Vevor推荐方案

Vevor

亚马逊推荐调研

调研资料

【脑图】亚马逊A9算法调研
亚马逊搜索调研

亚马逊调研总结

亚马逊有每天都有数千的实验组在线上进行AB测试，包含算法推荐、页面布局、商品样式、广告推荐等，这就是为什么我们在不同时间、不同站点、不同页面查看亚马逊列表页面和推荐位置时，会看到不同的数据和页面呈现效果的原因。
独立站的推荐，需要结合公司业务规划，针对不同场景的用户区别做推荐策略
1.访客转化
亚马逊：按IP、区域、设备、站点、销售趋势等，进行相关商品、广告商品推荐
司顺：千人一面，推荐网站热销商品
2.新用户留存
亚马逊：按浏览、加购、订单、销售趋势等行为，进行相关商品、广告商品推荐
司顺：按浏览、加购、订单等行为，推荐相关商品
3.老用户促活
亚马逊：按浏览、加购、订单、销售趋势等行为，进行相关商品、广告商品推荐
司顺：按浏览、加购、订单等行为，推荐相关商品
4.流水用户召回
亚马逊：待调研
司顺：按浏览、加购、订单等行为，EDM邮件召回

Vevor场景说明

资源位清单

1.首页 - recommend for you
1.1 PC端
数量：200
形式：瀑布流
加载；默认加载20个商品；每点击一次View more按钮，加载50个商品
1.2 M端
数量：上限200
形式：瀑布流
加载：分页，每页20个商品，懒加载

2.you may also like
2.1 PC端
数量: 固定20个，4页
形式：泳道
加载：点击前后按钮，每次加载一泳道
2.2 M端
数量：固定16
形式：瀑布流
加载：仅1页
2.3 页面范围
购物车、个人中心、类目页、搜索页、支付完成页

3.商详页 - Customers Who Bought This Item Also Bought
3.1 PC端
数量: 固定20个，4页
形式：泳道
加载：点击前后按钮，每次加载一泳道
3.2 M端
数量：固定16
形式：瀑布流
加载：仅1页

4.商详页 - Customers who viewed this item also viewed
4.1 PC端
数量: 固定20个，4页
形式：泳道
加载：点击前后按钮，每次加载一泳道
4.2 M端
数量：固定16
形式：瀑布流
加载：仅1页

5.首页 - Deals频道入口
5.1 PC端
数量：4
形式：泳道
加载：一次性加载，不分页
5.2 M端
数量：4
形式：瀑布流
加载：仅1页

6.首页 - Best Sellers频道入口
6.1 PC端
数量：4
形式：泳道
加载：一次性加载，不分页，按类目筛选
6.2 M端
数量：4
形式：瀑布流
加载：仅1页，按类目筛选

7.Deals频道页
7.1 PC端
数量：不限
形式：列表
加载：分页，每页50个商品，支持翻页
7.2 M端
数量：不限
形式：瀑布流
加载：分页，每页36个商品，默认加载第一页，后续，点击View more按钮，每次加载一页

8.Best Sellers频道页
8.1 PC端
数量：不限
形式：列表
加载：分页，每页50个商品，支持翻页
8.2 M端
数量：不限
形式：瀑布流
加载：分页，每页36个商品，默认加载第一页，后续，点击View more按钮，每次加载一页

推荐规则说明

1.recommend for you
1.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
1）7天内有浏览/收藏/购物车/搜索有结果行为的商品，取3个一级类目销量>2的商品
2）商品上架
3）商品生命周期为初始状态（3个状态：初始状态、卖完不做、已结束）
4）库存＞0
5）退款率 ≤ 5%（质量退款）
补齐：
按销量降序Deals+Best Sellers+New Release =1:2:1,不足取Best Seller商品补齐
排除：
1）同SKU去重
2）按SPU维度，同款过滤
3)按用户维度过滤掉已下单且已支付的sku
更新逻辑：
T+1
备注：新用户/无cookie/无登录状态,只有补齐规则；千人一面；
1.2 排序规则（sku两两比较 ）
1)销量增长趋势=（昨日销量-近7天日均销量）/近7天日均销量*100%。 加权比重：30%
2)销售额排序，加权比重：20%
3)库周>12 ，加权比重：10%（暂不处理）
4)商品含营销属性，包含有coupon、有deals价格，加权重，加权比重：10%
5)评论数量，加权比重：10%
6）收藏数量，加权比重：10%

2.you may also like
2.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
Recommend for you结果中，随机取20
更新逻辑：
实时更新
2.2 排序规则
随机混排

3.Customers Who Bought This Item Also Bought
3.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
1)同二级分类中被其他顾客喜欢的商品（订单）；同二级分类数量不足时，可以推荐看过这个商品的顾客喜欢的商品（订单、购物车、收藏夹、浏览，搜索记录）
2)商品上架
3)商品状态为初始状态（3个状态：初始状态、卖完不做、已结束）
4)库存＞0
5)退款率 ≤ 5%（质量退款）
排除：
1)同SKU去重
2)按SKU维度，同款打散
更新逻辑：
T+1
规则：
无商品就隐藏板块，不补齐
3.2 排序规则
按销量降序

4.Customers who viewed this item also viewed
4.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
1)同二级分类中被其他顾客喜欢的商品（购物车、收藏夹、浏览记录、搜索有结果的记录）；同二级分类数量不足时，可以推荐看过这个商品的顾客喜欢的商品（订单、购物车、收藏夹、浏览记录、搜索有结果的记录）
2)商品上架
3)商品状态为初始状态（3个状态：初始状态、卖完不做、已结束）
4)库存＞0
5)退款率 ≤ 5%（质量退款）
补齐：
按销量降序Deals+Best Sellers+New Release =1:2:1,不足取Best Seller商品补齐
排除：
1)同SKU去重
2)按SKU维度，同款打散
更新逻辑：
T+1
4.2 排序规则
按销量降序

5.首页 - Deals频道入口
5.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
Deals频道列表，取折扣top20、按销量top20，随机取4个
排除：
1.同SKU去重
2.按SPU维度，同款过滤
更新逻辑：
依赖的频道页数据，缓存1小时
5.2 排序规则
随机混排

6.首页 - Best Sellers频道入口
6.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
Best Sellers频道列表数据，按所选分类
排除：
1.同SKU去重
2.按SPU维度，同款过滤
更新逻辑：
依赖的频道页数据，缓存1小时
6.2 排序规则
按销量降序

7.Deals频道页
7.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
1）取生效中deals价格的SKU
2）取目标调价中滞销、高库存的SKU数据
3）商品上架
4）库存＞0
排除：
1）同SKU去重
2）按SKU维度，同款打散
3）按价格区间筛选条件过滤
更新逻辑：
实时计算
7.2 排序规则
按推荐recommend中权重规则做默认排序
首页入口推荐位置展示SKU，定位召回，插排至top10位置

8.Best Sellers频道页
8.1 召回规则
站点所有商品集合下，站、端分别计算
召回：
1）调取近60天有销量全部商品；
2）商品上架
3）库存＞0
排除：
1）同SKU去重
2）按SPU维度，同款过滤
3）按价格区间筛选条件过滤
更新逻辑：
T+1
8.2 排序规则
按销量降序