在網(wǎng)絡(luò)購物中，關(guān)聯(lián)銷售是網(wǎng)絡(luò)購物提升銷售的一個重要的方式。相比于傳統(tǒng)的線下零售商，網(wǎng)絡(luò)銷售的“關(guān)聯(lián)銷售”方式更多，也更加強(qiáng)大。通常來說，主要有“誘惑”、“引導(dǎo)”、“理解”三種招數(shù)。下面就看看盧凱如何解析和試用這三大招數(shù)吧。
2012年出現(xiàn)了這么一個互聯(lián)網(wǎng)專用詞：“剁手族”，意指“網(wǎng)購花錢太多，立誓再網(wǎng)購就剁手的人”。先不提剁手是不是真的能夠控制住網(wǎng)購習(xí)慣，只看網(wǎng)購可以讓消費者上癮，正說明網(wǎng)購充分滿足了消費者的需求，消費者對于網(wǎng)購的黏性也非常高。網(wǎng)購讓消費者欲罷不能，除了價格公道、購買方便、選擇眾多以外，我覺得網(wǎng)絡(luò)平臺上“關(guān)聯(lián)銷售”的天然優(yōu)勢，也是一個重要原因。
關(guān)聯(lián)銷售，簡單說就是引導(dǎo)客戶在購買商品時，一次性地購買多種。我自己前天在某網(wǎng)站購物時，本來只想購買一條長褲，最后的訂單中卻包括了一條長褲、一雙襪子和一條內(nèi)褲。這就是商家利用“關(guān)聯(lián)銷售”的方法，引導(dǎo)客戶購物的結(jié)果。相對于傳統(tǒng)零售渠道，網(wǎng)絡(luò)銷售平臺在“關(guān)聯(lián)銷售”這一領(lǐng)域，可以玩的手段要多得多，也強(qiáng)大得多，這里主要講3種常用招數(shù)，歸納為“誘惑”、“引導(dǎo)”、“理解”。
招數(shù)1：誘惑——捆綁優(yōu)惠
捆綁優(yōu)惠是指，當(dāng)消費者按照一定的規(guī)則，購買兩件及以上商品時才能享受到的優(yōu)惠政策。
如上圖所示為易迅的“隨心配”模塊，相機(jī)詳情頁中，顯示一系列的捆綁優(yōu)惠，只有在同時購買相機(jī)與其套裝中設(shè)定的另外一件商品時，才能享受到價格折扣。類似的捆綁優(yōu)惠在京東、天貓等處也可以見到。
捆綁優(yōu)惠在線下渠道的使用也很常見，在超市中經(jīng)�？梢钥吹接命S色膠帶捆綁在一起打折銷售的商品組合。但是在網(wǎng)絡(luò)平臺上，捆綁優(yōu)惠能夠做得更好：
更直觀：以上面易迅網(wǎng)的“隨心配”為例，在一個不大的頁面上，兩件商品、折扣力度、最終價格都很明晰地展示了出來。而在線下渠道中，很難有這樣普遍性而直觀的方式，讓客戶了解到促銷的具體內(nèi)容。
更靈活：仍以“隨心配”為例，可以看到對同一件商品，可以創(chuàng)建多種優(yōu)惠套餐，消費者可以根據(jù)需要選擇購買。這樣的靈活度是線下很難達(dá)到的。
更快速：在網(wǎng)絡(luò)平臺中，可以很快速地創(chuàng)建出多個捆綁優(yōu)惠套餐，消費者馬上就能看到。例如：某廠家規(guī)定同時購買其生產(chǎn)的手機(jī)與藍(lán)牙耳機(jī)就能夠享受折扣。在網(wǎng)絡(luò)平臺上可以在半小時之內(nèi)完成這一優(yōu)惠的創(chuàng)建，而在線下，拋開系統(tǒng)設(shè)置不說，人員的培訓(xùn)、促銷展示的制作也往往會耗時數(shù)天。
捆綁優(yōu)惠這一招數(shù)，吸引消費者的是“優(yōu)惠”，而將商品捆綁一起強(qiáng)行推銷了出去。這一招可以歸納為：誘惑。
招數(shù)2：引導(dǎo)——相關(guān)搭配
搭配針對商品的自然屬性，理解商品之間的相互關(guān)系，依據(jù)這一相互關(guān)系，引導(dǎo)消費者購買更多的商品。
由于搭配是基于商品之間的自然關(guān)系，消費者買單的幾率會高很多。以京東商城的“推薦配件”模塊為例，對于手機(jī)類產(chǎn)品，在這一模塊中可以看到京東商城推薦的貼膜、保護(hù)套、電池、藍(lán)牙耳機(jī)、充電器、數(shù)據(jù)線、移動電源、車載配件、耳機(jī)等其他種類商品。所推薦的其他商品，從商品類型上看，是與手機(jī)能夠互相配合使用的。
相對于線下渠道，網(wǎng)絡(luò)平臺上搭配功能的主要優(yōu)勢在于：
更廣泛：以上面京東商城的“推薦配件”模塊為例，對一款手機(jī)，在這個模塊中搭配出了10件其他的商品(如有必要還可以搭配更多)，而這一模塊可以應(yīng)用于幾乎所有商品上。而在線下渠道中，限于物理展示空間，不可能做到如此的廣泛。
搭配這一招數(shù)，吸引消費者的是商品之間的自然關(guān)系，讓消費者覺得搭配的商品也能用得著。這一招可以歸納為：引導(dǎo)。
引導(dǎo)和搭配這兩招可以綜合使用，效果更好。例如前面舉例的易迅“隨心配”模塊，既有低價的誘惑，又有商品配件關(guān)系的引導(dǎo)，消費者自然更加滿意。
