个性化推荐最早起源于美国电商平台亚马逊,推荐系统能够基于上亿的商品目录为数百万用户提供推荐服务。那电商App基于个性化推荐实现精准营销,该如何预估点击率?欢迎阅读,希望对你有帮助。
围绕产品与商品的核心目标进行的推荐才是有价值的,推荐的目的可以定义为几个点:
- 让产品活的更久:活的久是要延长产品的生命周期,延长用户的生命的周期,更受用户喜欢;
- 让产品活的更好:活的更好就是通过广告、用户主动付费等方式获得收入,带来商业价值;
本质上产品需要将整个用户行为路径进行优化,比如电商产品,在推荐的场景需要考虑展现形态,包括图片和文字简介,购物链路上的商品详情页的描述信息丰富和核心程度,整体布局等等;去伪存精,通过信息表达需要考虑基础信息区(回答商品是什么,吸引决策)。又如:优惠(有没有优惠,刺激决策);服务区 (有没有保障,加固决策);参数规格区(有哪些可选,完成决策);评价区(大家怎么说,辅助决策);后续推荐卡片(再逛逛别的,流量再分发)
01 推荐是帮助用户感知,而不是强迫用户思考在推荐商品的过程中,永远需要记住的是:帮助用户感知,而不是将过多的主观想法强加于用户,推荐中收集用户数据,并对用户意图及行为路径建模,从而建立整体用户认知,将条目作为认知的载体呈现给用户,让用户进行体验交互,并进一步收集用户反馈,假设用户有正向反馈的商品是用户表现出价值认可的。在此基础上,我们可以让用户、持续留存,并且建立一定的、情感链接。
02 全局推荐的机制围绕“数据”“商品形态,类目形态、浏览时长”“算法”进行“协同优化”才能带来更大的收益;用户体验的满意程度贯穿于整个产品使用过程中,如果想要有好的推荐结果,必然需要“全局”优化;
推荐时机:由于兴趣发现和收敛速度的原因,对于智能程度的感知也随时间会产生较大的变化,合适的时机能够带来更大的收益。
推荐质量:对于不同的产品,内容时效性和列表新颖性有不一样的要求,对于不同领域的产品,质量也有不一样的定义。
多样性:对于推荐而言,既要满足用户行为中的正负反馈,又要给予用户更加多样的列表。
产品定位:不同位置的推荐定位不同 ,跳出局部最优思想,做全局最优化,永远是场景间协同,根据行为路径的差异,行为深度的差异来做「差异化的场景设置。
单品页:购买意图,过渡页:提高客单价,购物车页:购物决策,无结果页:减少跳出率,订单完成页:交叉销售,关注推荐:提高转化,我的xx推荐:提高忠诚度,转化,浏览时长;