2017年6月9日，商品推薦是當(dāng)前電商網(wǎng)站的最為重要功能之一，一個優(yōu)秀的多用戶商城系統(tǒng)都具備一套完善商品推薦模塊，在電商網(wǎng)站里進行商品推薦，不僅可以提高整個網(wǎng)站商品銷售的有效轉(zhuǎn)化率，還能增加商品銷量。下面從Hishop小編為大家詳細介紹下多用戶商城系統(tǒng)的商品推薦系統(tǒng)相關(guān)功能情況。

　　商品推薦是指通過用戶已經(jīng)瀏覽、收藏、購買的記錄，更精準的理解用戶需求，對用戶進行聚類、打標簽，推薦用戶感興趣的商品，幫助用戶快速找到需要的商品，適時放大需求，售賣更加多樣化的商品。甚至在站外推廣時，能夠做個性化營銷。

　　商品推薦分為常規(guī)推薦、個性化推薦。常規(guī)推薦是指商家選擇一些固定商品放在推薦位，或者基于商品之間的關(guān)聯(lián)性，進行相關(guān)的商品推薦。例如：在用戶買了奶瓶之后推薦奶粉。個性化推薦指基于用戶購物習(xí)慣，根據(jù)商品特性來進行推薦。例如“看過此商品后的顧客還購買的其他商品”推薦項。

　　電商系統(tǒng)中的商品推薦位一般有：首頁運營Banner最底部的位置（猜你喜歡/為你推薦）、購物車最底部的位置（猜你喜歡/為你推薦）、商品詳情頁中部（看了又看、買了又買、為你推薦等）、用戶簽到等位置。還有這兩年興起的內(nèi)容電商，通過社區(qū)做內(nèi)容來提高轉(zhuǎn)化率。

　　常規(guī)推薦

　　常規(guī)推薦的商品不會因為用戶不同產(chǎn)生差異，主要是運營配置的活動或固定商品（商品精選）。除了在固定推薦位選定某些商品進行配置，例如選取10件固定商品放在簽到頁進行推薦。還有一些固定規(guī)則的動態(tài)配置商品，例如圖中商品銷量排行榜、商品收藏排行榜、某品類的銷量排行榜（例如圖書會有許多排行榜），這類根據(jù)瀏覽、收藏、銷售數(shù)據(jù)做的商品統(tǒng)計在常規(guī)推薦時會經(jīng)常用到，對用戶的消費決策影響也比較大。

　　近兩年崛起的內(nèi)容電商也屬于商品推薦的一種，很多平臺都開始在內(nèi)容上發(fā)力，越來越多的消費者在看直播、看自媒體文章、看帖子的過程中購買商品。例如淘寶的微淘、京東的覓生活（Meelife）、小紅書等。

　　在移動互聯(lián)網(wǎng)形態(tài)下，用戶的瀏覽減少，更傾向于瀏覽和推薦，但簡單的商品列表和標語描述的沖擊力已然不夠，內(nèi)容電商將商品嵌入到文案或者視頻中，通過詳細的描述消費感受和商品特點，激起用戶的同理心，這樣的購物消費更容易產(chǎn)生沖動性消費，而非計劃性消費。

　　在內(nèi)容電商中，除了平臺商家自己產(chǎn)生內(nèi)容，還應(yīng)允許用戶產(chǎn)生內(nèi)容（UGC），并且對UGC內(nèi)容進行激勵。內(nèi)容形式有長圖文、視頻推薦、直播推薦等多種形式，在內(nèi)容中嵌入商品購買入口，在瀏覽時可以直達商品，增加購買轉(zhuǎn)化率。對內(nèi)容進行分類打標，可以縮短用戶查找的路徑。建立內(nèi)容社區(qū)，提供評論、關(guān)注、種草、贊賞等多種互動方式，增加用戶粘性，提供其他社交平臺（微信、微博等）的功能。在內(nèi)容中盡量推薦統(tǒng)一風(fēng)格或同一場景的商品，增加商品之間的關(guān)聯(lián)性。

　　隨著貨架式電商時代逐漸過去，內(nèi)容電商推薦的優(yōu)勢逐步凸顯，特別在垂直行業(yè)，如美妝、母嬰等，內(nèi)容電商為中小型電商公司突破流量黑洞提供了機會。

