AI推荐系统：完整指南

如果无需让顾客多做任何事，就能提升客单价和复购率，你会怎么想？AI推荐系统能帮你的店铺在恰当的时机呈现合适的商品，把浏览数据和商品信号转化为更贴合需求的购物体验。

核心要点

• AI推荐系统能帮助顾客更快找到相关商品，从而改善商品发现、扩大购物篮规模并促进复购。
• 基于内容、协同过滤和混合模型各自适合不同发展阶段的店铺，具体取决于你的商品数据、流量规模和订单历史。
• 你可以从小处着手，先在商品页或购物车页测试推荐功能，并衡量点击率、转化率和平均订单价值。
• 要取得理想效果，离不开干净的商品数据、周到的展示位置安排，以及定期复盘，确保推荐内容始终贴切并契合你的营销目标。

电商店铺可以借助人工智能来分析顾客数据，提供更贴切的推荐。对许多企业而言，AI推荐系统或许正是你的销售和营销团队所需要的助力——它还能让大部分推荐流程实现自动化。

什么是AI推荐系统？

AI推荐系统——也称为推荐引擎——运用机器学习算法，向线上潜在顾客推荐相关的商品、服务或内容。

AI推荐系统会收集并分析多种数据点，比如人口统计特征、用户过往行为（评价、评分、搜索记录、历史购买）以及商品属性，从而生成个性化推荐。

众多行业都在使用AI驱动的推荐引擎：

• 娱乐
• 金融
• 营销
• 电商

举例来说，电商商家可能会依靠AI推荐系统，向网站访客展示由数据驱动的建议。在自家店铺中，Gymshark就设置了推荐商品系列和商品建议。

AI推荐系统如何帮你提升销量

AI推荐系统可以帮助顾客更快发现相关商品，通过交叉销售和组合套装提高平均订单价值，并借助更个性化的体验鼓励复购，从而推动销量增长。

一套出色的AI驱动推荐系统能够让你的线上店铺体验更加个性化，进而促进复购、提升满意度。近年来，Statista关于电商个性化的报告持续表明，消费者对更贴切的购物体验有着强烈需求。Statista的一项线上消费者调查发现，许多购物者希望获得个性化的商品推荐，凸显出人们对更量身定制的电商体验的渴望。

通过让购物体验更加个性化，AI推荐系统还有助于提升顾客留存，改善整体顾客体验。在实践中，这可以转化为可衡量的收益：美妆公司Orveon Global表示，在旗下各品牌全面推行AI驱动的商品陈列和商品推荐后，平均订单价值立即提升了10%到15%。

几乎立竿见影——而且这在每个品牌上都保持一致——我们看到每个品牌的平均订单价值都提升了10%到15%。所以我认为，借助Nosto的实时交叉销售能力，直接带动了销量增长。

Orveon Global电商与网站体验副总裁卡内·尼尔（Carney Nir）

为什么推荐能带动营收

主要优势包括：

• 简化商品发现。系统能呈现更贴切的选择，顾客无需没完没了地翻页就能找到心仪的商品。
• 提高平均订单价值。在结账页面设置“顾客还购买了”或“经常一起购买”板块，可以促成追加销售策略和交叉销售，从而提升平均订单价值、增加营收。
• 增强顾客忠诚度。AI推荐系统带来的更快、更个性化的体验，有助于提升复购率。

在店铺中的哪些位置使用AI推荐系统

以下是在店铺各处运用推荐功能的几种实用方式：

• 商品页推荐。在顾客还在比较不同选项时，用“相似商品”或“你可能也喜欢”模块来改善商品发现。追踪点击率和转化率（完成目标动作的访客占比），看看该展示位是否有助于把顾客引导到销售漏斗更深处。
• 购物车页组合套装。在购物车中展示互补的附加商品或“经常一起购买”套装，就在结账前扩大购物篮规模。这一展示位最适合配件、补充装以及低门槛的附加商品，重点关注的指标是平均订单价值。
• 购后建议。在结账后或后续邮件中推荐补货商品、相关品类或最佳后续商品。这对消耗品和多品类目录效果尤佳，你可以通过复购率和回头客占比来衡量成效。

