所有不着调的推荐都是耍混混，不着调的推荐不如不推荐。

去商场前，你汇报本身本日只买T恤，出商场时，你照旧拎了大包小包……导购员看你摸了摸连衣裙，让你免费试穿，功效你这一穿就不肯脱下了，并且一件接一件。导购揣摩顾主喜欢什么，推荐顾主试穿，满意两边各自的心理诉求来告竣生意业务。电商网站如何揣摩用户的心思，推荐商品告竣生意业务呢？我们不行能让人来感知用户的诉求，只能用数据和法则汇报用户，我知道你看上的是这件商品。所有不着调的推荐都是耍混混，不着调的推荐不如不推荐。

一、推荐算法

推荐算法主要有基于内容的推荐算法、协同过滤算法和基于人口的统计学推荐。先来科普下这几种推荐算法：

1、内容的推荐算法（CB）：为每个item提取特征建模

CB基于商品相关性构建商品模子推荐。商品相关性包罗商品类目、属性、参数、要害词、组合商品等。

举个简朴栗子，你去买手机，导购员瞥见你进来就知道你买手机，这是商品类目；你说，看看粉色的苹果，内存要大点，导购拿来128G的赤色iPhone7，粉色是属性，内存是参数，导购拿来的不是水果，因为苹果是iPhone的要害词。等你抉择买粉色128G iPhone7时，导购和你说，本日买手机再加10元可以买一个手机壳，这个是商品组合推荐。电商系统也是如此，一步步猜顶用户心思，用户才会信赖网站。今朝电商中纯粹利用CB算法的不多了，对付初建网站，没有用户数据的前提下，主要依赖于CB算法推荐商品。

2、协同过滤算法（CF）

（1）基于用户的CF

基于用户对物品的偏好找到相邻邻人用户，将邻人用户喜欢的推荐给当前用户。大学时期和你常常一起看影戏的闺蜜和你说，最近上映的《摔跤吧，爸爸》很悦目，会让你更想去看这部影戏，因为你知道，她喜欢看的，一般你也喜欢看。“喜欢XX的人也喜欢”就是典范的User CF。

（2）基于物品的 CF

基于用户对物品的偏好找到相似的物品，然后按照用户的汗青偏好，推荐相似的物品给他。常常碰着的就是你买裤子时，导购和你说，这款是我们销量更好的， 刚还买走一个呢。除了物物关联外增加了用户偏好，按照公共偏好预测你还没有暗示偏好的物品，好比各人都在买。

3、基于人口的统计学推荐

按照用户的属性建模，通过用户特征计较用户间的相似度。常见的有用户注册时添加感乐趣标签、榜单、热点等。

推荐算法无外乎是商品相关性、用户行为、公共行为。

二、运营推广

上述的推荐算法是基于数据和法则推荐的，除此之外，尚有运营需求的推广。虽然糊口中也是存在的，导购偶然会强力推荐某个产物时，有人就会猜疑，是不是提成多。除了专题勾当推荐外，偶然也可以在自然推荐法则中插手工钱滋扰因素（好比某个品牌优先），让你的运营推荐做的不声不响。移动端的推荐较量推崇的是Feed流，推荐除了不易察觉，还会让你心甘情愿分享。

三、无处不在的推荐

以天猫为例说明，推荐不是越多越好，推荐是越精确越好。

首页：除了各类专题运营勾当外，按照用户的欣赏汗青猜你喜欢

搜索功效页：不漏陈迹地插手工钱滋扰因素推荐，掌柜热卖

商品详情页：基于公共欣赏和商品相关性的看了又看

会员中心：按照用户欣赏猜你喜欢

订单详情页：运营勾当推荐，存眷品牌的热卖单品

购物车页：掌柜热卖、品牌保藏、最近欣赏、猜你喜欢

四、2B电商的区别

2B的非凡性又来了，2B电商面向的是企业，企业就会有差异脚色操纵的人，面向差异的人推荐差异。以采购手机原质料为例说明，工程师选的是产物（选型），他可以抉择采购手机电池的规格参数和品牌，商品推荐可以从规格参数和厂家等维度来推荐。采购员是买指定的质料，是无权变动产物型号和品牌的，但他可以抉择商品的价值和供给商，商品推荐可以从价值等维度入手。

最后，推荐不是越多越好，推荐是越精确越好，多而禁绝确的推荐，在用户看来是一次次地眼睛被 *** 。