达观智能推荐_精细化运营的四个原则「建议收藏」

伴随着实体行业的数字化转型，以及网民数量、物流快递行业的快速增长，电商平台之间的竞争也日趋增大。如今，电商行业已然进入创新发展阶段，如何直面行业痛点，在众平台中“杀出重围”呢？

电商行业痛点

多用户对商品的需求不是单一的，如何面对不同用户多种多样的需求？

快用户购物时一般都带有目的性，如何在短时间内识别用户购物需求从而吸引用户？

准商品琳琅满目，如何做到为用户精准推荐？

达观通过电商行业的服务经验，提炼出适用于电商行业的推荐策略及算法，以下将从“人”“货”“场”“策略”四方面展开。

针对电商APP的新老用户，有不同的推荐方案。

新用户推荐策略举例：

（1）根据用户静态信息生成推荐列表，推荐符合用户性别、年龄的商品；根据用户选择的兴趣标签，推荐符合其兴趣标签的商品；

（2）根据冷启动算法进行推荐，例如E&E和CLUB算法；

（3）结合商品的热门榜单数据进行推荐；

（4）采用专家策略，推荐活动的商品，例如打折的商品等。

老用户推荐策略举例：

（1）基于用户静态信息生成推荐列表：推荐符合用户性别、年龄的商品；根据用户选择的兴趣标签，推荐符合其兴趣标签的商品；

（2）基于动态数据进行推荐，综合考虑用户的搜索、点击、购买等行为分析用户偏好。例如：用户收藏了一件T恤，那么同类型、价格相似的T恤、同店铺的其它T恤、同品牌的其它商品等都可作为该用户的推荐候选集；其次还可以根据用户行为计算相似用户，将相似用户间的偏好商品进行交叉推荐；

（3）基于运营规则推荐，例如：对于复购周期长的商品减少推荐；给用户推荐配套商品、活动商品等。

顾名思义，电商APP中可以推荐出来的商品为“货”。推荐系统会综合考虑商品的静态属性字段（如类别、价格、标签等）、商品的统计属性（如销量、点击量等）和商品之间的关联属性。

举例如下：

（1）分析商品静态属性：结合商品类别字段，给用户推荐当季商品，如夏季推荐T恤、连衣裙等；亦或者根据商品上架时间字段，给予上新商品一定的曝光度；

（2）分析商品统计属性：综合考量商品的点击量、销量等，计算商品热度，给用户推荐热门商品；

（3）分析商品关联属性：结合店铺、品牌、价格等信息，给用户推荐同店铺、同品牌、相似价格的商品；或者通过计算商品标题相似度，推荐相似商品；亦或者根据协同过滤算法，通过用户将商品进行关联来进行推荐。

达观提供个性化、相关、热门、地域、搜索推荐、通用推荐等功能，全方位支持电商APP多个场景接入推荐，例如首页、频道页、详情页、搜索页等等。

在电商推荐中，搭配专家策略往往可以对效果有促进作用。

例如：

（1）从推荐权重方面：可调整不同行为对模型的影响权重，例如：购买>加入购物车>收藏>分享>点击；

（2）从推荐范围方面：可结合电商用户群体的不同特征上线不同的方案，例如向VIP用户优先推荐VIP折扣商品；

（3）从推荐比例方面：通过丰富推荐结果的比例，来丰富商品推荐的多样性，例如，兴趣商品：热门商品：新商品=4:2:1

（4）当推荐条件限制过多时，为避免推荐结果不足的情况，可以设置补足策略，例如根据海量用户的购买、加购等行为数据计算热门商品，加入到补足推荐的候选集。

达观推荐服务深度理解电商行业应用场景，如直播电商、社交电商、生鲜电商、跨境电商等，支持结合不同行业特点进行模型的定制和优化。目前，在电商行业达观已经服务虎扑识货、安利、天虹、乐友母婴、一条生活馆、顺丰大当家等众多知名客户，行业经验丰富。

达观首创“召回+排序+后处理+兜底”四段式推荐流程，平台内置上百种算法模型和专家规则，支持AB测试、用户画像等功能，有效提升转化率、点击率、留存率等业务核心指标，可满足技术、运营、产品、测试等多种角色的不同需求。

今天的文章达观智能推荐_精细化运营的四个原则「建议收藏」分享到此就结束了，感谢您的阅读。