优界网

首页 > 产品经理 > 卓越亚马逊推荐机制的学习和探讨

卓越亚马逊推荐机制的学习和探讨

72

0

0

2016-05-22 00:06:11

金龙

分享一下,又不会怀孕!

本作品为转载作品,版权为作品原作者所有,感谢上传者的分享!

12月8日当当网纳斯达克上市风头未尽,京东遍掀起了宜昌网络图书销售降价大战,国内第二大网络图书销售商卓越亚马逊自然不能幸免。趁三家纷纷降价之际把之前憋着没买的书统统给买了,网络书商大战到底是比3Q大战实惠啊!这些都是闲话。

在卓越亚马逊买书的同时,按照陌生用户的角色仔细体验了一下流程。从经评BLOG的推荐链接进去,搜索图书,比较和选购,注册和提交信息,下单和支付。最后一步一步分析一下得出两点总结:

  1. 秉承Amazon技术优势和架构体系,卓越亚马逊的个性化推荐机制很强大,几乎遍布全站每一个页面。
  2. 支付流程经过数据考证和对比分析,但是可能大多是依据美国互联网数据,中国站照搬照套了美国站,不太符合中国网购用户习惯,有挺多可以优化的地方。

一、基于个人交易和反馈数据的推荐机制

Amazon的用户分析和个性化推荐机制一直是电子商务教材里面的经典案例。搬到中国后卓越亚马逊的推荐机制依然做的很出色,遥遥领先于国内的其他电子商务平台。

账户推荐

基于用户反馈数据的推荐机制

上面这个图是“我的亚马逊”界面,“我的亚马逊”跟“我的账户”是两个概念,“我的亚马逊”的功能是针对用户购物历史和反馈数据给用户的一个推荐平台,而“我的账户”是一个账户信息和订单信息的管理平台。“我的亚马逊”记录了登录后的商品浏览记录,根据浏览和购买记录提供的推荐产品。整个页面的功能非常清晰,中间大幅位置只用于展示推荐商品,并且鼠标指向是有悬浮下拉菜单提供反馈数据。用户可以反馈“已经拥有”或者“不感兴趣”,并且根据个人喜好给商品打分。在顶部自导航条中的“设置为我推荐”下也可以进行相似设置。用户可以选择那些内容可以被作为推荐依据,那些不需要作为推荐依据。这使得通过用户提交数据优化纯机器推荐带来的弊端,是最终推荐结果真正符合用户需求和爱好。这些用户历史数据和反馈数据奠定了亚马逊的用户数据分析和商品推荐机制,通过历史数据分析和对反馈信息的学习,提高网站推荐商品对于特定客户符合程度。

基于历史浏览数据和用户反馈数据的分析和计算也是互联网新闻、网络广告等领域新商业模式的涌现源泉。在互联网信息越来越海量,筛选有价值的、符合用户偏好的数据越来越成为网民的难题。因而信息分析和推荐机制应该成为一个非常有前景的商业契机。

二、基于公共行为的推荐机制

商品关联推荐机制

上图是我进入《Landing Page》商品详细页面后,商品信息下方显示的推荐数据。《流量的秘密》是根据我过往购买数据为我推荐的,成为了匹配度最高的书目。在经过推荐后,直接提供了组合购买的按钮。注意这里是立即购买,而不是加入购物车;同样是在这个页面,《Landing Page》本身的详细信息右侧却只提供了“加入购物车”按钮,在商品详细页面到底应该提供“加入购物车”还是“立即购买”还是两者都提供?这个我找个机会再来讨论。

我们来看看为什么Amazon为什么在这个地方放的是《流量的密秘》而不是其他的书。

商品关联度指数

由上图可以看出,浏览了这个《Landing Page》详细信息页面后,有25%的访客买了《流量的秘密》,8%的用户买了《搜索引擎营销》而7%的用户买了《玩赚你的网站》。访问了该页面的1/4用户购买了第一关联书目,这是个很高的比例了。其实我们看Amazon的商品详情页面不难发现有很大的篇幅是用于推荐关联商品的。也正是这种推荐机制降低了Amazon平均每单的商品数量,而单个订单的商品数量的降低直接带来了销售量的增长和平均物流成本的降低。因而这种推荐机制对于电子商务公司的重要性不言而喻。

我们来看一组数据,关于B2C平台的重复购买率:Vancl(凡客)是40%,电子商务企业平均水平是50%,而卓越亚马逊是80%;据说卓越亚马逊每年用于营销推广的费用占运营总成本的仅10%左右,这才是电子商务企业所真正需要的指标。吸引新客户的成本越来越低,客户忠诚度越来越高。重复购买率与亚马逊的推荐机制不无关系。因为当用户登录后进入亚马逊首页时,看到的是根据其历史行为和反馈数据生成的个性化定制页面。一个人的性格和兴趣往往是稳定的,关联推荐的价值便在这里。

再来看一组数据,目前整个电子商务领域的平均订单转化率是3%。平台的转化率的最高;绝大多数B2C的转化率都在1%以下;当当做的比较好能到3%,Amazon可以到4.5%。访问amazon的访客最终下单的比率要高出行业平均比例50%,这个跟访客进入页面看到的是自己的感兴趣的个性化页面而不是密密麻麻的分类列表不无关系。

不仅仅是基于访客的平均转化率,即便是购物车的平均转化率也不高。据报道B2C行业从购物车到实际成交比例转化率一般为10%,最高如当当网30%,逛街网与走秀网是20%,行业水平一般是10%。放到购物车里面的商品最后只有十分之一真正付了款的,这是一个很高的流失率。90%的用户里面有一小部分选购了替代品,一大半放弃了购物,另外还有一小批倒在了付费的路上。过一段时间给大家再来详细讨论讨论要购物车还是要立刻购买;支付流程如何来优化,欢迎大家持续关注。

三、亚马逊推荐机制的不足之处

亚马逊的数据分析做的出色,几乎编辑了整个网站的每一个页面和用户消费的每一个流程。推荐机制虽强,但是也有失误的地方:

推荐书目

继续使用上面这个图。我进入《Landing Page》商品详细页面后,商品信息下方显示的推荐数据。《流量的秘密》成为了匹配度最高的书目。为什么会最高呢,因为我买过!难道亚马逊就只知道按照匹配度来推荐,连将已经购买数据从中剔除的功能都没有吗?对于纸质书籍,同一个客户买第二本的概率我想应该是极小的吧。虽然这个不足是个并不严重的技术问题,但却浪费了关联度第二高的8%的购买率。

上面的不足并不是严重的技术问题,但是Amazon的推荐算法上确实有缺陷的。目前的推荐只能在同一个分类的商品内部实现关联推荐,尚且不能实现通过用户过往购买数据推荐其他品类的,具有较高购买可能性的商品。比如说我买了套厨具,那我下次进来的时候是不是应该在图书目录里给我推荐个菜谱。还有个比较经典的案例,啤酒和尿布的关联挖掘,这也是实体超市中常用的案例。跨品类的推荐也许会比固守在同一个品类推荐要高效率。毕竟不会每一次进来都买书,更不会每一次来都是买电磁炉的!这是数据挖掘和商务智能方面的功课,亚马逊应该到了往这个层次发展的境界了。

已有0人赞过

+1赞

认真评论的都成大咖了

还可输入1000个字

我要评论 我要评论
  • 刚刚
  • 登录优界网 ×