货品推荐概述
更新时间：
货品推荐将基于用户既往购买行为记录，通过训练算法模型，智能解析用户和商品、商品和商品之间的关联关系，提升运营效率，提升品牌转化率和复购率。可用于以下营销场景：
基于用户和商品的关联关系，可以实现商品的精细化运营。
具体来说，通过算法预测可以得到每个用户对各个商品的购买偏好度，假定双十一活动中，品牌想要重点推出商品A，您可以基于算法结果筛选出商品A偏好人群，形成受众，进而基于用户营销功能进行营销触达。
基于商品和商品的关联关系，可实现关联购买推荐。
具体来说，假定通过算法预测出商品A和商品B有很强的关联关系，品牌可以先通过受众筛选功能筛选出购买过或收藏加购商品A的人群，然后，基于短信营销功能对该人群发送短信信息，内容围绕商品B展开，可附加短链跳转商品详情页或者优惠券信息等。若品牌自有APP商城或者官方商城等渠道，也可参考算法预测结果在渠道内进行关联购买推荐。
数据及功能链路如下图所示。
数据要求
您需要提供行为数据集、商品标签数据集进行算法模型训练，对行为数据集、商品标签数据集的要求请分别参见行为数据集样例、商品标签数据集样例。
基于算法模型进行预测时，可预测的用户、商品和周期范围取决于行为数据集：
可预测用户范围：算法模型使用的行为数据集涉及的用户，且用户在该行为数据集中必须在近1年内有购买行为，即近1年内没有购买行为的用户不可预测。其中，近1年是指行为数据集中的最晚行为时间往前1年。
可预测商品范围：算法模型使用的行为数据集涉及的商品，且该商品在近1年内被购买过。
可预测周期范围：以算法模型使用的行为数据集的最近行为时间为基准，从该天起的未来N天，N可设置为15~90。请参见下图中的示例。
使用流程
文档内容是否对您有帮助？