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，相機詳情頁中，顯示一系列的捆綁優(yōu)惠，只有在同時購買相機與其套裝中設(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)常可以看到用黃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)的手機與藍牙耳機就能夠享受折扣。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、保護套、電池、藍牙耳機、充電器、數(shù)據(jù)線、移動電源、車載配件、耳機等其他種類商品。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，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隊，負責(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。可以看到，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。可以說，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。