而热卖推荐的商品里，以上商品均有展示。当然并非 100% 精准，比如还给我推荐了一款XXL的冲锋衣。哈哈这是什么鬼。
商品展示方面，总共推荐了 5 页(应该是按规则展示的全部数据)，点击轮播指示器可以切换浏览。如图。
- 最近收藏的
顾名思义，这个很好理解。就是用户某一段时间内加入收藏夹的商品。默认只展示了 5 件商品，据我猜想，这 5 件商品应该是根据用户收藏时间倒序排，即最新收藏的优先展示(不一定准确，如果能有天猫的产品同学指教，那是最好不过了。)更多点击“去我的收藏夹”查看。
- 最近浏览过的
这个也比较好理解，基于用户某一段特定时间内的浏览历史记录进行商品推荐。这里也只默认展示了 5 个商品，更多点击“去我的足迹”查看。这 5 个商品的具体展示规则，应该是根据用户的浏览时间顺序倒序排的，比如 15 天浏览的商品数据。如下图。
不过排序因子里除了“浏览时间先后”，不知道是否还有其他因子没有，比如“浏览时间长短”(比如某件商品我反复浏览过多次，是否会排在我只浏览过 1 次的商品前面)
- 猜你喜欢的
这个就比较厉害了。这是网站基于自身海量用户数据，构建用户喜好模型，进行用户画像分析，利用大数据进行的商业智能分析与推荐。“猜你喜欢的”也是展示了 5 页数据(应该是按规则展示的全部数据)，点击轮播指示器可以切换查看。具体涉及的时间跨度无从得知。
“猜你喜欢”这一块我们通常称之为CF-协同过滤。协同过滤分为两块内容，一块是基于“用户”的协同过滤，另一块是基于“物品”的协同过滤。
基于“用户”的协同过滤：一种最古老的算法。给用户推荐和他兴趣相似的其他用户喜欢的物品。
兴趣相似度通过计算行为相似度来展示，即将用户的各种行为映射成多维空间的向量，通过计算向量的相似度(常用的有余弦相似度、欧式距离等)得出。
基于“物品”的协同过滤：目前业界应用最多的算法。给用户推荐和他们之前喜欢的物品相似的物品。
并不是利用物品的内容属性计算物品之间的相似度，而是通过分析用户的行为记录计算物品之间的相似度。
我只知道最简单的概念理论，具体怎么实现的，我也不懂。感兴趣的同学可以自行参考资料学习，如果能顺手分享给我，那是最好不过了。
从以上分析我们可以发现，“掌柜热卖”和“猜你喜欢的”这两个Tab 均展示了 5 页数据。
而“最近收藏的”和“最近浏览过的”则只默认展示了 1 页即 5 个数据，要查看更多只能分别去到“我的收藏夹”和“我的足迹”。个人认为“最近收藏的”和“最近浏览过的”的权重要高于另外两个模块。
据笔者不成熟的分析，如此设计的理由可能有以下两点：
1.“掌柜热卖”和“猜你喜欢的”推荐的商品：从时间维度看，时间跨度很长，长达数月的商品仍然在此展示。
从用户购物心路历程分析，此类用户并没有明确而清晰的购物目的，更多时候可能只是随便看看，看上了心怡的就买，没看到心怡的就算了。
对于这部分用户，将他浏览过的商品按规则全部展示在他面前，根据算法进行概率命中，期望用户从这些商品中能够获得转化。似乎有种瞎猫碰耗子的感觉。
2.而“最近收藏的”和“最近浏览过的”推荐的商品：一方面收藏的商品一般是用户购买意愿比较强但又并不想在收藏当时就立即购买，而是选择收藏起来等待时机再下手。
其实也可以把购物车当作收藏夹用，比如我，但是如果全部把商品加入购物车收藏，用户在真正购买商品的时候，需要将收藏却不买的商品去掉勾选或移入收藏夹甚至不小心删除， 这反而会大大加重用户的决策负担和操作成本。
另一方面最近浏览的商品，我们也可以认为是用户有较强购买意愿的，同时由于时间间隔短，此时网站提高推荐权重，减少推荐商品数，避免用户陷入选择悖论反而拖长购买时间。
但是，以上的 4 种推荐方式，不管是掌柜热卖、猜你喜欢的，还是最近收藏的和最近浏览的，单纯从商品推荐来说，其实还蛮准的。但都存在一些问题。
问题1：那就是我作为一个用户，我在某一段特定时间内，浏览过A/B/C/D/E/F/G 共 7 件商品，可能期间某个时刻我已经买了其中的一件商品比如C，或者与C特征相似或功能相近的商品，系统仍然会给我反复推荐C或者与C相似的商品。话说不明白，我还是举栗子吧。
购物场景：十三，一个喜欢阅读的蓝孩子，平时喜欢看纸质书，可惜缺少一个书柜，急需一个书柜。于是在 2016 年 11 月，在天猫App购买了一个简约白色书柜，满足了想存书却无书柜的痛点需求。
