Question

在第七章我们讨论过，个性化策略可以帮助你建立更加牢固的客户关系，从而留住客户。个性化同时还是一个很好的变现策略，比如在用户正在浏览的网站或者App上显示为他们量身定制的产品推荐或者通过邮件和移动推送向用户发送个性化推荐都是特别有效的做法。亚马逊在这方面又是领跑者。它的团队开发出了最强大的推荐引擎，可以在用户浏览网站时为他们提供个性化的产品推荐。这个算法程序可以根据用户的搜索历史和购买习惯以及其他相似用户的习惯等数据来选择向用户推荐的商品。实际上，所有的亚马逊用户看到的都是根据他们的喜好为他们量身定制的亚马逊，这让他们获得一种独一无二的用户体验。

一些推荐引擎极其复杂，比如说亚马逊、谷歌和网飞使用的推荐引擎就是这样。但也有许多推荐引擎是基于相对简单的数学知识。Looker这家商业智能软件公司的首席分析师科林·齐马指出，使用一个基于杰卡德系数（Jaccard index）或者杰卡德相似系数（Jaccard similarity coefficient）的简单公式就能就算出两个产品之间的相似度，从而帮助你向用户推荐他们可能购买的额外商品，因为公式的计算结果显示出人们通常同时购买这两样商品。

杰卡德系数公式

这个公式看起来复杂，但其实很简单。它说的是两个商品之间的相似度等于A和B交集的元素个数除以A和B并集的元素个数。我们以食品商店App为例快速看看这是怎样计算的。假设这个App团队想要验证他们的一个假设：在App上向用户推荐常常一起购买的商品将提高每次购物的平均订单金额。为了使推荐更有效，他们需要计算人们在购买某种商品（比如花生酱）时同时购买所推荐的商品（比如果冻）的可能性比购买其他商品组合的可能要大。团队需要推荐用户最有可能一起购买的商品组合来提高用户接受推荐并且将推荐商品加入购物车的可能性。

杰卡德系数中交集的元素个数是同时购买花生酱和果冻的人数，并集的元素个数是单独买花生酱或者单独购买果冻的人数之和。例如，你发现有30人同时购买花生酱和果冻，而100人单独购买花生酱或者单独购买果冻，那么你所得到的杰卡德相似性分数就是0.3，这个数值代表的相似度已经很高了。相反，花生酱和洗衣粉的相似指数肯定要低得多。

这个公式可以用来计算商店里任意两种商品的组合，从而帮你找到强大的推荐，提高用户购买量。而且，在这些最好的推荐引擎的帮助下，商品推荐只会越来越好而且越来越个性化，这是因为购物的人越多，每位用户的购买习惯以及大量用户的购买规律这两方面的数据就会越来越多。比如，如果用户将红牛饮料放入购物车，那么食品商店App的建议引擎可能会向用户推荐苏打水和青柠，因为数据显示大多数购买红牛的用户也购买伏特加调酒饮料，虽然用户可能以前并没有购买过这些商品。