在通過(guò)大數據促進(jìn)銷(xiāo)售額提升的過(guò)程中，商品推薦功能成了強有力的引擎。亞馬遜貨代采用的商品推薦算法被稱(chēng)為“協(xié)同過(guò)濾技術(shù)”，該技術(shù)可以針對每一位顧客的購買(mǎi)行為進(jìn)行預測。這樣描述或許有些難以理解，不如舉個(gè)例子進(jìn)行說(shuō)明。購買(mǎi)過(guò)這件商品的顧客也會(huì )購買(mǎi)那件商品，凡是在亞馬遜網(wǎng)站上買(mǎi)過(guò)東西的人，都不會(huì )對這項服務(wù)感到陌生，這項服務(wù)就是通過(guò)協(xié)同過(guò)濾技術(shù)實(shí)現的。

下面，我們一起來(lái)詳細了解一下這個(gè)幫助亞馬遜貨代大幅提升銷(xiāo)售額的利器。作為亞馬遜商品推薦算法的協(xié)同過(guò)濾技術(shù)在營(yíng)銷(xiāo)領(lǐng)域被稱(chēng)為“細分”，在統計學(xué)中被稱(chēng)為“分類(lèi)”。總之，其實(shí)質(zhì)都是將相似的東西集結成組并進(jìn)行歸類(lèi)，也就是詳細地劃分類(lèi)別。亞馬遜使用的協(xié)同過(guò)濾技術(shù)分為兩類(lèi)，一類(lèi)是對顧客進(jìn)行細分，另一類(lèi)是對商品進(jìn)行細分。

其關(guān)鍵在于把某一位顧客的搜索、購買(mǎi)數據與其他用戶(hù)的搜索、購買(mǎi)數據進(jìn)行對比，分析其購買(mǎi)模式、用戶(hù)屬性的相似程度及所購買(mǎi)商品的共性，再結合各個(gè)顧客的購買(mǎi)歷史，從而得出“購買(mǎi)這件商品的顧客也會(huì )購買(mǎi)那件商品”這樣的購買(mǎi)建議。這個(gè)過(guò)程實(shí)際上就是通過(guò)分析每一位顧客的行為記錄、檢索記錄等大數據，向顧客推薦商品的過(guò)程。在此基礎上進(jìn)一步精益求精的話(huà)，就會(huì )演變?yōu)楸緯?shū)多次提到的“0.1人細分單位”。

實(shí)現這些功能的前提是一個(gè)假設：顧客甲對某款商品的評價(jià)與其他和顧客甲情況相似的顧客對同款商品的評價(jià)相似。由此，可以進(jìn)一步推出另外一個(gè)假設：雖然顧客甲現在并沒(méi)有購買(mǎi)該商品，但情況相似的其他顧客都購買(mǎi)了該商品，所以顧客甲一定也希望購買(mǎi)該商品。亞馬遜貨代推薦商品的基本方針就是在無(wú)數的顧客之中找到與當前顧客相類(lèi)似的顧客，將這些類(lèi)似顧客已經(jīng)購買(mǎi)而當前顧客未購買(mǎi)的商品作為推薦商品，呈現給當前顧客。實(shí)際上，顧客并不知道其中的內情，以為出現在網(wǎng)頁(yè)上的推薦商品恰好符合自己的心意而已。

當然，推薦商品也有利于提高網(wǎng)站的轉化率。亞馬遜收集顧客的行為記錄及其推薦的商品、服務(wù)和內容等大數據，其范圍之廣、數量之大實(shí)在是令人驚訝，這也促進(jìn)了亞馬遜貨代推薦準確度的快速提升。