问题：十三从去年 11 月购买此书柜后，网站到现在还在给我推荐书柜，各种各样的书柜。
那么问题来了，从生活经验上我们可以认为，十三在购买了书柜之后，较长一段时间内应该都不会考虑继续购买书柜。读书的速度就那么快，简直看书如抽丝啊，即使我想买书柜，那也得我把已买的书看完了才行啊(哈哈哈哈哈哈哈捂脸) 。所以在这段时间内，为毛还在反复给我推荐书柜呢。
解决方案：个人有一个很不成熟的想法，是否可以以“用户购买时间”作为间隔点，用户购买此商品后 6 个月内，不再给用户推荐特征相似或功能相近的商品，当然仅限于“掌柜热卖”和“猜你喜欢的”。反复推荐我暂时并不需要的商品，我真的很不喜欢啊，管你是不是热卖咯。
嗯，虽然问题是摆出来了，但我相信天猫的同学应该都有想到这个问题。至于问题为啥一直存在，我想总归是有背后的业务背景和某些不可知原因的。毕竟，
任何不谈业务背景的需求分析，都是耍流氓。
问题2：一眼看过去，国内大部分电商网站都做了类似的营销功能，而且从最早期比较单一的“猜你喜欢”或“你还想要买”功能横向拓展到现在的 4 个Tab。
为了提升购物车页的营销转化，提高客单价和网站GMV，以及网站整体的PV、访问时长等数据。网站可谓是才华横溢费劲了心思。虽然页面内容变得更冗余，但也无可厚非。钱嘛，多多益善。
但是我们要冷静下来认真思考一下，有多少电商网站是为了做而做，看到别人家做了这个功能，自己要是不跟上脚步也设计一个类似的功能似乎就落后了。
燃鹅，基于用户喜好数据进行的商业智能推荐，它至少需要满足以下 3 点：
1.拥有海量的用户数据，足够支撑起商业智能推荐的用户数据这一基础和核心;
2.拥有强大的用户模型构建能力，能够进行用户分类管理，构建用户喜好模型，在此基础上能够持续进行精准化运营;
3.协同过滤算法技术较好，推荐给用户的数据精准度较高(个人认为至少 80% 吧。)
问题3：商品推荐其实可以说是一个商品聚合页面，将用户过去某段时间内浏览或收藏过的商品统一展示出来，唤醒用户记忆--“咦，原来我以前还看过这些商品啊，这个好像还不错，买了吧。”
但是，购物车环节非常重要，一般而言，用户既然已经来到了购物车页面，说明他的下单购买意愿已经非常强烈了，最重要的是让用户尽快完成点击“去结算”这一关键操作。那么在这个页面进行商品推荐，会碰到两个问题：
1.造成用户从购物车蹦失，看着看着可能就忘记下单支付了;
2.延长了用户的整个购物时间，也许看到最后也没有看到更多心怡的，最后还是只能乖乖地购买一开始选择好的商品。这与互联网提升用户效率的原则是相悖的，其实也说明了一点--并非用户在网站的访问时长越长越好。个人认为应当是单位时间内的“有效访问时长”。
当然，这就涉及到网站销售目标与用户体验之间的权衡利弊了。
总体上来说，虽然对用户体验多少会有损伤，但网站销量的提升带来的价值应该能够弥补上这部分损失的体验，而且根据用户的数据和反馈显示，应该也不算差。
最后
不管是猜你喜欢，还是最近浏览的，从本质上说都是智能推荐。既然是智能推荐，必然人为干预因素很少，甚至完全没有人工处理的余地，完全由机器和算法完成这部分工作。
从目前的技术水平来看，要做到 100% 完全精准，命中用户购物喜好，还是略微有点难的。但是咱们既然要做，就要努力把它做好做全面一点，提升“智能化”。
而不是打着智能推荐的旗号，实则做的是人工商品推广。这就比较尴尬了。毕竟你推广的商品，如果跟用户没有一丁点关系，用户是不会买账的，他只会觉得你烦。
在这里，笔者斗胆给大家两点小小的建议：
1.先想清楚为什么要做，比怎么做更重要。
2.尝试着用“创造价值--传递价值--获取价值”的思考路径来分析解决问题。哪怕你思考了完全不符合用户场景却也必须要做某个功能，这样的思维方式也是颇有好处的。
当前文章链接：/construction/jzhyzx/522.html
如果您觉得案例还不错请帮忙分享：
[声明]本网转载网络媒体稿件是为了传播更多的信息，此类稿件不代表本网观点，本网不承担此类稿件侵权行为的连带责任。故此，如果您发现本网站的内容侵犯了您的版权，请您的相关内容发至此邮箱【qin@198bona.com 】，我们在确认后，会立即删除，保证您的版权。
