10个改善用户体验和转换的产品推荐技术
现如今几乎每一家在线商店都在使用产品推荐引擎，这并不奇怪，因为如果这些推荐系统可以被正确的设置和配置，就可以帮助商家们提高收入，点击率，转化率，以及其他重要的指标。
除此之外，它们对用户体验方面也有积极的影响，虽然难以将此转化成数字来衡量，但不可否认它在电商中的重要性，比如客户的满意度和保持率。
什么是推荐引擎？
推荐引擎的核心是信息过滤工具，它利用了算法和数据把相关的项目推荐给相应的客户。
在这里，项目可以表示一段内容，一个产品，甚至一个人（比如说交友网站）。这些推荐由汇总数据支持，数据决定了用户给出的内容，或者用户特定信息和项目之间的相关性，然后产生了个性化推荐。
当然，电商的产品类型和最好迎合客户需求的推荐也应该在实体店中应用，并遵循对他们最有力的逻辑方式。
逻辑是一个小众的词语，尽管在这篇文章中我会经常使用这个词。为了清楚起见，这里的逻辑，我是指基于推荐所提供的一系列定义好的规则和算法（比如，“热门产品”， “购买此产品的用户也购买了……“， 等等）
推荐引擎对网站有什么好处？
商家不需要进行彻底的市场调查，也可以理解客户愿意在一家能更快更好满足他们需求的商店购物，客户们也有很大的可能在以后继续在这样的商店购物。
虽然和推荐相比给予客户这种购物体验是更难的，但是实施更好的解决方案毫无疑问是实现相关和个性化的客户需求的基石。
为了了解推荐系统的商业价值，几个月前，据Netflix估计, 它的推荐引擎每年价值10亿美金。
另一个明显的例子是，当时在2011年eBay以8000万美元收购了一个创建2年的推荐引擎公司Hunch。
亚马逊创始人杰夫·贝索斯（Jeff Bezos）早在1998年就了解推荐系统的价值：
现在，回到2015年：据VentureBeat去年发布的研究，77%的 “ 电子原生代“ (大致上说，Y和很大一部分X) 希望他们的在线体验是个性化的。这意味着个性化和相关科技的存在是对商家有好处的。
如今，采用这种技术是成功做网上业务的先决条件。其中最有名的例子是亚马逊的引用数据，这个数据表明，其中35%的收入来自客户建议购买的商品。这是评估推荐系统时非常重要的指标。在我们的经验中，商家在一开始并不了解到底什么是和系统等性能相关的指标。
以下是一些衡量推荐性能表现的一些指标：
1. 来自推荐的转化率 ：点击推荐的用户的转化率。
2. GMV/1000推荐：这通常是最难理解的，但通常来讲，它表示平均收入/1000推荐，其中收入指客户从推荐中购买的商品收入。
3. CTRS：很明显，这也是一个很重要的指标。需要注意的一点是：在偏僻位置（页脚，边栏）中的小图标可能会偏移这些数字（事实上，包括其他所有其他数字），在评估过程中应该牢记这一点。
4. 来自推荐的收入半分比： 它是最常用的指标之一（也在上面的亚马逊示例中突出显示）。这只是指来自推荐的收入/总收入。
5. 查看产品数量：对经常使用推荐功能的人的产品查看数量。 虽然从直觉上说，更多的浏览也意味着用户很难找到他们需要的产品。但是Wolfgang Digital的一项研究（后面更详细地引用）得出结论，用户在网站上花费的时间和打开网页的数量实际上与转化率成正相关。
这些都是在POC和招标过程中评估推荐系统的指标。（例如，参见本公司参与的eBay土耳其的推荐系统投标的新闻稿）。
值得注意的是，除了实际的推荐性能，还有很多外部因素也会影响这些指标，比如图标位置，页面的布局，还有其他季节性/广告等因素。
推荐和个性化的区别
虽然在媒体上，推荐和个性化这两个词语可以互换使用，实际上它们并不相同。
推荐可以是个性化的，但这并不是对不同情况最好和唯一的方案。
同样， 推荐不仅仅局限于个性化，反之亦然 。个性化不能仅通过推荐引擎来实现（然而，真实的个性化，大部分来说，总是由推荐引擎提供动力）。
随着SaaS解决方案在该领域的更多的应用，越来越多的企业可以利用先进的推荐系统，在不断变化的电子商务空间，保持竞争力。
在哪里可以使用推荐
推荐可以放在电商网页的很多地方。为了缩小主题，在本文中，我将主要讨论应用于电商网站图标，产品，购物车，分类，404页面中最基本的逻辑和推荐技术。
主页是用户访问网站时首先看到的界面。
由于这些访问者不一定是来寻找某样特定的商品，因此主页推荐的目的是告知客户最新的优惠和折扣，并展示不同的产品。
1. 热门产品
这是最基本的，也是最有效的推荐逻辑，这也是几乎所有电商中广泛应用的。产品的受欢迎程度由购买的次数决定（以其可以购买的时间加权）。
然而，更复杂的推荐系统可以将其他事件数据合并到其逻辑中，以便提供更准确的推荐（点击，视图，加入购物车等）
