电商App个性化推荐的精准营销——点击率预估

编辑：covsun 时间：2023-02-05 20:52:51 栏目：行业新闻查看: 140

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；

03 用户维度的推荐

产品所面向的不同类型用户很大程度会影响推荐系统的效果；如“新老用户占比”，即营销引流与用户留存的情况所影响的占比，新用户在冷启动上会需要花费更多的时间。

因为新用户通常是那些没有行为或者行为过少的用户，本质还是数据稀疏问题带来的困难，初期可以用冷启动的一些方法来进行推荐，最终最有效的方式是将新用户留下来，将新用户培养成老用户；“不同性别用户的占比”这个主要体现在用户的行为性别，因为不同性别的人在使用产品过程中的差异非常大，对体验好坏的体感也有较大差异；

精准推荐营销涉及到，站内与站外综合运营，比如：DSP、ASO、ASA、精准推送、智能推荐、用户画像、会员营销。

基于地理位置的精准：以携程的旅游景点、项目营销为例，定了丽江的机票的用户，给其推送丽江当地的酒店比推送北京的酒店更容易被用户接受，从而下单。

行为维度、个性维度：通过用户的搜索、购买、社交等表现，可以对其进行个性化的认知和洞察，继而进行人群划分，譬如按照收入、性别、喜好等等，比如携程的旅游景点、项目营销为例，由于对用户分析的精准，你知道经常订购400-500元区间的酒店，并且喜好商务酒店，所以大概率推送的商务酒店应该在100-500区间。