商品推荐

一句话解释：商品推荐（Product Recommendation）是通过算法分析用户的浏览、点击、加购、购买等行为，在首页、商品详情页、购物车、结账页等关键位置，主动展示用户可能感兴趣的其他商品，从而提升客单价、交叉销售转化率和复购率的一种转化优化手段。

生活化类比

想象你走进一家线下超市，本来只想买一瓶洗发水。但货架旁贴着“买洗发水的人，80% 也买了护发素”；收银台边摆着口香糖和电池；导购员看你拿了剃须刀，顺口说“刀片今天第二件半价”。这些都不是随机摆放，而是基于大量顾客行为总结出的“搭配规律”。

商品推荐就是把这套线下导购逻辑搬到独立站上，并且由算法 7×24 小时自动执行：它记得每个顾客看过什么、买过什么、犹豫过什么，然后在最合适的时机递上最可能成交的那件商品。

商品推荐系统通常由三部分组成：

1. 数据层：用户行为数据（浏览、点击、加购、收藏、购买）、商品数据（类目、价格、库存、标签）、订单数据。

2. 算法层：常见方法包括协同过滤（User-based / Item-based）、基于内容的推荐、关联规则（如 Apriori 挖掘“啤酒与尿布”）、以及深度学习模型（如 Neural Collaborative Filtering、双塔模型）。

3. 展示层：推荐位设计，如“猜你喜欢”“经常一起购买”“看了又看”“购物车推荐”。

衡量推荐效果的核心指标：

- CTR（点击率） = 推荐位点击次数 / 推荐位曝光次数

- CVR（转化率） = 推荐位带来订单数 / 推荐位点击次数

- AOV（客单价） = 总销售额 / 订单数

- 交叉销售率 = 含推荐商品的订单数 / 总订单数

一个常用的关联强度指标是提升度（Lift）：

Lift(A \rightarrow B) = \frac{P(B|A)}{P(B)}

当 Lift > 1，说明买了 A 的人比普通人更可能买 B，值得推荐。

术语	核心目标	触发时机	典型位置	与商品推荐的关系
商品推荐	提升客单价与转化	浏览/加购/结账全程	首页、详情页、购物车	本词条
交叉销售	卖互补品	购买决策中	详情页、购物车	推荐的一种目标
向上销售	卖更贵替代品	购买决策中	详情页、结账页	推荐的一种策略
关联营销	组合促销	营销活动期	落地页、邮件	常依赖推荐算法
个性化推荐	千人千面	全流程	全站	商品推荐的进阶形态

简单说：交叉销售和向上销售是“目的”，商品推荐是“手段”，个性化推荐是“更精细的手段”。

场景一：商品详情页“经常一起购买”

某家居独立站销售咖啡机，在详情页推荐滤纸、咖啡豆、清洁片。上线 30 天后，该推荐位 CTR 达 8.3%，带来订单占咖啡机总订单的 22%，客单价从 $86 提升到 $112。

场景二：购物车“加购推荐”

某美妆站发现用户加购粉底液后，常缺定妆喷雾。购物车推荐位上线后，交叉销售率从 11% 提升到 19%，购物车弃单率下降 4.6 个百分点。

场景三：首页“猜你喜欢”

某服饰独立站用双塔模型做个性化首页推荐，老客复购率提升 14%，推荐位贡献了全站 27% 的 GMV。新客由于行为稀疏，改用热销榜 + 类目偏好，CTR 仍达 5.1%。

场景四：邮件/弃单召回

弃单邮件中嵌入“你可能还喜欢”模块，某 3C 配件站测试显示，带推荐的召回邮件点击率比普通邮件高 37%，回收订单客单价高 $18。

误区一：推荐越多越好。

推荐位塞 20 个商品，用户反而选择困难。多数独立站测试表明，4–8 个推荐位的 CTR 和 CVR 综合最优。

误区二：只推热销品。

热销品曝光过度，边际转化递减，还会挤压长尾商品。应结合“关联强度 + 库存 + 毛利”综合排序。

误区三：忽视冷启动。

新站或新客没有行为数据，协同过滤失效。此时应先用规则推荐（热销、新品、类目榜），再逐步过渡到算法推荐。

误区四：推荐与库存脱节。

推荐了缺货商品，用户体验差且浪费流量。推荐系统必须实时接入库存和价格。

误区五：不做 A/B 测试。

推荐算法上线不等于有效。必须用 A/B 测试对比 CTR、CVR、AOV，避免“看起来热闹，实际不赚钱”。