昨天上当当买书时看到新的个性化推荐功能，看了一下，关联推荐功能做的还是不错的，比较精准。其实这个功能对有一定的规模的B2C是很有帮助的，大力挖潜以增加入蓝率。推荐分为两种：基于商品的关联推荐和基于用户的个性化推荐。
关联推荐的表现形式主要是“看了还看了”和“买了还买了”，对关联性权重有要求，需要为不同商品设定不同的权重值，否则就会出现“看了还看了”一次推荐多个类似商品，搞的用户很茫然。应该给多个的关联商品打上不同的权重比例标签，优先推荐权重高的商品。而“买了还买了”也是一样，如果算法对关联性权重不进行甄别支持度，则会出现买一张存储卡，关联推荐出手机，相机之类的，因为它们曾出现在同一张订单里。如果买一款手机/相机，推荐个卡，这是没问题的，但是反过来，我想没人看到一块存储卡，想再买个手机/相机吧......
个性化推荐主要是根据用户的行为，特性，购买历史记录和群体特征来做推荐。要注意推荐时不光要从相似人群的购买记录里提取数据，亦要关联这个用户自己的购买历史数据库，否则就会出现推荐给用户一本之前买过的书或者给买了尼康相机的用户推荐佳能镜头之类的2事。购买历史记录不光在于剔除无效商品，而且可以和RFM及EDM结合：比如用户买了一台索尼相机和附件，那么两年之后我们应该发EDM给用户推荐存储卡/电池之类的附件(存储卡已经不够用了，电池已经快失效了)，三年之后我们应该发EDM给用户推荐同价位价格略高的索尼相机(用户该升级换代了，且默认用户三年时间收入增长了20%，有了更高的购买力和商品需求)，再塞给用户一张优惠券，告诉他因为之前他在我们这里买过XX商品，所以他在我们网站升级商品将获得折扣。除了推荐商品，还能够根据用户的特性(区域/收入/年龄/职业/性别/兴趣爱好等)来实现SNS化，聚合圈子，亦能结合Wish List愿望清单功能，把自己想要的商品展现给圈子里的好友。
关联除了能帮用户找到需要的商品和B2C增加销售机会以外，甚至可以优化库房货位摆放，用关联规则算法，分析商品相关性，把高相关的商品放在一起，大幅提高拣货效率。(当然全面应用随机货位的先进库房不需要)
最后，大家都知道著名的“啤酒与尿布”案例，之前我有恶趣味的想过：如果是一家以男性用户为主的B2C想扩展化妆品之类的女性商品，把安全套和化妆品放在一起促销怎么样，男性用户会不会在买安全套时，为了求欢顺便买个化妆品来讨好他们的伴侣。如果是女性用户买安全套，化妆品对她们也合适，HOHO。
