為什麼要做相關商品推薦?
商品詳情頁是一座可能挖出金子的島嶼,這點大家都清楚。
我們用盡各種手段把用戶引到這裡,在心裡默念著咒語,恨不得他立刻去點那個最醒目的「加入購物車」。可現實是,絕大部分B2C商詳頁的UV轉化率不超過5%(更別說PV)。也就是說,大多數到訪者最終不會買——可能是被模特圖吸引進來的,可能嫌貴,可能不喜歡細節,也可能幾百條好評裡那條差評恰好戳中了他。總之,他不想買。
難道就這樣讓他流失?
相關商品推薦的作用,正是讓他繼續逛下去,直到遇見真正心動的那一件。好的推薦,會讓人停不下腳步。
關鍵在於「相關」
相關銷售的核心就在「相關」二字:必須找到某個維度把商品切分、聚類,再推給用戶。這和線下的貨架陳列邏輯高度相似。你站在牛肉麵的貨架前拿起一包端詳,不喜歡這個口味,就轉頭去旁邊找別的口味;或者你終於發現「康帥傅」的字樣不對勁,就在旁邊貨架上找真正的「康師傅」。前者依據口味,後者依據品牌。
可用的線索還有很多:特價、套裝、規格……線上的優勢在於,這些切片是可配置、可重組的,不像實體貨架那樣難以挪動。
基於商品,還是基於用戶行為
纵观各大電商的相關推薦,無非這兩條路。
基於商品屬性,主要有兩種打法。「相關搭配」依賴互補品類:賣手機搭手機殼、充電器;賣襯衫搭西褲襪子,再配一句「套餐立省十元」。「銷售排行榜」則必須疊加其他標籤細化,比如同品類、同品牌、同價格帶。
基於用戶行為,則是通過個人或群體的特徵來推薦,這條路亞馬遜用得最透徹。「猜你喜歡」這類依賴用戶個人屬性——年齡、性別、購物偏好、收入水準,沒有足夠的數據儲量,普通B2C根本玩不轉。但也有更輕量的做法:最簡單的是「最近瀏覽的商品」,喚醒記憶,好不好用全看數據;「瀏覽該商品的用戶還瀏覽了」「瀏覽該商品的用戶最終購買了」基於群體瀏覽行為;「購買該商品的用戶同時還購買了」基於群體購買行為。純靠行為、不結合品類與品牌標籤,推薦結果往往不靠譜。
至於具體算法,別問我,我也不知道。
到處都是推薦,用戶會煩
把上面這些模塊全堆上去,頁面確實滿屏商品、看著熱鬧,但別忘了商詳頁的首要目標:讓用戶把這件商品買下來。選擇太多,用戶只會在頁面之間反復跳躍。所以——不要過度推薦。
區分推薦商品的類型
一件襯衣的詳情頁:再推一件襯衣,是同類商品;推一條皮帶,是補充商品;算法發現買襯衣的人常常還買了别的東西,那就是友好商品。
一般來說,同類商品排行榜、「瀏覽該商品的用戶還瀏覽了」「瀏覽該商品的用戶最終購買了」推的多為同類;「相關搭配」「購買該商品的用戶同時還購買了」推的是補充;「猜你喜歡」之類則偏友好商品。商詳頁通常應該兼顧這三類,而不是把想到的所有模塊都鋪上去。具體如何搭配,需要考慮以下因素。
區分品類的需求特點
生命週期長、新品更新慢的品類,購買需求相對集中,商品之間的關係穩定,基於品類屬性的推薦會更靠譜。此時若再用「相關搭配」「銷售排行榜」按品類、品牌、價格各切一刀,命中用戶的概率反而下降。
而女裝這類需求高度分散的品類,排行榜式推薦往往不準,基於用戶行為的推薦可能更匹配——因為買這些商品的人本身就屬於同一類群體,有相似的風格偏好。這裡的行為推薦其實還可以再疊上一層「風格」標籤,這個標籤不必暴露給用戶。
還有一處值得注意:曬單區。不少B2C已經在經營達人曬單內容,但很少有平台在曬單頁直接串聯該用戶的相關商品。對需求高度分散的品類來說,基於「人」的推薦值得一試。
區分用戶類型
新用戶用上述常規玩法基本夠用。老用戶則可以更進一步:個性化商品推薦;平台型站點還可以做「你購買過的店鋪同類商品」。當然,沒有相應的基礎能力,這些仍然玩不動。
推薦位置
常見做法是:補充商品放在主圖下方,同類商品與友好商品放在側欄和底欄。目標排序也很清楚——第一,讓用戶先買下眼前這件;第二,買了就順帶搭配些別的;第三,如果這件實在不要,那就看看側欄的其他選擇。
近來觀察韓國幾家電商,它們的商詳頁大量增加通往賣場的鏈接,並在右側加了浮動欄展示相關商品——無論你怎麼滑動,那個浮欄始終可見。這確實有效促進了跳轉,但是否顯得過重?這需要數據來回答。
最終還要看數據
上面講的都是思路,對不對、合不合適,得用數據檢驗。可以看的指標包括:商詳PV中上一級頁面為商詳的佔比、相關推薦模塊的點擊率;此外商詳PV佔全站PV的比例、商詳跳失率也有參考價值,只是受其他因素干擾較大。
讓孤島相連
相關推薦更像一種基礎能力,短視的團隊往往看不到它的分量,做起來也粗糙,很難真正做到「相關」。它確實不簡單——這裡只是把思路大致列出,實際落地需要依據數據持續優化,更複雜的算法還要反復迭代。
但商品與商品之間,確實需要某種線索彼此勾連。無論這條線索來自人工打標、運維配置還是算法匹配,關鍵是建立起一套機制,讓這些藏滿寶藏的信息孤島相互連通——這樣生態才會真正繁榮起來。