谈运营：不着调的推荐不如不推荐

在去购物中心之前，你告诉自己你今天只买了一件t恤。当你离开购物中心时，你仍然拿着一个大袋子和一个小袋子。购物指南看到你触摸衣服，让你免费试穿，结果你不想脱下这件衣服，一个接一个。购物指南猜测客户喜欢什么，建议客户试穿，满足双方各自的心理需求，达成交易。电子商务网站如何猜测用户的想法，推荐商品进行交易？我们不能让人们感知用户的需求。我们只能用数据和规则告诉用户。我知道你喜欢这个产品。所有不调整的推荐都是流氓，不调整的推荐不如不推荐。1、推荐算法推荐算法主要包括基于内容的推荐算法、协同过滤算法和基于人口的统计推荐。先来科普一下这些推荐算法:1、推荐算法的内容（CB）：基于商品相关性，为每个item提取特征建模CB构建商品模型推荐。商品相关性包括商品类别、属性、参数、关键词、组合商品等。举个简单的栗子，当你买手机的时候，导购员看到你进来就知道你买了手机，这是一个商品类别；你说，看看粉色苹果，内存要大一些。导购员带来了128G的红色iPhone7。粉色是属性，内存是参数，导购员带来的不是水果，因为苹果是iPhone的关键词。当你决定买粉色128GiPhone7的时候，导购告诉你，今天买手机可以加10元买一个手机壳，这是商品组合推荐的。电子商务系统也是如此。只有一步一步地猜测用户的想法，用户才会信任网站。目前，纯粹使用CB算法的电子商务并不多。对于初始网站，在没有用户数据的情况下，主要依靠CB算法推荐商品。2、协同过滤算法（CF）(1)基于用户的CF根据用户对商品的偏好找到邻居用户，并向当前用户推荐邻居用户喜欢的东西。我最好的朋友在大学里经常和你一起看电影，他告诉你，最近上映的《摔跤，爸爸》非常好看，这会让你更想看这部电影，因为你知道她喜欢看什么，你通常喜欢看。“喜欢XX的人也喜欢”是典型的UserCF。(2)基于项目的CF根据用户对项目的偏好找到类似的项目，然后根据用户的历史偏好向他推荐类似的项目。当你买裤子的时候，导购员告诉你，这是我们销量最好的。我们刚买了一个。除了物品关联，用户偏好也增加了。根据公众偏好，预测你还没有表达你的偏好。例如，每个人都在购买。3、建议根据用户属性建模基于人口的统计学，通过用户特征计算用户之间的相似性。常见的用户在注册时添加感兴趣的标签、列表、热点等。推荐算法无非是商品相关性、用户行为、大众行为。二、以上运营推广推荐算法是基于数据和规则推荐的，此外，还有运营需求的推广。当然，生活也存在。当导购员偶尔强烈推荐产品时，有些人会怀疑是否有更多的佣金。除了推荐特殊活动外，偶尔还可以在自然推荐规则中添加人为干扰因素（如品牌优先级），使您的运营推荐保持沉默。Feed流是移动端推荐的，推荐不仅难以察觉，还会让你心甘情愿地分享。以天猫为例，推荐越多越好，推荐越准确越好。主页：除各种特殊操作活动外，根据用户浏览历史猜测您喜欢搜索结果页面：添加人为干扰因素推荐，店主热销商品详细信息页面：基于公共浏览和商品相关性查看会员中心：根据用户浏览猜测您喜欢订单详细信息页面：推荐操作活动，关注品牌热销单品购物页面：店主热销、品牌收藏、最近浏览、猜测您喜欢4、2B电子商务2B的特殊性，2B电子商务面向企业，企业将有不同的角色操作人员，向不同的人推荐不同的人。以购买手机原材料为例，工程师选择产品（类型选择）。他可以决定购买手机电池的规格参数和品牌，商品推荐可以从规格参数和制造商的维度推荐。以购买手机原材料为例，工程师选择产品（类型选择）。他可以决定购买手机电池的规格参数和品牌，商品推荐可以从规格参数和制造商的维度推荐。买方购买指定材料，无权更改产品型号和品牌，但可以决定商品价格和供应商，商品推荐可以从价格等维度开始。最后，推荐越多越好，推荐越准确越好，推荐越多越不准确。在用户看来，他们的眼睛一次又一次地被*。 

以上就是关于谈运营：不着调的推荐不如不推荐的相关介绍，更多谈运营：不着调的推荐不如不推荐相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对谈运营：不着调的推荐不如不推荐有更深的了解和认识。