分类|聊聊电商产品设计有哪些共性——商品模块( 三 ) 中薪|高薪|产品设计|模块|共性

后台的逻辑则是基于前端呈现而设计。虽然说很多功能都是由程序开发进行实现，比如说分词、数据查询等等，但是还是有几个是通过人工干预进行的。比如说热词维护，这个功能是运营经常用到的，这里的热词可以出现在搜索框下面、可以出现在搜索页里面，也可以出现在搜索框中的默认搜索中。
我在网上看到近义词设置，上下词义设置、容错设置等等。这个就要从实际出发，看看运营是否需要。因为不常用，我在这里就不赘述了。
3. 商品推荐你有没有这样的经历，当你在电商购物的时候，在一些区域网站会主动向你推荐一些其他的商品，而这些商品与你浏览过的商品有关。比如说你买了一个相机，系统会搭配你推荐SD卡，或者你刚刚预订完一张电影片，网站会推荐给你一包爆米花。
这就是电商运营的核心功能之一：关联性推荐。
关联推荐是线上商场特殊的导购形式，最经典的莫过于沃尔玛的啤酒与尿布的故事。感兴趣的可以去查一下，放在线上，其主要的形式也没有改变，就是通过用户浏览或者购买产品的相关性进行推荐。
说起来容易，但是实际上却没有那么简单。完善的系统一般分为四步走。
第一步，记录用户行为。
根据用户的日常轨迹及浏览习惯反映用户的喜好行为。
第二步，分析用户行为。
通过对用户行为的记录，分析用户对商品购买意愿及喜欢程度。
第三步，分析商品特征。
根据商品的属性，特征及相似度，实现商品搭配度目标用户标签的分析。
第四步，推荐算法。
根据一定算法，从商品集合中筛选出目标用户最有可能感兴趣的商品进行推荐。
这里有个问题，关联推荐是通过大量数据计算来进行推荐的。但是如果早期没有用户数据，那么该如何设计呢？
这里我们可以使用常规推荐。就是不会因为用户不同产生差异，主要是靠运营人员在后台配置活动或者固定商品。进行推荐。前期不依赖用户数据，回避初期产品缺失数据。及数据稀缺性的问题。这样也能达到一定的推荐转化。但这种模式对于推进效果可能相对较小。后期还是尽量结合用户数据分析才能有效地提升推荐效果。
在搜索结束后，出现的列表页中，还有一个功能叫筛选。商品搜索和筛选总是如影随形。毕竟两个都是为了甄选商品使用。
一般来说筛选可以根据价格区间、品牌、归属地、商家等级等等进行筛选。总之是根据商品的属性进行筛选。但是并不是拿出所有的商品属性进行筛选。还是要根据用户的使用习惯来定义。使用频率越高，筛选时越靠前。
4. 商品列表上面说到了搜索结果页。并没有细说，我打算放在这里和商品列表一起讲。因为展示的结果一样的。进入商品列表的路径大概有两处，一处的品类展示页面、一处是搜索结果页。
尽管商品列表展示的效果多种多样，但是常见的页就两种，一种是横向条形牌。另一种是图文混排，另一种是图文混排。两种呈现方式适用于不同的商品品类与搜索场景。不过这都不是商品列表的核心，商品列表的核心是排序。
我们在使用商品排序的时候，通常有三种排序方式。一种综合排序，一种是销量排序，一种是价格排序。后边的两项还好说，根据销量和价格进行。但是综合排序如何设计，这里有很多说法。
正常来说，排序算法是不对外公开的。但是我们可以站在用户的角度来设计一下搜索排序的顺序。

首先，消费者对于查询商品都会有价格足够优惠的期望。
其次，消费者希望商家能提供高质量的商品。
第三，希望商家提供商品相关的服务足够好。
最后一点也是消费者经常忽略的，商家应该遵循市场规则。公平，公正，公开，不作弊，不违规。

这样我们就得到了几个维度，价格维度，质量维度，服务维度和违规维度。
价格维度：
从这个角度维度来讲，并非只是价格最低。而是在一定的比较区间内价格相对较低。其价格主要来自于以下几方面。商品本身的销售价格。商品的历史成交价格，同类商品的平均价格。有了这三点，就可以交叉验证商品价格是否具有竞争力了。
质量维度：
我们可以通过用户对商品的评价、投诉、退换货等影响商品质量的数据进行交叉验证，从而得到一个综合的数值。
服务维度：
电商中常见的服务分为售前，售中，售后，三大部分。售前以咨询为主，商家是否提供了咨询服务，对咨询服务的响应是否足够高。用户对咨询服务的满意度是否跟踪到位。售中除物流配送外，其他服务一般无法单独跟踪到。但我们会认为服务会反映在用户最终交易评价中。售后服务主要体现在退换货上。服务维度可以从这三大方面进行分析获得。