我們的美國同行很早就發(fā)現(xiàn),超市的尿片邊上放上啤酒,能提升銷量。因為在美國,負責買尿片的是爸爸,他們被差遣到超市購物時,都會順手捎回幾瓶啤酒。
那么在電商網(wǎng)站上,顧客買尿片時,你應該推薦什么呢?
這就要靠個性化推薦技術(shù)。它的一個基本思想是:通過所有顧客在網(wǎng)站上的歷史數(shù)據(jù),使用“群體的智慧”來推測顧客還喜歡什么產(chǎn)品。
目前有兩大思路:
1.基于用戶的推薦
這是基于顧客的相似性,就是某個顧客和哪群人更相似?把這群人買的推薦給他。
業(yè)內(nèi)現(xiàn)在最常使用的一個熱門技術(shù),就是基于用戶的協(xié)同過濾。名字很高深,但是背后的道理非常簡單:人以群分。經(jīng)常買同樣商品的人,也有相似的偏好。
比如,顧客甲買過《比爾·蓋茨傳》,乙買過《喬布斯傳》。通過數(shù)據(jù)看到,甲和乙都買過不少同樣的書,判斷他們的偏好比較相近,稱甲和乙這兩個顧客比較“相似”,可以把乙買的《喬布斯傳》推薦給甲。
基于用戶協(xié)同過濾的一個著名零售網(wǎng)站是CDNOW。這是一個音樂專輯的零售網(wǎng)站,網(wǎng)站有一個個性化推薦模塊:MyCDNOW。MyCDNOW其實是一個個性化的商店,每個人的MyCDNOW里面展示的都是他們喜歡的專輯。
這個個性化系統(tǒng)正體現(xiàn)了亞馬遜創(chuàng)始人杰夫 · 貝佐斯的話:“如果我有1百萬給顧客,我就應該有1百萬個商店。”CDNOW根據(jù)消費者評分的數(shù)據(jù)進行推薦,網(wǎng)站知道用戶A買了什么專輯,以及對專輯的打分。根據(jù)這些數(shù)據(jù),CDNOW用協(xié)同過濾去尋找用戶A的鄰居。然后,把鄰居喜歡的但是A還沒買的專輯展示在A的MyCDNOW頁面上。
而Baynote應用協(xié)同過濾的技術(shù),幫助網(wǎng)站解決問題。Baynote開發(fā)了“群體智慧平臺”,幫助網(wǎng)站提高消費者點擊率以及購買轉(zhuǎn)換率。它的解決方案是:把顧客和與他們相似的人聯(lián)系起來,讓一個群體內(nèi)的成員來做“導購”。
2.基于產(chǎn)品的推薦
這個思路主要是判斷哪些產(chǎn)品之間更加相關。如果在網(wǎng)站的記錄中,很多用戶都同時擁有iPhone和配件,那么這兩個商品就比較相關。
再如,很多顧客的購買記錄里都有《比爾·蓋茨傳》和《喬布斯傳》這兩本書,可以推測這兩本書比較相關,有比較高的“關聯(lián)性”。如果發(fā)現(xiàn)新來的顧客丙買了其中一本,我們也可以向丙推薦另一本。
如果買了產(chǎn)品A的人從來不買產(chǎn)品B,買產(chǎn)品B的人也不會買產(chǎn)品A,那么這兩個商品距離很遠,關聯(lián)度比較低。
這種關聯(lián)的好處在于,對于大型零售網(wǎng)站來說,他們的用戶數(shù)量遠遠大于產(chǎn)品的數(shù)量,算用戶之間誰更相似可能要算1000萬次,但是算產(chǎn)品之間算10萬次就可以了。
有趣的是,現(xiàn)在不少零售網(wǎng)站把基于產(chǎn)品的推薦方法和其他的技術(shù)混合應用,取得了很好的效果。最熱門的混合應用就是將推薦和社會網(wǎng)絡結(jié)合起來。移動應用服務公司Goodrec最近把社會網(wǎng)絡加入個性化推薦系統(tǒng),主要是借助于顧客的朋友、家人的評分信息來進行產(chǎn)品推薦。它讓顧客的朋友和家人做“導購”,把他們買的產(chǎn)品推薦給顧客。比如你的朋友最近買了一本書,他對這本書的評價不錯,Goodrec就把這本書推薦給你。Goodrec還可以幫助顧客選購禮物,你最近經(jīng)??匆恍㎝P3,你的朋友會收到推薦:“如果你想送禮物給他的話,送個MP3吧”。
個性化推薦技術(shù)能獲得顧客的忠誠。零售網(wǎng)站為顧客提供了有價值的購物體驗,對于顧客來說,他們購物過程更有效率了,也不需要為看一些無關的商品煩心。隨著顧客訪問網(wǎng)站次數(shù)的增加,我們對他的偏好也預測得越準確,從而給顧客帶來更高的價值。
未來,個性化電子商務將會因為社交媒體和移動互聯(lián)網(wǎng)而變得更加精準。比如在SNS和微博上,你無需離開Facebook等社交網(wǎng)站的頁面就可以下單購買商品。更重要的是,社交網(wǎng)站上的用戶網(wǎng)絡、訪問歷史和購物歷史為個性化商品推薦提供了更加豐富的數(shù)據(jù)。
未來的零售網(wǎng)站可能在你登錄的時候,開始與你對話:“今天你的心情好像不太好,你剛看了一篇‘如何減輕工作壓力’的文章,我們有一些相關的書,要不要看一下?”