这是非常重要的，根据Pareto法则，80％的产品销售来自20％的产品。
在内容网站（新闻网站，视频门户），其他等如页面浏览时间，页面滚动的百分比，视频观看时间也是对衡量热门程度非常重要的因素。
对于不同类型的网站，你应该使用不同的指标来定义哪个是最受访问者喜爱的商品或内容。
2. 基于评分的推荐
热门的另一因素也取决于用户打的高评分。
在这里，推荐系统的变成了是用户评级，评论等等。换句话说，这是用户自愿和有意识根据自身喜好给予的，是“显性反馈”。另一方面，点击，购买和浏览习惯被称为“隐性反馈”，因为这些是用户和网站及平台交互时产生的数据点。
现实中（非学术界）的推荐系统应用的大部分是隐性反馈，因为数据足够丰富，和评分，评价等数据相比，后者不但没有固定结构，资源也是极少的（因为只有少部分用户会写评价，或者很评分）
然而，虽然机器无法从评分中获益，但是用户却可以。事实上，根据BrightLocal的调查，88%的人认为在线的评论是和个人推荐一样有用的。
如果你认为由于你的用户评价的习惯和偏好是影响购买决策的重要因素，你应该考虑在主页上显示“最高评分”框，或至少突出显示产品的评分。
3. 个性化推荐
个性化推荐根据每个用户过去的购买和浏览历史来展现的。应用于这项任务的推荐算法在实施和考虑因素方面有很大的不同。（很多时候，正如他们所说，“细节决定问题所在”）
不过，由于热门商品推荐顺应了主流，所以个性化产品推荐主要优点之一在于它增加了“长尾”产品的销量。
然而，个性化推荐需要大量关于用户的行为数据，系统对新用户并没有此类数据（这被称为推荐系统的冷启动问题）。
为了给回访用户提供个性化的体验，并且满足首次访问者，业内使用的是定义“回退场景”或一系列这样的场景，换句话说，一个自动的计划B，用于个性化推荐。
实际上，这意味着系统会检测其是否具有关于某个客户的足够的数据来为他提供个性化的项目建议。
如果没有，则推荐系统将“退回”到更大众的（如流行的）或过滤了类别的逻辑，对于其使用聚合数据而不是客户特定的信息。
后备方案应该谨慎计划，并应尽可能有效地利用你的数据，以便为新访问者提供合理准确的建议。
产品页面或产品信息页面是访问者查找产品及其功能的详细说明的地方，在这些页面访问者可以选择将产品添加到购物车或立即订购。
这些页面上的推荐的主要目的是显示最相关的产品，向您的访问者建议“下一步”可以搜索什么，从而让他们继续浏览您的网站。
在大多数情况下，他们在您的商店花费的时间越多，他们实际购买的机率就越大。事实上，在2014年的一项研究中，Wolfgang Digital发现，无论是花在实体店的时间还是花在网页的时间都与转化成实际购买有良好的正相关。
4. 类似产品
相似产品归类可以基于非常不同的逻辑。最不复杂的一个是基于类别的简单过滤，即使没有推荐引擎也可以实现（不用说，它在性能上也落后）。
如果将这种简单的过滤方法与元数据的相似性结合起来，比如描述，产品标题，标签，价格等的相似性，您可以大大提高性能（例如，从当前类别中推荐相同品牌或相同颜色的商品），但为此，您需要在您的网站上安装高级推荐功能。
表现最佳的基于相似性的逻辑之一是称为“项目到项目协同过滤”（由Amazon开创的方法）的方法。 我将在下面详细说明。
5.“ 购买/观看此的客户...” 协作过滤
亚马逊是在电子商务领域的产品推荐中大规模实施协同过滤的先驱（他们早在1999年就提交了项到项协作过滤的初始专利）。我相信，成效说明一切。
在其核心，协同过滤通过收集来自许多用户的偏好或品味信息来工作。协同过滤可以加强逐项（基于产品相似性）和个性化推荐。
项目到项目协同过滤推荐：这种类型的推荐逻辑通过查看两个产品在用户的浏览或购买历史中一起出现的频率来基本确定两个产品的相似性。
在实践中，使用这种逻辑的小部件被命名为，举个例子，“查看了这个产品的用户，也查看了...”，这基本上解释了这个基本思想。
这些算法构建的偏好模型非常真实并且针对于您的网站和用户，因为它们量化了访问者和平台之间的真实交互。
此外，利用大量的数据，甚至诸如自动搭配推荐的问题也可以被相当精确地回答（更多内容见下面，在购物车页面配件推荐部分）。
6. 个性化推荐
结合实际情况（正在查看的产品是什么）与当前用户的浏览购买历史，产品页面的个性化推荐可以进一步微调。个性化协同过滤算法可以应用于这种情况。
要大概了解这些算法工作的概念，请查看下面的简化示例：
个性化协同过滤推荐：最常见的个性化推荐方法是看产品的平均相似性，以及用户查看的最后几个产品。
系统对此任务使用相同的项到项协作相似性，它不仅会将一个产品与另一个产品进行比较，而且会与用户历史记录中的所有产品进行比较。根据交互状态的新近来加权平均预测结果通常会进一步提高准确度。
