㈠ 電子商務網站中一般採用的經典演算法有哪些
推薦機製作為成熟的技術用到網站的各個方面，譬如內容網站推薦機制可以為用戶作個性化的網頁內容定製，電商網站可以為用戶作商品推薦，客戶中心、櫃面可以利用推薦機制為用戶提供個性化服務。豆瓣電影、讀書以及音樂台一致被大家津津樂道，視其為推薦機制「教科書」般的案例，電商網站被大家提得最多的商品推薦要屬Amazon。
一個電子商務網站推薦機制的好壞，對其用戶的聯合銷售以及轉化率的提高有著極其重要的作用，對比線下零售來說，推薦系統就相當於實體店裡的「導購員」，對於零售店中，「導購員」起到提高顧客的購買願意、購買金額。同樣的的，一個好的推薦系統，對於電子商務網站來說：1、提高用戶體驗，許多個性化的推薦；更好的向顧客展示商品，提高轉換率。2、發現顧客的潛在需求，提高客單價。電商商務的先驅-亞馬遜號稱推薦系統提高了其30%的銷售。
但一個好的推薦系統建立不是一揮而就，就像一個好的「導購員」，需要不斷的進行經驗積累、需要參加更種培訓，以提高銷售技能一樣。需要不斷的迭代、優化，不僅需要從演算法上、計算效率上提高，現在更多加入了許多數據分析師日常工作中發現的規律，（例如：通過顧客的人口統計學對顧客進行了細分，在細分好的基礎上，再利用推薦系統的相關演算法，可有效的提高系統的准確性。）建立一個類似於專家庫，把這些知識結合進入推薦系統中。
電商網站常見的推薦表現形式
內容網站推薦機制可以為用戶作個性化的網頁內容定製，電商網站可以為用戶作商品推薦，客戶中心、櫃面可以利用推薦機制為用戶提供個性化服務。豆瓣電影、讀書以及音樂台一致被大家津津樂道，似其為推薦機制「教科書」般的案例，電商網站被大家提得最多的商品推薦要屬Amazon。
國內電商網站常見的推薦形式包括三種：1）針對用戶的瀏覽、搜索等行為所做的相關推薦；2）根據購物車或物品收藏所做的相似物品推薦；3）根據歷史會員購買行為記錄，利用推薦機製做EDM或會員營銷。前面2種表現形式是大家可以在網站上看到，而第3種表現形式只有體驗後才能知曉，一封郵件，一條簡訊，一條站內消息都是它的表現方式。下面將對亞馬遜中國的前兩種表現形式進行簡單說明：
對於非登錄用戶，亞馬遜中國在網站首頁和類目欄，會根據各個類目暢銷品的情況做響應的推薦，其主要表現形式為排行榜。搜索瀏覽頁面以及具體的產品頁面的推薦形式則有關聯推薦（「經常一起購買的商品」）和基於人群偏好的相似性推薦（「購買此物品的顧客也購買了」、「看過此商品的顧客購買的其他商品」）。
對於登錄用戶，亞馬遜中國則給出了完全不同的推薦方式，網站會根據用戶的歷史瀏覽記錄在登入界面首屏展現出一個今日推薦的欄目，緊接著是最近一次瀏覽商品的記錄和根據該物品所給的產品推薦（「根據瀏覽推薦給我的商品」、「瀏覽XX產品的用戶會買XX的概率」），值得注意的是，每個頁面最下方網站都會根據用戶的瀏覽行為做響應推薦，如果沒有瀏覽記錄則會推薦「系統暢銷品」（13頁，50款商品）。
國內其他電子商務廠商的推薦形式和亞馬遜中國的推薦形式並沒有太多的區別，只是在推薦語句說明上更加符合國人的習慣，譬如猜你喜歡，最佳拍檔，最佳組合等等，再者就是推薦位置上的變動。
常見的推薦演算法
本部分內容是對2011年中國統計網與EC數據分析聯盟上海棋局活動的一個總結，感謝華院數雲段總智能營銷部分的精彩演講，特別是推薦演算法部分的精彩解說。
一個完整的推薦系統由四部分組成：收集用戶行為信息的記錄模塊、分析處理用戶偏好的模型分析模塊、推薦演算法模塊（核心）和反饋處理模塊。推薦系統的目標就是把合適的商品推薦給合適的人，目前常見的推薦機制演算法包括基於關聯規則的演算法（Association Rule_based Recommendation）、基於內容的協同演算法(Content-based Recommendation)、協同過濾推薦演算法（Collaborative Filtering Recommendation）。
推薦系統的使用的數據主要都是日誌/消費類的數據，通過一定的數據預處理，最終使用演算法的數據是一個二維表-或者是一個MXN的矩陣（暫時不去考慮時間這個因素，考慮的時候就是一種時序瀏覽，考慮時間因素就是一個三維的，本文只是對推薦進行基礎介紹，大家如果有興趣，可以到論壇進行討論。）列是所有的商品類目，行是就是所有用戶，對於你選擇的時間范圍內，如果瀏覽過某個或者購買過某商品，則標記為1（當然根據實際需要，可以根據次數標記為N），當然也可以是對商品的評分。
協同過濾的推薦機制又分為基於物品的推薦機制和基於用戶的推薦機制。基於用戶的推薦：假設相同的用戶一定有相同的偏好，怎麼確定其是同類用戶類，你可以根據這二個用戶的購買的商品類型或者對不同商品的打分來計算。