　　個性化推薦

　　電商推薦系統(tǒng)將收集的用戶信息、產(chǎn)品信息及用戶畫像分類作為系統(tǒng)輸入，利用適當(dāng)?shù)耐扑]算法和推薦方式，根據(jù)用戶設(shè)定的個性化程度和信息發(fā)送方式，給用戶提供個性化商品推薦。用戶對推薦結(jié)果的點擊瀏覽、購買的反饋結(jié)果，又可以作為優(yōu)化系統(tǒng)推薦的參考。

　　完善的推薦系統(tǒng)一般由四部分組成，按照收集 → 分析 → 推薦的步驟，收集用戶信息的用戶行為記錄模塊、分析用戶喜好的分析模型模塊、分析商品特征的商品分析模塊和推薦算法模塊。

　　用戶行為記錄模塊負責(zé)搜集能反映用戶喜好的行為，例如瀏覽、購買、評論、問答等；

　　用戶行為分析模塊通過用戶的行為記錄，分析用戶對商品的潛在喜好及喜歡程度，建立用戶偏好模型；

　　商品分析模塊主要對商品進行商品相似度、商品搭配度、目標用戶標簽進行分析；

　　推薦算法根據(jù)一定的規(guī)則從備選商品集合中篩選出目標用戶最可能感興趣的商品進行推薦。

　　如圖所示：

　　用戶畫像是根據(jù)用戶特征（性別、年紀、地域等）、消費行為習(xí)慣（瀏覽、購買、評論、問答等）等信息進行抽象化，建立標簽化的用戶模型。構(gòu)建用戶畫像的核心工作即是給用戶貼“標簽”，而標簽是通過對用戶行為記錄分析而來的高度精煉的特征標識。推薦系統(tǒng)的難點，其中很大一部分就在于用戶畫像的積累過程極其艱難。其次用戶畫像與業(yè)務(wù)本身密切相關(guān)。在用戶標簽足夠豐富并且多的時候，就可以對用戶聚類，例如用A/B/C/D等四種典型用戶畫像來代表商城的目標用戶，還可以將新用戶進行歸類這些典型用戶畫像中。

　　商品分析模塊主要根據(jù)商品的類目品牌、商品屬性、產(chǎn)品評論、庫存、銷售記錄、訂單數(shù)據(jù)、瀏覽收藏、價格等數(shù)據(jù)來分析商品相似度、商品搭配度（可人工調(diào)整），并且對商品貼上目標用戶標簽。

　　用戶畫像、商品分析模塊的數(shù)據(jù)都是為推薦算法提供基礎(chǔ)數(shù)據(jù)。商品推薦的算法有很多種，需要根據(jù)推薦結(jié)果反饋，不斷優(yōu)化模型。有時候還需要考慮人工因素的權(quán)重，例自營商品排在前面、評分高的店鋪優(yōu)先推薦等。在推薦時，還用一些特殊推薦：購買此商品的顧客也同時購買、看過此商品后顧客購買的其他商品、經(jīng)常一起購買的商品，都是基于商品進行的推薦。

　　如果完全按照用戶行為數(shù)據(jù)進行推薦，就會使得推薦結(jié)果的候選集永遠只在一個比較小的范圍內(nèi)，在保證推薦結(jié)果相對準確的前提下，按照一定的策略，去逐漸拓寬推薦結(jié)果的范圍，給予推薦結(jié)果一定的多樣性。

　　在大數(shù)據(jù)時代，商品推薦模塊雖然一定程度上進行了精準營銷，提高商品轉(zhuǎn)化率。但是與推薦的準確性有些相悖的，是推薦的多樣性。有時候會出現(xiàn)推薦混亂的情況，并且引起用戶反感。譬如曾經(jīng)瀏覽過某款電視，連續(xù)一個月都推薦這款電視；甚至購買過手機之后，還不斷推薦其他手機。主要是因為推薦算法做得不夠到位，很多用戶行為數(shù)據(jù)沒有收集處理，商品關(guān)聯(lián)度沒做好就盲目推薦商品。