推荐与访问者购物车里的商品类似或相关的商品，可以非常有效提高平均订单数量和价值。
购物车页面的推荐以非常有利的心理状态打动用户，此时此刻他很可能已经决定进行购买，因此他更愿意对进一步的优惠表示肯定。有一些推荐逻辑是非常适合这个任务。
根据我们的经验，购物车页面的推荐往往提供远高于平均的推荐数量。
此外，根据Braillance和Marketingsherpa 在2015年对300家电商进行的研究，根据推荐指标的盈利，根据用户购物车中的商品推荐其他商品推荐类型是10个最佳表现的推荐类型之一。
如果我们想知道，举个例子，购物车页面的流量比商品页面少多少，这个很难比较。
7. 推荐配件
推荐产品配件可以显着提高您网站上的平均订单大小和价值。
此外，在技术上，实现这样的小任务可以是相当容易的。然而，因为很难使得为每个商品推荐兼容的配件的过程自动化，根据您的目录的大小和您的类别结构，相对地它可能需要在管理上投入很多。
因此，这样的逻辑通常由手动分类商品关系来推动。
最理想的情况是，您可以直接推荐类别到类别（即iPhone - > iPhone配件）。这种处理方法使得自动化和大规模使用容易得多，但需要非常仔细地规划类别结构。
当然，有足够的数据再加上一些创造力，我们可以将如何分析行为信息的规则抽象出来，使得推荐系统的输出结果是贴近实际的和兼容的配件。
这种容易编写成代码的可以定义跟特定商品有关的配件的规律之一，是通常与该商品一起购买，从而使得成本显着减少（2倍，3倍或更多倍）的其他商品。这是我们在一些企业使用的一种方法。
这就是数量发挥作用的地方，当数据量很少的时候，这个算法产生的结果将是不可预测的，但当达到一定量的数据时，所有的统计数据往往与现实越来越相关（基于前提是正确的情况下）。
8. 经常一起购买
在购物车页面上显示经常一起购买的产品可能非常有效。
然而，为了任何购物车页面推荐能实际上提供结果，结账过程必须引导客户通过购物车页面，这里恰恰列出了实际的商品推荐。这也是相对来说对数据要求很大的推荐技术。
此页面的布局也是一个重要因素。 如果你有时间和资源，A / B测试不同的布局和设计可以产生优秀的结果和见解（不用说，这在全球范围内适用，顺便说一下，不仅仅是对推荐系统适用）。
举个例子，Netflix在不同平台，特色节目，甚至电影艺术作品的主屏幕布局上广泛使用A / B测试。 我们肯定可以从他们的方法中学习到很多。
当客户查看类别页面时，他已经为您提供了有关他正在查找什么的有价值的信息。 你的目标应该是提供帮助，使他不必在浏览整个类别的所有商品之后，才找到他想要的产品或内容。
虽然此方案中的最佳选项是高级过滤和分面搜索，但推荐系统也可以在这些情况下提供帮助。
9. 热门商品
帮助用户在类别页面上找到所需内容的最明显的方法之一，是向他们展示大多数人正在寻找的内容。
一个小技巧，是除了使用奇数类别来做类别页面推荐之外，还同时教给你的系统整个类别结构。这样，系统可以为母类别推荐子类别，这使得推荐更加多样化。
另一个也许甚至更好的选择是默认情况下根据流行度重新排序类别中的项目（要记住热门商品的80:20规则）。
10.零结果和404页
显示“零搜索结果”或404网页通常意味着客户在网站上的会话结束，因此潜在的转化失败。
这些页面通常是退出率最高的页面，也是少数几个页面之一。退出率实际上是一个非常重要的指标。
我喜欢这篇文章关于退出页面的提论，即这些退出率数字是相当无意义的，除了与下列这些页面相关时：连接到结帐过程的页面，一些“功能”页面（零结果可以适合这个类别） 和404错误页。
有几种策略提供推荐，可以让客户在这些情况下继续浏览。
其中一个基本方法是，如果仅仅因为客户之前设置的过滤器，您的网站无法显示查询结果，则系统可以对完整的产品目录执行一个新的搜索，并显示匹配项（如果有）。
同样，404页面上的搜索框有时可以弥补网页故障。
在这些页面上显示个性化产品建议还可以帮助客户恢复被错误或无结果查询中断的搜索过程。
结论
当然，本文中介绍的想法，策略和技术并不都是关于电子商务中的产品推荐。
这只是为了提供一些思想食物的给正在计划建立推荐系统或将他们目前的做法提高到一个新的水平店主或经理。
随着市场上现有的新型SaaS推荐系统的推出，我们可以熟悉产品推荐，立即开始测试他们的想法，并亲身体验结果。
来源 / Business 2 Community
原作者：Huba Gaspar
翻译 / Cindy 小聪
编辑 / 珺妹妹
您也许还想看看
每日一练 | Data Scientist & Business Analyst & Leetcode 面试题 237
点击“阅读原文”查看数据应用学院核心课程