围绕商品的站内个性化推荐,根本点是围绕用户在购物生命周期内不同阶段做个性化推荐。那么用户不同阶段有哪些特点?

根据互联网时代的AISAS用户行为模式,用户依次会经历注意到——感兴趣——搜索——购物行为——分享这五个阶段,推荐也是在这五个阶段进行的。这五个阶段背后又有细分的用户行为。

第一阶段:注意到

这个过程中,我们需要让用户看到我们的产品,因此在用户浏览首页、超市页、列表页、产品详情页的过程中,就要不遗余力的推荐用户去看我们的商品。

但当用户看到该商品之后,我们需要根据不同的情况作引导区分:

情况一:针对不满意当前商品的用户引导。这部分用户由于价格、库存、促销等因素,对当前商品不满意,通常情况下会产生退出。此时,我们需要针对用户浏览轨迹,做商品浏览引导。因此就会出现“浏览了该商品的用户还浏览了”的个性化推荐。

情况二:针对满意当前商品的用户引导。引导的是让用户下单,但在下单过程中,用户可能会存在犹豫,通常情况下他会对当前的产品不肯定,因此利用群集效应的个性化推荐栏“浏览了该商品的用户最终购买了”就出现了,为了增加集群效应,我们还会用百分比的形式增加消费氛围。

如右图为浏览了华为U500后的站内个性化推荐形式:

 

第二阶段:感兴趣

这个阶段,通常我们以激发客户兴趣为主,主要推荐的商品一方面是用户个体浏览过的商品,另一方是根据用户群体浏览行为后最大概率的商品浏览做推荐。如左图一是针对浏览过商品的直接提醒推荐:

通常情况下,直接基于用户的行为商品做推荐,是效果非常好的方法,如京东针对关注商品的价格提醒,如左图二时针对关注商品的价格提醒推荐:

 

 

第三阶段:搜索

站内搜索是用户获取信息的重要手段,并且使用搜索的用户转化率高于全站平均转化率,因此针对搜索的个性化推荐非常有效。

针对搜索的推荐,首先要辨别用户搜索词,对于错拼词和误拼词的提示、对拼音的转化、对无效字符的过滤、去除干扰信息并做分词是主要过程,这个过程中,对字符的处理是关键字。(这也是百度这些以搜索引擎为主业务的根本)

其次是用户在查看搜索结果时的互动。通常情况下用户会在搜索结果页使用筛选信息,因此制定针对无结果时的数据推荐规则是关键,包括推荐的同一或跨品牌、子品类、父品类的规则。

第四阶段:购物行动

购物行动分为三部分,一是用户将商品加入购物车,二是用户提交订单,三是用户完成购物之后。

第一部分用户将商品加入购物车。用户将商品加入购物车真的是为了购物嘛?当然不是,有的人想把购物车作为购物篮,目的是为了本次购买的暂时储存,另外有些人想作为日后购买的暂存只用;有的人想在购物车里面做商品数据罗列和对比;有的人虽然加入购物但还在犹豫不决;有的人虽然加入购物车也想购买,但兜里没钱。。。非常多的情况,我们这里做推荐想要实现什么目的?1.让用户继续本次购买,2.不仅完成本次购买,还要增加本次购买的商品件数,即做关联销售。

有了这个逻辑,我们知道,针对用户本次的购物车商品,用户可能会购买本商品或有替代性的产品购买,因此针对购物车内商品类似的推荐是必要的;另外,针对购物车内商品的关联销售商品的推荐也是必要的。因此,会出现“您可能还需要以下商品”、“购物了该商品的用户还购买了”的推荐。

第二部分用户提交订单。到这部分,用户已经完成订单,我们还是要再做一次努力,这次努力的方向是,在确定用户最终购买产品的前提下,进一步做搭配和关联商品推荐,增加用户购买商品次数和购买商品量。如果网站功能强大,同一个客户短时间内的两次下单,还可以合并成一个订单以减少运营成本。因此,这里会出现“购买了该商品的用户还购买了”

第三部分用户完成购物之后。这个环节是在用户已经提交订单,并且完成整个购物流程。推荐的目的是让用户产生复购,而产生复购的条件是针对用户购买行为的精准推送。

另外,围绕商品的用户行为还包括商品评论、商品晒单、咨询、降价通知、关注等,这些原理相同,都是根据用户对某商品的特殊关注点进行精准个性化推荐。

用户的行为真的反应了用户的真实心理?

不是的,我们研究发现,其实用户浏览行为和最终购物行为存在差异性,即用户浏览的并不是最终用户购买的,以价格为例:

我们发现用户在不同的品类上,网站关注价格与实际成交价格具有差异性,并且这种差异性在不同品类上表现不同。有的品类网站关注价格会高于成交价格,有的品类网站关注价格会低于成交价格。

对于用户这种口是心非的行为,如果我们只是一味的按照用户实际浏览数据做个性化推荐,效果必然要打折扣,解决方法是不管在做哪方面推荐,用户的全部行为数据都要计入推荐权重中,购买的购买数据的推荐权重一定要更大。做分析和做推荐的根本是围绕有成交用户的数据,让没有成交的用户沿着有成交用户的轨迹形成转化。



除非注明,本博客文章均为 数据研究与商业应用(TonySong) 原创.
转载请注明本文地址: http://www.searchmarketingart.com/logic-of-personalized-recommendation.html