基於物品的推薦：假設喜歡某個商品的用戶，一定也同樣喜歡同樣類型的商品，怎麼選擇這個同類型的商品，通過不同用戶對其的打分或者評價或者購買來計算。
計算相似的方法，主要包括：餘弦相似性、相關相似性。餘弦相似性通過計算矢量間的餘弦夾角度量。相關相似性通過計算Pearson相關系數、秩相關系數等度量。
關聯規則，相當知道啤酒與尿布的同學都不陌生，電商的推薦系統也是根據後台的消費數據，看是否存在商品在購買過程中會同時購買的情形，從而推薦給用戶，目前電商中的組合推薦大多屬於這種類型。
除了上面介紹的常見的推薦演算法外，每年都會涌現出許多新的推薦演算法，一個推薦演算法的好壞可能因為目的不同而不同，對應不同的數據集時表現的效果也不一樣，例如基於用戶的協同過濾散發在用戶數量遠遠大於產品數量的系統上或許表現不錯，但在用戶行為數據較少的情況下就不適用了，通常，並沒有一種演算法能「通吃」天下，更多是採用多種演算法的結合使用。
此外，推薦物品是否合適？並不是人人都是喜歡京東式的茅台等高端酒和女性內褲的組合，過多的推薦會不會泄露部分用戶隱私？這些都是一個好的推薦系統需要考慮的問題。
電商網站推薦的下一站——個性化
亞馬遜總裁傑夫·貝佐斯曾說過這樣一句話：「如果我的網站有一百萬個顧客，我就應該有一百萬個商店」。這或許就是推薦的極致，而這樣一個系統必定是以用戶為中心的，有記憶、進化功能的。個性化是一個永無止境的進程，它的效用可以被無窮放大。對於電商網站而言，如果推薦的頁面上全是自己喜歡的物品，連Size、顏色、付款方式、物流等細節都給處理好了，或許就是對用戶最好的「個性化」。
當網路成為我們自己的個人網路，就需要能夠理解個性多變性的技術。也就是說既要整合直接信息，也要整合環境信息，如時間、地點、日程安排、習慣、參與度等。此時，關於個性化推薦系統的主要競爭點或許就如《個性化：商業的未來》一書中提到的一樣，為了創造更好的購物體驗，電商網站能不能更快速的挖掘消費者的偏好，此時考慮的不僅僅是准確性問題，更多的還在推薦速度上。
㈡ 為何電商產品都在做個性化推薦和引導購買
個性化推薦被炒的太熱。
需求：用戶的需求就是，大家都很笨，需要別人幫忙回選擇所謂的答最好的。公司的需求就是，讓他買買買！我給他發push他不煩我！我給他發簡訊他不煩我！
場景：目前滿世界的購物app，都在送東西，送代金券什麼的，如果這種力度不是特別大，對用戶的吸引力已經很低了。所以讓用戶看到，並且不反感，這就成了各大公司的目標。
推送什麼能不引起用戶反感，並且願意打開？用戶希望得到的內容，這就是從用戶的搜索記錄中提取了，然後進行推送。用戶最近沒搜索咋辦，我發什麼？三個月前買了一管牙膏，用戶通過數據分析，基本確認一個人，所以牙膏快用完了，趕緊提醒他。
所以，才有了越來越多基於大數據的智能推送，應景推送解決方案，這方面，個推技術是領先的。
㈢ 新手怎麼做跨境電商
跨境電商怎麼做？這是一個很大的話題，國外市場、平台選擇，開店，選品，運營，推廣，物流…每一個點都可展開來談，而且每個話題都不是一兩萬字能說明白的。
一、首先區分外貿和跨境電商的區別
①現在外貿大部分都通過網路溝通，可以理解為外貿電商；但整個外貿交易流程和傳統外貿並沒有太大變化，都包含了詢盤、報價、訂單、生產、運輸、租船訂艙、報關商檢、收匯結匯核銷等，外貿電商的交易都是線下的。
②跨境電商是指不同關境的交易主體，通過電子商務平台達成交易、進行支付結算，並通過跨境物流送達商品完成交易的商業活動，其銷售模式可以比喻為「國際版淘寶」，不同的是藉助國外平台（如：亞馬遜、ebay，我們Tobox也是）或者國內對外國銷售平台（阿里巴巴、速賣通等），跨境電商都是線上直接完成的。在客單價上2B和2C也有區別，2C訂單大多是小批量，甚至是單件的，2B客單價普遍較高。
二、跨境電商平台有哪些？有哪些是個人能做的？
跨境電商平台可分為B2B、B2C、C2C、M2C等不同類型，但總體都可歸納為2B、2C兩類。
①2B平台：主流的有阿里巴巴國際站、Amazon Business、敦煌網、TradeKey、中國製造網、EC21、環球資源等，這些平台買賣雙方主體基本都是企業，主營領域也各不相同，按需選擇吧。
②2C平台：2C平台的共同特點是買家基本為個人，訂單多是小批量，甚至是單件的；賣家的話主體類型不一，有大中型企業或品牌，也有小微企業和個人，所以如果你是想自己做的話，這些比較合適
㈣ 電商行業如何更好地提供個性化服務
電商行業裡面提供精準個性化服務的方式有兩種：一、個性化站內推薦欄，智能感覺買家的興趣主動推薦他最貼近他心意的商品，讓用戶有良好的購物體驗；二、精準個性化EDM，智能根據買家的瀏覽歷史、收藏歷史、購買歷史等主動發送EDM給客戶，推薦站內可能適合他的商品。
以上這兩種方式都需要專業的百分點推薦引擎才能實現。你網路一下看看那些成功案例就知道了。