引導(dǎo)和搭配這兩招是網(wǎng)絡(luò)平臺從線下渠道繼承并強(qiáng)化的。與線下所施展的招數(shù)相比，雖然威力更大，但其本質(zhì)相同。而這第三招“推薦”則是線上平臺所獨有，線下渠道是學(xué)也學(xué)不來的。
招數(shù)3：理解——智能推薦
智能推薦是當(dāng)前被炒得很熱門的“大數(shù)據(jù)”的最常見應(yīng)用形式之一，它對消費者在網(wǎng)絡(luò)上的活動數(shù)據(jù)(包括瀏覽、購買、評價等)進(jìn)行分析整理，判斷消費者的行為特征，從而“智能”地為消費者推薦商品。
Amazon的智能推薦系統(tǒng)是為大家所熟知的，其首頁上沒有膏藥般的促銷信息，而是會根據(jù)每一位訪問者的瀏覽記錄、購買記錄等為每一位消費者“個性化”生成推薦信息。而在商品詳情頁(itemdetailpage)中，也會根據(jù)商品的被購買記錄計算出與其相關(guān)的商品。
On-lineFM站點也會使用智能推薦算法，向其聽眾推薦歌曲。例如豆瓣電臺，用戶對每一首歌都可以標(biāo)記“喜歡”、“跳過”，而豆瓣電臺在播放下一首歌時，會基于聽眾之前對每一首歌的操作，推薦聽眾最可能喜歡的歌曲。
智能推薦系統(tǒng)的算法是當(dāng)前“大數(shù)據(jù)”方向的研究熱點，粗略分其大類，有兩種：
第一類：基于內(nèi)容的推薦
這類算法是基于所分析數(shù)據(jù)的一系列不相關(guān)的特征數(shù)據(jù)或者類似性質(zhì)，尋找較高屬性相似度的數(shù)據(jù)。在計算時，需要對原始數(shù)據(jù)通過特征提取的方法獲得對象內(nèi)容特征數(shù)據(jù)，系統(tǒng)基于用戶所操作對象的特征提取用戶的興趣。
最著名的基于內(nèi)容的推薦系統(tǒng)由PandoraRadio所使用。PandoraRadio的工作人員會為每一首歌從各個方面打上標(biāo)簽(作曲、演唱、年代、曲風(fēng)等，據(jù)稱有上百個標(biāo)簽)，并且用戶的反饋也會對這些標(biāo)簽的權(quán)重有所影響。而PandoraRadio則會依據(jù)這些標(biāo)簽來為用戶推薦歌曲。
目前，這種基于內(nèi)容的推薦系統(tǒng)使用范圍并不廣，這一系統(tǒng)的主要障礙在于特征提取。以PandoraRadio為例，他們需要成立一個專門的團(tuán)隊，負(fù)責(zé)聽每一首歌，并打上標(biāo)簽。這樣的人力成本投入過高，且擴(kuò)展性不夠。
第二類：協(xié)同過濾
協(xié)同過濾推薦是當(dāng)前使用較多的技術(shù)，其基本思想非常易于理解，我覺得可以總結(jié)為“物以類聚，人以群分”，簡單來說就是類似的人喜歡類似的商品，而喜歡相似商品的人，往往也有著一些共同點。互聯(lián)網(wǎng)上用戶的一舉一動，都可能被背后的計算機(jī)系統(tǒng)記錄下來，用作協(xié)同過濾分析的數(shù)據(jù)。
以一個比較簡單的例子來說明協(xié)同過濾的原理。下表為4個人對于6部電視劇的評價結(jié)果�？梢钥吹�，沒有任何兩個人的打分結(jié)果是一樣的，也沒有一部電視劇的得分結(jié)果是相同的。
但是，如果把某一位用戶的評分當(dāng)作一個多維向量的話，我們就可以得到4個向量，并看作用戶的特征。
Ben=[5,5,3,0,5,5]
Tom=[5,0,4,0,4,4]
John=[0,3,0,5,4,5]
Fred=[5,4,3,3,5,5]
在六維空間里，這4個向量的夾角即代表了用戶的相似度，夾角越小，相似度越高。在例子來源處詳細(xì)介紹了利用矩陣的奇異值分解法計算向量相似度的方法，得到的結(jié)果如右上圖所示，可見Ben與Fred對電視劇的口味最為相似。
協(xié)同評價推薦系統(tǒng)的最大優(yōu)點在于，計算機(jī)不需要真正地“理解”其所推薦的內(nèi)容，而且是依賴于大量人群的交互數(shù)據(jù)。在這個信息爆炸、計算機(jī)能力充足的時代，協(xié)同評價系統(tǒng)得到了非常廣泛的應(yīng)用。但協(xié)同評價同樣有著一定的局限性：
依賴于大量的數(shù)據(jù)，當(dāng)數(shù)據(jù)量較少(新品)時，推薦精度不夠;
當(dāng)前的推薦系統(tǒng)需要處理數(shù)以百萬計的客戶及商品，其計算量非常龐大，對于計算能力及算法的要求非常高;
相對于數(shù)以百萬計的商品，大部分消費者的交互數(shù)據(jù)只會涉及其中不到1%的商品，也就意味著交互數(shù)據(jù)矩陣極為稀疏(99%以上為空)，算法設(shè)計困難。
不管是哪種推薦系統(tǒng)，依靠的都是豐富的消費者應(yīng)用數(shù)據(jù)，并據(jù)此作出滿足消費者潛在隱性需求的推薦�？梢哉f，相對于其他的關(guān)聯(lián)銷售方式，推薦系統(tǒng)能夠從某種程度上“理解”消費者的需求，因而也會受到越來越多的重視。
