所有不着调的推荐都是耍流氓，不着调的推荐不如不推荐。

　　去商场前，你告诉自己今天只买T恤，出商场时，你还是拎了大包小包……导购员看你摸了摸连衣裙，让你免费试穿，结果你这一穿就不愿脱下了，而且一件接一件。导购猜测顾客喜欢什么，推荐顾客试穿，满足双方各自的心理诉求来达成交易。电商网站如何猜测用户的心思，推荐商品达成交易呢？我们不可能让人来感知用户的诉求，只能用数据和规则告诉用户，我知道你看上的是这件商品。所有不着调的推荐都是耍流氓，不着调的推荐不如不推荐。

　　一、推荐算法

　　推荐算法主要有基于内容的推荐算法、协同过滤算法和基于人口的统计学推荐。先来科普下这几种推荐算法：

　　1、内容的推荐算法（CB）：为每个item提取特征建模

　　CB基于商品相关性构建商品模型推荐。商品相关性包括商品类目、属性、参数、关键词、组合商品等。

　　举个简单栗子，你去买手机，导购员看见你进来就知道你买手机，这是商品类目；你说，看看粉色的苹果，内存要大点，导购拿来128G的红色iPhone7，粉色是属性，内存是参数，导购拿来的不是水果，因为苹果是iPhone的关键词。等你决定买粉色128G iPhone7时，导购和你说，今天买手机再加10元可以买一个手机壳，这个是商品组合推荐。电商系统也是如此，一步步猜中用户心思，用户才会信赖网站。目前电商中纯粹使用CB算法的不多了，对于初建网站，没有用户数据的前提下，主要依赖于CB算法推荐商品。

　　2、协同过滤算法（CF）

　　（1）基于用户的CF

　　基于用户对物品的偏好找到相邻邻居用户，将邻居用户喜欢的推荐给当前用户。大学时期和你经常一起看电影的闺蜜和你说，最近上映的《摔跤吧，爸爸》很好看，会让你更想去看这部电影，因为你知道，她喜欢看的，一般你也喜欢看。“喜欢XX的人也喜欢”就是典型的User CF。

　　（2）基于物品的 CF

　　基于用户对物品的偏好找到相似的物品，然后根据用户的历史偏好，推荐相似的物品给他。经常遇到的就是你买裤子时，导购和你说，这款是我们销量最好的， 刚还买走一个呢。除了物物关联外增加了用户偏好，根据大众偏好预测你还没有表示偏好的物品，比如大家都在买。

　　3、基于人口的统计学推荐

　　根据用户的属性建模，通过用户特征计算用户间的相似度。常见的有用户注册时添加感兴趣标签、榜单、热点等。

　　推荐算法无外乎是商品相关性、用户行为、大众行为。

　　二、运营推广

　　上述的推荐算法是基于数据和规则推荐的，除此之外，还有运营需求的推广。当然生活中也是存在的，导购偶尔会强力推荐某个产品时，有人就会怀疑，是不是提成多。除了专题活动推荐外，偶尔也可以在自然推荐规则中加入人为干扰因素（比如某个品牌优先），让你的运营推荐做的不声不响。移动端的推荐比较推崇的是Feed流，推荐除了不易察觉，还会让你心甘情愿分享。

　　三、无处不在的推荐

　　以天猫为例说明，推荐不是越多越好，推荐是越准确越好。

　　首页：除了各种专题运营活动外，根据用户的浏览历史猜你喜欢

　　搜索结果页：不漏痕迹地加入人为干扰因素推荐，掌柜热卖

　　商品详情页：基于大众浏览和商品相关性的看了又看

　　会员中心：根据用户浏览猜你喜欢

　　订单详情页：运营活动推荐，关注品牌的热卖单品

　　购物车页：掌柜热卖、品牌收藏、最近浏览、猜你喜欢

　　四、2B电商的区别

　　2B的特殊性又来了，2B电商面向的是企业，企业就会有不同角色操作的人，面向不同的人推荐不同。以采购手机原材料为例说明，工程师选的是产品（选型），他可以决定采购手机电池的规格参数和品牌，商品推荐可以从规格参数和厂家等维度来推荐。采购员是买指定的材料，是无权更改产品型号和品牌的，但他可以决定商品的价格和供应商，商品推荐可以从价格等维度入手。

　　最后，推荐不是越多越好，推荐是越准确越好，多而不准确的推荐，在用户看来是一次次地眼睛被强奸。