部分就在于用户画像的积累过程极其艰难。其次用户画像与业务本身密切相关。在用户标签足够丰富并且多的时候，就可以对用户聚类，例如用A/B/C/D等四种典型用户画像来代表商城的目标用户，还可以将新用户进行归类这些典型用户画像中。
商品分析模块主要根据商品的类目品牌、商品属性、产品评论、库存、销售记录、订单数据、浏览收藏、价格等数据来分析商品相似度、商品搭配度（可人工调整），并且对商品贴上目标用户标签。
用户画像、商品分析模块的数据都是为推荐算法提供基础数据。商品推荐的算法有很多种，需要根据推荐结果反馈，不断优化模型。有时候还需要考虑人工因素的权重，例自营商品排在前面、评分高的店铺优先推荐等。在推荐时，还用一些特殊推荐：购买此商品的顾客也同时购买、看过此商品后顾客购买的其他商品、经常一起购买的商品，都是基于商品进行的推荐。
如果完全按照用户行为数据进行推荐，就会使得推荐结果的候选集永远只在一个比较小的范围内，在保证推荐结果相对准确的前提下，按照一定的策略，去逐渐拓宽推荐结果的范围，给予推荐结果一定的多样性。
在大数据时代，商品推荐模块虽然一定程度上进行了精准营销，提高商品转化率。但是与推荐的准确性有些相悖的，是推荐的多样性。有时候会出现推荐混乱的情况，并且引起用户反感。譬如曾经浏览过某款电视，连续一个月都推荐这款电视；甚至购买过手机之后，还不断推荐其他手机。主要是因为推荐算法做得不够到位，很多用户行为数据没有收集处理，商品关联度没做好就盲目推荐商品。
通过上面的介绍相信大家对推荐系统有一定的了解，推荐系统需要有用户的历史行为和兴趣预测用户的行为和行为，因此需要借助大量用户的行为数据来铸件推荐系统。但是很多时候电商系统刚上线没有大量的用户行为数据作为支撑，在这样的情况下怎么样设计个性化推荐系统同时让用户对推荐的结果满意，这就是冷启动的问题。
用户冷启动
当新用户来到电商系统时，因为系统没有他的行为数据，所以无法给他进行个性化推荐。用户冷启动主要解决如何给新用户做个性化推荐的问题。
物品冷启动
当新品上架时，如果更好将商品推荐给它感兴趣的用户。物品冷启动主要解决新品上架推荐的问题。
系统冷启动
系统冷启动主要解决一个新的电商网站设计了个性化推荐系统，让系统上的商品匹配相应的用户，让系统用户体验到个性化的推荐服务。
针对上面3个问题，有不同的解决办法，一般来说可以参考一下解决方案：
1）提供非个性化的推荐服务，比如热门推荐，热销排行等，用户根据系统推荐的商品，进行用户的行为，收集到用户行为数据后，切换为个性化推荐。
2）利用基于人口建模的推荐，尽可能多的获取用户的个人信息，根据用户的个人信息，分组进行推荐。比如获取用户的性别，年龄信息后，给用户推荐相应的的商品，当然这个商品的颗粒度很粗，但是从过程中可以获取到用户的行为信息。
3）需要用户的社交网络账号登录，导入用户在社交媒体的喜好，然后根据用户喜欢进行推荐商品。
4）在用户登录时需要用户对一些物品进行反馈，收集用户对这些物品的反馈，推荐与这些物品相似的商品。比如阅读APP常用的了解用户对那些类别的书籍刚兴趣，微博上面注册需要关注某些用户等。
5）对于新新上架的商品，明确商品的类目和属性，根据商品的这些信息匹配找到相类似的物品或者对应有这类喜好的用户。
6）在系统冷启动是，可以引用专家的知识进行标注，从而建立物品的相关度表。
往期文章
以上是关于电商产品设计之商品推荐系统的主要内容，如果未能解决你的问题，请参考以下文章