Shopify 的人工智能产品推荐

产品推荐占亚马逊收入的35%。对于大多数 Shopify 商家来说，现在无需数据科学家团队即可使用由机器学习和行为数据驱动的相同引擎。企业个性化和小型企业能力之间的差距已经有效缩小。

本指南介绍了如何在 Shopify 商店中实施 AI 支持的产品推荐，从算法选择到放置策略再到衡量实际投资回报率。无论您每月处理 50 个订单还是 50,000 个订单，战术建议都适用。

要点

• 如果正确实施，人工智能建议可使平均订单价值增加 10-35%
• 协作过滤、基于内容的过滤和混合模型各自适合不同的目录大小
• 展示位置与算法一样重要 - 主页、PDP、购物车和购买后的转换都不同
• Shopify 的原生搜索和发现应用程序可满足基本需求；第三方工具解锁高级细分
• 冷启动问题（新访客、新产品）需要明确的后备规则
• A/B 测试推荐小部件是强制性的 - 直觉放置比数据驱动放置低 40%
• 第一方行为数据是你的护城河——从第一天起就有意收集它
• GDPR 和 CCPA 合规性必须构建到您的数据收集架构中

---

AI 推荐算法的实际工作原理

在选择工具之前，了解底层机制可以帮助您做出更明智的配置决策。

协作过滤着眼于整个客户群的购买和浏览行为以查找模式。如果经常购买产品 A 的客户也购买产品 B，则算法会向查看产品 A 的任何人显示产品 B。这就是“购买该产品的客户也购买了”模型。它需要大量的行为数据才能正常运行——通常至少需要 1,000 多个购买事件。

基于内容的过滤分析产品属性（类别、标签、描述关键字、价格范围）并推荐与用户当前正在查看的内容类似的项目。即使只有一个访问者并且没有历史数据，它也可以工作，但它倾向于提供明显的推荐。浏览跑鞋的人会看到更多跑鞋，即使协作数据显示他们总是将鞋子与健身追踪器搭配。

混合模型结合了这两种方法——大多数企业级推荐引擎使用某种变体。基于内容的层处理冷启动场景（新访客、新产品），而协作过滤随着行为数据的积累丰富推荐。

强化学习是最新的一层，算法从实时点击和购买反馈中学习，以优化其显示的推荐。 LimeSpot 和 Rebuy 等工具实现了此功能的轻量级版本。

---

Shopify 原生工具与第三方应用程序

Shopify 的内置推荐系统通过 Search & Discovery 应用程序（免费，取代了旧的产品推荐 API）得到了显着改进。它支持精选推荐、互补产品以及具有基本频率逻辑的相关产品。

对于年收入低于 100 万美元的大多数商店来说，本机应用程序是一个合理的起点。它的局限性很快就会显现出来：

• 无行为细分（新人、回归者、VIP）
• 没有针对每个访客的实时个性化
• 没有购买后或电子邮件推荐源
• 有限的 A/B 测试基础设施

值得评估的第三方推荐引擎：

选择较少取决于功能，而更多取决于推荐适合您的主要收入驱动因素。如果结账优化是您的首要任务，那么 Rebuy 的智能购物车集成是无与伦比的。如果您通过 Klaviyo 运行大量电子邮件流量，Nosto 的源集成可以节省大量的工程时间。

---

放置策略：推荐转化的地方

算法质量比布局更重要。转化率最高的推荐展示位置（按典型提升排名）：

1.购物车页面/抽屉（平均提升：15–25% AOV）

客户已表现出购买意向。此处的“将这些添加到您的订单”小部件的表现优于其他所有位置。保留 3-4 件商品的推荐，重点关注降低添加障碍的低成本补充品或配件。

2.产品详细信息页面 - 非首屏（12-20% 的 PDP 访问者参与）

这里有两个不同的小部件：“经常一起购买”（协作）和“你可能也喜欢”（基于内容的后备）。前者在成熟产品中表现更好；后者处理新的或利基的 SKU。

3.购买后页面（追加销售转化率为 8–15%）

这是 Shopify 中利用率最低的展示位置。顾客完成结帐后，他们会处于积极的情绪状态。一键追加销售（通过 Shopify 的购买后扩展或通过 Rebuy 原生启用）无需第二次结账。即使 AOV 为 10%，拿取率也会显着增加 LTV。

4.主页 — 个性化部分（5–12% 点击率）

对于回访者来说，主页上的通用“畅销书”效果明显比“基于您上次访问”的效果差。两者都进行 A/B 测试。对于首次访问者来说，在您拥有足够的行为数据之前，编辑策展的效果优于算法选择。

