在電商網站裡進行商品推薦，可以提高整個網站商品銷售的有效轉化率，增加商品銷量。通過使用者已經瀏覽、收藏、購買的記錄，更精準的理解使用者需求，對使用者進行聚類、打標籤，推薦使用者感興趣的商品，幫助使用者快速找到需要的商品，適時放大需求，售賣更加多樣化的商品。甚至在站外推廣時，能夠做個性化營銷。

商品推薦分為常規推薦、個性化推薦。常規推薦是指商家選擇一些固定商品放在推薦位，或者基於商品之間的關聯性，進行相關的商品推薦。例如：在使用者買了奶瓶之後推薦奶粉。個性化推薦指基於使用者購物習慣，根據商品特性來進行推薦。例如“看過此商品後的顧客還購買的其他商品”推薦項。

電商系統中的商品推薦位一般有：首頁運營Banner最底部的位置（猜你喜歡/為你推薦）、購物車最底部的位置（猜你喜歡/為你推薦）、商品詳情頁中部（看了又看、買了又買、為你推薦等）、使用者簽到等位置。還有這兩年興起的內容電商，通過社群做內容來提高轉化率。

常規推薦

常規推薦的商品不會因為使用者不同產生差異，主要是運營配置的活動或固定商品（商品精選）。除了在固定推薦位選定某些商品進行配置，例如選取10件固定商品放在簽到頁進行推薦。還有一些固定規則的動態配置商品，例如圖中商品銷量排行榜、商品收藏排行榜、某品類的銷量排行榜（例如圖書會有許多排行榜），這類根據瀏覽、收藏、銷售資料做的商品統計在常規推薦時會經常用到，對使用者的消費決策影響也比較大。

近兩年崛起的內容電商也屬於商品推薦的一種，很多平臺都開始在內容上發力，越來越多的消費者在看直播、看自媒體文章、看帖子的過程中購買商品。例如淘寶的微淘、京東的覓生活（Meelife）、小紅書等。

在

在內容電商中，除了平臺商家自己產生內容，還應允許使用者產生內容（UGC），並且對UGC內容進行激勵。內容形式有長圖文、視訊推薦、直播推薦等多種形式，在內容中嵌入商品購買入口，在瀏覽時可以直達商品，增加購買轉化率。對內容進行分類打標，可以縮短使用者查詢的路徑。建立內容社群，提供評論、關注、種草、讚賞等多種互動方式，增加使用者粘性，提供其他社交平臺（微信

隨著貨架式電商時代逐漸過去，內容電商推薦的優勢逐步凸顯，特別在垂直行業，如美妝、母嬰等，內容電商為中小型電商公司突破流量黑洞提供了機會。

個性化推薦

電商推薦系統將收集的使用者資訊、產品資訊及使用者畫像分類作為系統輸入，利用適當的推薦演算法和推薦方式，根據使用者設定的個性化程度和資訊傳送方式，給使用者提供個性化商品推薦。使用者對推薦結果的點選瀏覽、購買的反饋結果，又可以作為優化系統推薦的參考。

完善的推薦系統一般由四部分組成，按照收集 → 分析 → 推薦的步驟，收集使用者資訊的使用者行為記錄模組、分析使用者喜好的分析模型模組、分析商品特徵的商品分析模組和推薦演算法模組。

• 使用者行為記錄模組負責蒐集能反映使用者喜好的行為，例如瀏覽、購買、評論、問答等；

• 使用者行為分析模組通過使用者的行為記錄，分析使用者對商品的潛在喜好及喜歡程度，建立使用者偏好模型；

• 商品分析模組主要對商品進行商品相似度、商品搭配度、目標使用者標籤進行分析；

• 推薦演算法根據一定的規則從備選商品集合中篩選出目標使用者最可能感興趣的商品進行推薦。

如圖所示：

使用者畫像是根據使用者特徵（性別、年紀、地域等）、消費行為習慣（瀏覽、購買、評論、問答等）等資訊進行抽象化，建立標籤化的使用者模型。構建使用者畫像的核心工作即是給使用者貼“標籤”，而標籤是通過對使用者行為記錄分析而來的高度精煉的特徵標識。推薦系統的難點，其中很大一部分就在於使用者畫像的積累過程極其艱難。其次使用者畫像與業務本身密切相關。在使用者標籤足夠豐富並且多的時候，就可以對使用者聚類，例如用A/B/C/D等四種典型使用者畫像來代表商城的目標使用者，還可以將新使用者進行歸類這些典型使用者畫像中。

商品分析模組主要根據商品的類目品牌、商品屬性、產品評論、庫存、銷售記錄、訂單資料、瀏覽收藏、價格等資料來分析商品相似度、商品搭配度（可人工調整），並且對商品貼上目標使用者標籤。

使用者畫像、商品分析模組的資料都是為推薦演算法提供基礎資料。商品推薦的演算法有很多種，需要根據推薦結果反饋，不斷優化模型。有時候還需要考慮人工因素的權重，例自營商品排在前面、評分高的店鋪優先推薦等。在推薦時，還用一些特殊推薦：購買此商品的顧客也同時購買、看過此商品後顧客購買的其他商品、經常一起購買的商品，都是基於商品進行的推薦。

如果完全按照使用者行為資料進行推薦，就會使得推薦結果的候選集永遠只在一個比較小的範圍內，在保證推薦結果相對準確的前提下，按照一定的策略，去逐漸拓寬推薦結果的範圍，給予推薦結果一定的多樣性。

在大資料時代，商品推薦模組雖然一定程度上進行了精準營銷，提高商品轉化率。但是與推薦的準確性有些相悖的，是推薦的多樣性。有時候會出現推薦混亂的情況，並且引起使用者反感。譬如曾經瀏覽過某款電視，連續一個月都推薦這款電視；甚至購買過手機之後，還不斷推薦其他手機。主要是因為推薦演算法做得不夠到位，很多使用者行為資料沒有收集處理，商品關聯度沒做好就盲目推薦商品。