網站導購：該向買尿片的推薦啤酒嗎？

我們的美國同行很早就發現，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。

那麼在電商網站上，顧客買尿片時，你應該推薦什麼呢？

這就要靠個人化推薦技術。 它的一個基本思想是：通過所有顧客在網站上的歷史資料，使用「群體的智慧」來推測顧客還喜歡什麼產品。

目前有兩大思路：

1.基於使用者的推薦

這是基於顧客的相似性，就是某個顧客和哪群人更相似？ 把這群人買的推薦給他。 網博站導銳購：管該向理買尿在片的線推薦啤酒嗎?。

業內現在最常使用的一個熱門技術，就是基於使用者的協同過濾。 名字很高深，但是背後的道理非常簡單：人以群分。 經常買同樣商品的人，也有相似的偏好。

比如，顧客甲買過《比爾•蓋茨傳》，乙買過《約伯斯傳》。 通過資料看到，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《約伯斯傳》推薦給甲。

基於使用者協同過濾的一個著名零售網站是CDNOW。 這是一個音樂專輯的零售網站，網站有一個個人化推薦模組：MyCDNOW。 MyCDNOW其實是一個個人化的商店，每個人的MyCDNOW裡面展示的都是他們喜歡的專輯。

這個個人化系統正體現了亞馬遜創始人傑夫 • 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根據消費者評分的資料進行推薦，網站知道使用者A買了什麼專輯，以及對專輯的打分。 根據這些資料，CDNOW用協同過濾去尋找使用者A的鄰居。 然後，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應用協同過濾的技術，説明網站解決問題。 Baynote開發了「群體智慧平臺」，説明網站提高消費者點擊率以及購買轉換率。 它的解決方案是：把顧客和與他們相似的人聯繫起來，讓一個群體內的成員來做「導購」。

2.基於產品的推薦

這個思路主要是判斷哪些產品之間更加相關。 如果在網站的記錄中，很多使用者都同時擁有iPhone和配件，那麼這兩個商品就比較相關。

再如，很多顧客的購買記錄裡都有《比爾•蓋茨傳》和《約伯斯傳》這兩本書，可以推測這兩本書比較相關，有比較高的「關聯性」。 如果發現新來的顧客丙買了其中一本，我們也可以向丙推薦另一本。

如果買了產品A的人從來不買產品B，買產品B的人也不會買產品A，那麼這兩個商品距離很遠，關聯度比較低。

這種關聯的好處在於，對於大型零售網站來說，他們的使用者數量遠遠大於產品的數量，算使用者之間誰更相似可能要算1000萬次，但是算產品之間算10萬次就可以了。

有趣的是，現在不少零售網站把基於產品的推薦方法和其他的技術混合應用，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路結合起來。 移動應用服務公司Goodrec最近把社會網路加入個人化推薦系統，主要是借助于顧客的朋友、家人的評分資訊來進行產品推薦。 它讓顧客的朋友和家人做「導購」，把他們買的產品推薦給顧客。 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還可以説明顧客選購禮物，你最近經常看一些MP3，你的朋友會收到推薦：「如果你想送禮物給他的話，送個MP3吧」。

個人化推薦技術能獲得顧客的忠誠。 零售網站為顧客提供了有價值的購物體驗，對於顧客來說，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。 隨著顧客訪問網站次數的增加，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，個人化電子商務將會因為社交媒體和移動互聯網而變得更加精准。 比如在SNS和微博上，你無需離開Facebook等社交網站的頁面就可以下單購買商品。 更重要的是，社交網站上的使用者網路、訪問歷史和購物歷史為個人化商品推薦提供了更加豐富的資料。

未來的零售網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？ 」