Alpha Solutions的首席技术官Roland Villemoes表示，消费者希望在任何商业网站上都能看到相关内容。他们越来越希望推荐越来越准确（至少这是我的经验）。几年前，有人怀疑"他们"对我了解多少。这种怀疑已经消失了。人们现在明白了跟踪可以带来某些好处，比如好的推荐和个性化设置。我的目的是深入研究推荐引擎使用的策略，而不是深入研究底层的数学。你可以在这两个博客引擎上提供免费的商业策略选择。希望有一个更好的背景可以指导你选择正确的策略。最重要的是，它应该有助于您考虑哪些方面可以使您的建议对您的业务具有优势。创造相关性是关键。自从亚马逊在1998年制定了产品推荐标准以来，推荐引擎已经取得了巨大的进步。因此，亚马逊上高达35%的销售额来自他们的推荐1。推荐引擎绝对应该产生更好的转换，从而影响底线。如果不这样做，那就是严重错误。基本推荐引擎大致基于两种类型的数据：基本信息：元数据、产品信息、产品类别、标签、关键字、价格等。交互作用：订单、评级、添加到购物车、产品视图，一个非常基本的技术是检查其他用户查看的类别和产品，并创建所有产品详细信息页面视图、类别视图和每个用户的订单的统计信息。绑定元素当然是用户。通过注册用户、订单和产品之间的关系，我们可以将一个客户所做的一切与其他客户联系起来。这允许您根据统计数据回答问题。例如，当用户A查看产品X时，请显示购买或查看产品X的其他用户购买或查看的前三种产品。或者，显示用户A以前购买的前三种产品。根据我们对用户和订单的所有了解，我们可以添加更多的统计数据和维度，再举一些例子：位置-邮政编码、地理坐标用户性别、用户年龄、其他用户元数据和偏好、设备的使用，等等。在订单产品类别或产品和订单的简单统计数据上的订单大小促销和折扣的时间可能是有效的，并且可以在广泛的参数上扩展以进行筛选和细分。然而，上述策略有一个缺点：产品多，用户多，计算量可能很大。注意：除了用于推荐之外，这些数据也是深入了解您的客户群和候选对象的一个很好的来源，用于细分和人物角色启发和验证。协同过滤面向过滤的策略通常基于用户-项目交互。基本假设是，如果用户1喜欢产品A，用户2喜欢产品A和产品B，那么用户1喜欢产品B。当Amazon开始推荐时，他们使用基于项目的协同过滤，但他们从基于用户的角度出发（看看其他用户也购买了什么），转而采用基于项目的协同过滤而是看用户的相似性和产品的相似性。这个屡获殊荣（和商业成功）的策略是基于定义产品和用户"相似性"的度量。使用相似性度量是识别和显示"相似产品"的一种简单方法，这需要较少的计算量，并且是一种快速的策略，可以更好地处理大型产品目录。请记住，相似性度量可以与其他推荐策略结合使用。像YouTube和Netflix这样的预测和机器学习服务使用协作过滤来获得推荐。协同过滤技术的挑战在于它们需要一些历史和数据。如果你引入新产品，并将你的建议建立在还不存在的评论基础上，你可以称之为冷启动——对于你尚未与之交互的新用户也是如此。一些明显的缓解方法是尝试至少从第一次使用的用户那里获得一些信息，比如你住在哪里，性别，年龄，兴趣等——只是一些东西！这消除了冷启动的风险，即用户对问题感到厌烦而离开。协作过滤显然适合于机器学习，任何机器学习专家都会有自己喜欢的算法。这也可以在不需要机器学习的情况下完成，但是ML方法增加了预测方面。我不是来这里说什么是最好的-用户必须决定。他们才是真正的裁判。那么，最好的策略是什么？测量和评估！与所有事情一样，你可以做很多假设，但唯一重要的是用户的声音和行为。所以，问问他们！使用统计数据、问卷调查、A/B测试和工具箱中的内容。技术是有趣的，但如果它不能解决问题-它是无用的。本文简要介绍了所选和简单的推荐引擎策略。希望它能激励你在这方面推动你的事业向前发展。希望你的客户不要把注意力放在技术上，也不要把注意力放在技术上！下一步对一系列更具技术性的职位感兴趣？我们的技术博客深入探讨了如何使用不同的策略来实施建议，并展示了如何衡量和评估这些建议。1https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers罗兰·维勒莫斯是美国阿尔法解决方案公司的首席技术官。Alpha Solutions是Sitecore白金解决方案合作伙伴。Roland是2019年Sitecore商业MVP，是纽约Metro Sitecore用户组的联合组织者，也是Sitecore社区的积极贡献者。在LinkedIn或Twitter@Rolandvillemos上查看更多他的博客文章并关注他。