电商产品的个性化推荐,本质上是“货找人”的逻辑。

前段时间在做电商产品的体验设计改版,其中涉及到的一个命题就是如何通过提升商品个性化推荐进而提升商品交易转化。期间查阅了一些资料,自己也做了一些思考,这里记下这些零散的点,仅作参考。

一般来说,电商产品的商品推荐,在宏观上可以分为平台化推荐和个性化推荐。

推荐方式概述

A-大众化推荐

大众化推荐,也叫做平台推荐,是指平台自身通过运营干预的手段,无差别地进行商品推荐,不做用户群区分。平台化推荐整体而言有以下两个场景的考虑:

  1. 平台自身对商品(池)具有选择偏向。一般以有较为明显的赛道型电商产品居多,如京东会经常针对新品手机做无差别地平台化推荐;
  2. 所推荐的商品具备着被普罗大众用户群体的共性需求。比如此次新冠疫情下的医用口罩、消毒水等商品,一来因为稀缺性,而来确实是最广大消费群体的通用需求,所以都是走平台化推荐;

实际上,在日常场景中,大众化推荐主要出现在垂直类电商产品之中。一来是因为体量相对综合电商会偏小,需求差异总量不会太大;二来,则是因为垂直类电商产品的目标用户的群体特征,通常非常明显且聚焦,所以群体的需求共性较强,基本可以接近无差别推荐。比如垂直家居电商造作。

而对于主流电商(尤其是淘宝京东为首的综合性电商)来说,大众化推荐在内容层面已经逐渐被舍弃,但是形式(容器)层面的大众化推荐却被固定地保留了下来——淘宝用户的频道推荐基本完全一样——这是另一个有趣的话题了。

B-个性化推荐

与大众化推荐对立的,就是热度居高不下的个性化推荐(狭义上的“千人千面”)。

实际上,个性化推荐简而概之,就是在某个较短时期内,针对每一类用户(通常样本空间非常小),进行商品的精准推荐,从过去的“人找货”,主动转变成“货找人”,通过这种主动连结形成的商品往往是用户所偏好或者需要的,从而直接推升相关数据转化。

当然,最理想的情况下,是将商品推荐细化到每个时刻下(而非一段时期)的每个用户个体(而非群体),保持着极细的颗粒度——但这将产生极大的分析和推荐成本,明显是不能且不必要的。

另一方面,个性化推荐总是和推荐算法绑定在一起。在这里暂不讨论算法问题(过于庞大且复杂),只探讨个性化推荐的维度。

个性化推荐一般维度

基于一般情况,电商产品的个性化推荐基本上有以下四个维度:

  1. 相关性;
  2. 相似性;
  3. 互补性;
  4. 群体性;
01.相关性

用户在单一消费场景下,对自身的关注永远是第一优先。所以为用户匹配与之紧密相关的商品,可以极大地产生关联感,进而促进消费转化。所以个性化推荐,第一维度就是相关性推荐。那么如何做相关性推荐?

个人觉得至少可以从以下三个触发条件进行相关性的拆分:

  • 积极条件。指的是用户在平台所产生的对最终转化有积极影响的操作。比如点击收藏,跳转详情页以及对某一个细分类目的商品反复浏览等;
  • 物理条件。这里指的是将用户从性别和消费两个层面进行区分,属于一种较为粗略的相关性。比如给男性用户推荐数码产品必然好过推荐厨卫用品;
  • 外部条件。这个点比较特殊,指的是脱离用户自身属性,从其身边外在属性进行相关性推荐。比如如果可以获取到用户地理位置,则可以进行“附近商品”的推荐;

相关性是电商产品推荐体系中最重要也是最基本的维度。

02.相似性

相似性推荐,某种意义上算是相关性推荐的一种深度拓展。目前主流的推荐方式有两种,分别是基于物品的协同过滤算法(ItemCF),这种应该算是电商产品目前最主流的推荐模型;另一种则是基于用户的协同过滤算法UserCF)。

ItemCF,是根据用户的历史商品偏好,推荐相似的物品。简而言之就是:给用户推荐其喜欢过的商品A的相似商品B,这里的商品AB存在着相似度,而相似度并不能简单以所属为同一个品类而简单粗暴地区分。比如,不能因为华为Mate高端机型和红米低端机型都是手机,所以就列为相似商品(这种相似度的判别在对相关性的违背和伤害)

UserCF,则是另一个视角的相似度选择。基本策略就是:用户A和用户B经过用户特征描绘后,被归属为具有相似度的同一用户群,那么用户A喜欢的商品a,一定程度上也会被用户B所喜欢,则可以对用户B进行商品a的推荐。

这里对于相似度的判别会涉及相对对专业的算法,感兴趣可以查看下这篇文章ItemCF的算法模型

03.互补性

互补性是针对于组合型购买商品的推荐,是一种补充性加购行为,一般出现在成套销售或存在依附关系的商品场景中,如手机与手机壳、移动电源,篮球和篮球鞋等;

对于互补性商品推荐,发生在用户产生实际支付购买行为之后,准确性要高于购买之前。因为互补性商品特征是“一个中心商品+多个附属商品”,所以只有当用户购买了中心商品后,附属商品的推荐才会有意义。

04.群体性

人类是群居动物,所以用户普遍存在于各类用户群之中,就很容易收到群体的导向作用。对于电商产品,从众心理和冲动消费是促进最终货品到现金交易转化的两大法宝。所以个性化推荐还可以考虑的维度是群体性,对于一定范围内(往往保持着较大颗粒度)进行群体化的个性推荐——

第一种是来自意见领袖的消费推荐。实际上,用户在电商构建的场景中,单个用户总是至少属于某一个群体之中,会遇到很多意见领袖的间接的商品推荐,比如商品的真实评论,来自消费自媒体的评测体验内容等。

比较典型的例子是现在非常流行的消费直播,明星带货。这种以头部用户面向固定细分群体的推荐,也算是个性化推荐的一种。举个例子,同样都是面向篮球运动爱好者的直播卖货,姚明的推荐相对于卖化妆品的李佳琪之流相对来说要更加精准。

第二种则是平台刻意引导的用户群个性化推荐。这种在电商产品中一般是,例如形形色色的细分榜单,爱猫人士必选精品等。这种个性化推荐的精准程度和转化要求一般要求不高,更多的是形成分流和导引作用。

综合来看,基于群体的个性化推荐还处于一个比较宽泛的阶段,因为群体化后的用户需求差异也被扩大了太多,所以落实到个体的个性化精准程度是降低的。

个性化推荐的一般模型

根据这四个电商产品的个性化推荐维度,可以初步整理成一个推荐模型:相关性始终为第一优先级;相似性作为相关性的延伸,通过商品和用户的相似度间接来增进商品和用户的相关性;而互补性则是在用户发生购买或者对中心商品进行积极行为之后,作为其附属商品补充性的推荐;在整个体验体系中,群体性基于用户相似性产生群体的共性,进而促进了商品和用户之间的相关性,因此是贯穿始终的。该模型大体如下:

以上就是个人最近理解到的,有关电商产品中的个性化推荐维度分析。实际上,个性化推荐在电商产品中,是一种典型“以小博大”的产品策略,通过个性化维度建立推荐算法,将有限的显示空间承载了近乎无限的商品陈列可能。

What's your reaction?
Show CommentsClose Comments

Leave a comment