数极客首页

推荐系统应用研究:网上书店

除了分类查找和主动搜索,推荐系统也是用户浏览商品的重要途径,能帮助用户发现类似并感兴趣的产品,增加商品的访问量,将访问者转化为购买者,引导用户购买。最终产生的价值是提升用户购物体验和用户粘度,提高订单量,如Amazon30%的订单来自推荐系统。

相比于精准营销广告,推荐系统产生的信息更为自然,同样能起到推销商品的目的。但是如果推荐系统的信息过于密集或者不精准,也会有成为垃圾信息之嫌。如在当当网已登录情况下查看《Web信息架构:设计大型网站》,边栏和底部有以下几种形式的推荐系统:

  1. 购买本商品的顾客还买过
  2. 浏览本商品的顾客还看过
  3. 看过商品的顾客会买
  4. 浏览更多同类商品
  5. 您的浏览历史
  6. 最佳拍档
  7. 广告
  8. 和您兴趣相似的顾客还关注

推荐系统中存在重复得数据,如1、2和6都推荐《About Face 3交互设计精髓》,并且个人已经购买了这本书。喜欢的歌曲可以重复播放,已购买的书籍不可以重复推荐,而是把用户的购买记录作为主要的推荐依据。重复的数据会削弱推荐的有效性,过多的推荐形式和数据会大大稀释推荐的精准度。

个人曾是当当的忠实用户,已在当当网下过27次订单,购买过90本图书,推荐系统对购买的帮助几乎可以忽略不计,也没有对个人的购买记录加以利用。在购物车页面准备下订单时登录当当网,页面会跳转到首页,在下订单页面点击返回也会经常出现订单丢失的情况。

推荐系统应用研究:网上书店

当当网的送货进度时间平均4-5天,下订单之后可以查看送货的进度。根据个人的设计经验,一般是明显让用户感觉到慢或者操作步骤多的时候才会使用进度条,稍微缓解用户的等待感,而卓越明确告知用户货物会在哪天送达。

推荐系统应用研究:网上书店

由于嫌弃当当送货太慢,改用卓越,在未登录情况下查看《Web信息架构:设计大型网站》图书页面,突出显示“购买本商品的顾客还买过”,共推荐100本书籍,约50本是个人感兴趣或者已在当当网购买过的。由于主要使用一种形式的推荐,很好地避免了重复数据。

“购买本商品的顾客还买过”比“浏览本商品的顾客还看过”更能获得用户的信任,其使用的是item-to-item协同过滤系统,通过余弦计算商品的相似度来推荐,比起传统的协同过滤(Collaborative filtering),解决了冷启动的问题,不会过度地依赖用户的浏览和购买记录,在用户第一次查看图书时也能进行推荐。

鼠标停留在当当网推荐的书籍上显示的书籍封面图片和价格,而卓越显示书籍的评分、评价人数和价格,按照用户购买商品的过程,书籍的评分更能吸引用户浏览并产生购买欲望。

卓越的邮件中会带有图书推荐,图文并茂提供了有用的信息,并不会被个人当成垃圾邮件,看到感兴趣的数据可以查看或者直接购买,非常方便。而当当以文字形式邀请评论,收到第一份的时候会打开看看,其余30份内容一样的邮件直接被当成垃圾邮件删除。

两个网站的广告可以更精准些,没有按照书籍的标签相应显示广告,购买计算机类的书籍多是男性,当当网显示标签为女性的胸罩广告,卓越网显示高跟鞋和女性内衣的广告,也许能分散男同胞的注意力和点击次数,但是不会增加广告的转换率,显示数码产品的广告会更适用在此类图书页面。

重复和垃圾信息损害用户体验,推荐的信息在于精确和有用,不宜过多地显示。

来源:http://daichuanqing.com/index.php/archives/1882

给大家推荐我国新一代大数据用户行为分析与数据智能平台:数极客(https://www.shujike.com),是支持无埋点、前端埋点、后端埋点、API导入四种混合数据采集方式,整合分析用户行为数据和业务数据,可以自动监测网站、APP、小程序等多种渠道推广效果分析,是增长黑客们必备的互联网数据分析软件。数极客支持实时多维分析、漏斗分析、留存分析、路径分析等十大数据分析方法以及APP数据分析网站统计网站分析小程序数据统计用户画像等应用场景,业内首创了六种提升转化率的数据分析模型,是用户行为分析领域首款应用定量分析与定性分析方法的数据分析产品

发表评论

评论已关闭。

相关文章