本站原创根据推荐技术服务公司Baynote的调查,如果人们点击了3次之后还无法找到自己想要的商品,95%的人会离开这个网站.尽管很多电商网站都在使用个性化推荐技术,试图让消费者在3次点击之内找到自己想要的东西,但是,这一技术的实现,并没想象的那么简单.
我们的美国同行很早就发现,超市的尿片边上放上啤酒,能提升销量.因为在美国,负责买尿片的是爸爸,他们被差遣到超市购物时,都会顺手捎回几瓶啤酒.
那么在电商网站上,顾客买尿片时,你应该推荐什么呢?
这就要靠个性化推荐技术.它的一个基本思想是：通过所有顾客在网站上的历史数据,使用“群体的智慧”来推测顾客还喜欢什么产品.
目前有两大思路：
1.基于用户的推荐
这是基于顾客的相似性,就是某个顾客和哪群人更相似?把这群人买的推荐给他.
业内现在最常使用的一个热门技术,就是基于用户的协同过滤.名字很高深,但是背后的道理非常简单：人以群分.经常买同样商品的人,也有相似的偏好.
比如,顾客甲买过《比尔盖茨传》,乙买过《乔布斯传》.通过数据看到,甲和乙都买过不少同样的书,判断他们的偏好比较相近,称甲和乙这两个顾客比较“相似”,可以把乙买的《乔布斯传》推荐给甲.
基于用户协同过滤的一个著名零售网站是CDNOW.这是一个音乐专辑的零售网站,网站有一个个性化推荐模块：MyCDNOW.MyCDNOW其实是一个个性化的商店,每个人的MyCDNOW里面展示的都是他们喜欢的专辑.
这个个性化系统正体现了亚马逊创始人杰夫 贝佐斯的话：“如果我有1百万给顾客,我就应该有1百万个商店.”CDNOW根据消费者评分的数据进行推荐,网站知道用户A买了什么专辑,以及对专辑的打分.根据这些数据,CDNOW用协同过滤去寻找用户A的邻居.然后,把邻居喜欢的但是A还没买的专辑展示在A的MyCDNOW页面上.
而Baynote应用协同过滤的技术,帮助网站解决问题.Baynote开发了“群体智慧平台”,帮助网站提高消费者点击率以及购买转换率.它的解决方案是：把顾客和与他们相似的人联系起来,让一个群体内的成员来做“导购”.
2.基于产品的推荐
这个思路主要是判断哪些产品之间更加相关.如果在网站的记录中,很多用户都同时拥有iPhone和配件,那么这两个商品就比较相关.
再如,很多顾客的购买记录里都有《比尔盖茨传》和《乔布斯传》这两本书,可以推测这两本书比较相关,有比较高的“关联性”.如果发现新来的顾客丙买了其中一本,我们也可以向丙推荐另一本.
如果买了产品A的人从来不买产品B,买产品B的人也不会买产品A,那么这两个商品距离很远,关联度比较低.
这种关联的好处在于,对于大型零售网站来说,他们的用户数量远远大于产品的数量,算用户之间谁更相似可能要算1000万次,但是算产品之间算10万次就可以了.
有趣的是,现在不少零售网站把基于产品的推荐方法和其他的技术混合应用,取得了很好的效果.最热门的混合应用就是将推荐和社会网络结合起来.移动应用服务公司Goodrec最近把社会网络加入个性化推荐系统,主要是借助于顾客的朋友、家人的评分信息来进行产品推荐.它让顾客的朋友和家人做“导购”,把他们买的产品推荐给顾客.比如你的朋友最近买了一本书,他对这本书的评价不错,Goodrec就把这本书推荐给你.Goodrec还可以帮助顾客选购礼物,你最近经常看一些MP3,你的朋友会收到推荐：“如果你想送礼物给他的话,送个MP3吧”.
个性化推荐技术能获得顾客的忠诚.零售网站为顾客提供了有价值的购物体验,对于顾客来说,他们购物过程更有效率了,也不需要为看一些无关的商品烦心.随着顾客访问网站次数的增加,我们对他的偏好也预测得越准确,从而给顾客带来更高的价值.
未来,个性化电子商务将会因为社交媒体和移动互联网而变得更加精准.比如在SNS和微博上,你无需离开Facebook等社交网站的页面就可以下单购买商品.更重要的是,社交网站上的用户网络、访问历史和购物历史为个性化商品推荐提供了更加丰富的数据.
未来的零售网站可能在你登录的时候,开始与你对话：“今天你的心情好像不太好,你刚看了一篇‘如何减轻工作压力’的文章,我们有一些相关的书,要不要看一下?”
（苏萌为北大光华管理学院副教授、百分点科技创始人.柏林森为百分点科技创始人兼CEO.本文摘选自即将出版的《个性化时代》一书, 后附该书的“个性化技术与应用编年史”,了解个性化推荐技术发展历程）>>