如果你才刚刚起步，不妨先从一个展示位入手，仔细衡量其效果，再逐步拓展到整个顾客旅程。

AI推荐系统的类型

• 基于内容的过滤
• 协同过滤
• 混合过滤

你可以用三种AI推荐系统主要类型之一，为潜在顾客生成个性化推荐。总体而言，当你的用户行为数据有时间限制时，基于内容的系统很有用；协同过滤系统在你拥有大量顾客互动数据时表现最佳；而混合系统往往最适合更成熟的店铺，它们希望覆盖面更广、准确度更高。

AI推荐系统主要类型对比

基于内容的过滤

采用基于内容过滤算法的推荐引擎，会依据用户已经喜欢的商品的具体特征（功能、品类、描述）来推荐，而非依据其他用户的行为。通过分析品类、材质、价格区间和标签等商品细节，系统能推荐出与顾客此前接触过的商品属性相似的商品。

这种方式尤其适合顾客基数有限的细分市场，因为目前可能还没有足够的浏览、评价或购买数据来支撑强有力的行为型推荐。在这类情况下，商品属性就承担了更多工作。举例来说，一家受众规模不大的专营茶店，仍可以根据风味特征、咖啡因含量、产地和冲泡方式，推荐相似的散装茶叶拼配款。

举例来说，已经熟悉Shopify应用的商家可以使用提供AI商品推荐的工具，比如Shopcast。它只是Shopify应用商店众多应用中的一个例子，并不代表Shopify的官方推荐。

协同过滤

协同过滤会根据相似用户的行为来预测某位用户的偏好。协同过滤系统可能会考量浏览记录、购买历史或评分。这类推荐引擎会基于具有相似倾向的用户的顾客数据，推荐它认为购物者会喜欢的商品。

举例来说，一个服装品牌可能会根据品味相似的用户近期的时尚购买行为，向某位特定用户推荐新的服装系列。与基于内容的过滤不同，协同过滤擅长推荐那些与用户浏览过的商品并无直接关联，但相似顾客购买过的商品。

比如，“经常一起购买”类应用可以实时分析店铺的销售历史、新订单和商品更新，推荐那些通常会被一起购买的商品。

混合过滤

混合推荐系统将协同过滤与基于内容的过滤结合起来，向用户推荐相关的内容、商品和服务。举例来说，混合系统既能根据偏好相似的其他用户选择了什么，来预测某位顾客可能感兴趣的炊具类型，又能结合商品功能、材质或尺寸等具体的内容型关联。

通过收集用户之间相似性的数据，再结合商品描述等基于内容的因素，混合推荐系统融合了多种过滤方法，从而给出信息充分、高度个性化的推荐。

许多AI推荐引擎都依赖混合方法，同时运用协同过滤和基于内容的过滤，近期关于推荐系统的研究中也讨论了这一模式。举例来说，有些Shopify应用利用AI和订单历史来生成“经常一起购买”推荐，另一些则根据订单历史和销售数据来创建推荐和组合套装。大型商品目录还能从推荐与更智能搜索的结合中获益：在采用Shopify的Google Cloud Discovery AI集成后，Rainbow Shops表示站内搜索量提升了48%，这凸显出AI驱动的发现工具如何与推荐系统相辅相成。

让AI推荐系统落地实施

AI推荐系统能帮你让商品发现更轻松、提升平均订单价值，并打造更个性化的体验，让顾客一次次回头光顾。最大的收益通常来自于：把合适的推荐类型与你店铺的数据相匹配，并把建议放在购买意愿最强的地方。

先从一个展示位入手，衡量结果，再据此不断优化。如果你已准备好用专为商业打造的工具来构建更智能的购物体验，不妨探索Shopify，今天就开始在你的店铺中测试AI驱动的推荐功能。