5. 404 和搜索结果页

恢复安置。当访问者陷入死胡同时，智能推荐会将他们留在渠道中。与空白 404 页面相比，“找不到任何内容？试试这些”可将退出率降低 20-30%。

6。电子邮件推荐源

Klaviyo 和 Omnisend 支持来自 Nosto、LimeSpot 等的动态产品源。带有个性化替代建议（不仅仅是废弃商品）的废弃购物车电子邮件比单个商品恢复电子邮件高出 18-22%。

---

实施高级推荐流程的重购

Rebuy 是运行复杂推荐流程的 Shopify Plus 商家的主要选择。下面是一个实际的实现路径：

步骤 1：安装并连接数据源

从 Shopify 应用商店安装 Rebuy 后，连接您的产品目录并启用行为数据收集像素。这会触发页面浏览量、添加到购物车和购买事件——Rebuy 推荐引擎的训练数据。

第 2 步：配置您的智能购物车

Rebuy 的智能购物车用包含内联追加销售小部件的人工智能版本取代了 Shopify 的默认购物车抽屉。配置“购物车推荐”小部件：

• 对于已建立的 SKU，将推荐逻辑设置为“客户也购买”
• 将新产品设置为“同一系列”
• 建议将 4 件商品限制为上限，优先考虑 30 美元以下的商品，以减少摩擦

第 3 步：建立购买后流程

导航至 Rebuy 的“购买后”部分并创建一键追加销售优惠。该优惠通过 Shopify 的购买后扩展 API 显示在订单确认页面上：

• 购买特定产品系列的目标客户
• 以 15-20% 的折扣提供补充产品，作为“添加到您的订单”（无需重新结账）
• 设定时间限制（15 分钟倒计时会产生紧迫感，但不会被操纵）

第 4 步：设置频率规则

通过配置抑制规则来防止推荐疲劳：

• 绝不推荐客户在过去 30 天内购买的产品
• 实时抑制缺货商品
• 从已排除的类别中排除产品（如果您正在跟踪明确的客户偏好）

步骤 5：A/B 测试小部件配置

Rebuy 的内置 A/B 测试可让您同时测试小部件放置、推荐逻辑和 CTA 文案。在宣布获胜者之前，运行至少 2 周的测试，统计显着性设置为 95%。

---

衡量推荐投资回报率

真正重要的指标以及如何计算它们：

收入归因于推荐

大多数工具都会报告“影响收入”——在购买之前出现推荐产品的销售。这夸大了影响。一个更诚实的指标是增量收入：与没有看到任何建议的对照组相比，AOV 或转化率的提升。

通过 A/B 测试进行计算：向 50% 的访问者显示推荐，抑制 50%，并测量 30 天内的 AOV 和转化率差异。

平均订单价值提升

点击率 (CTR)

健康推荐点击率因展示位置而异：

• 主页：3–8%
• PDP：5–12%
• 购物车：8–15%
• 购买后：10–20%

如果您的点击率低于这些范围，则表明推荐相关性已关闭，而不是展示位置。

相当于广告支出回报率

计算每次推荐交互的成本：（每月工具成本）/（点击事件数）。将此与您的付费流量每次点击费用进行比较。配置良好的推荐引擎每次提供的“点击次数”为 0.05 至 0.30 美元，远低于典型的付费搜索每次点击费用。

---

处理冷启动问题

每个推荐系统都会遇到两种冷启动场景：

新访客

首次来访者没有行为史。该算法没有什么可个性化的。解决方案：

• 回到精心策划的编辑精选（“员工精选”、“新品”、“畅销书”）
• 使用流量来源中的 UTM 参数来推断意图 - 来自 Facebook 瑜伽设备广告的访问者可能想要瑜伽产品
• 明确提问：一个问题“您今天要买什么？”覆盖 4-6 个类别选项可立即为推荐引擎提供信息

新产品

没有购买历史记录的产品不能出现在协同过滤结果中。解决方案：

• 使用基于内容的匹配来查找相似的既定产品，并将新产品与它们一起展示
• 在前 30 天内通过 Shopify 的搜索和发现应用手动建立“经常一起购买”的关系
• 将新产品推广到“新品”小部件（策划的，非算法的），直到累积 50 次以上的浏览量

---

隐私和合规性注意事项

人工智能建议需要收集行为数据。您的合规义务：

GDPR（欧盟）：如果您要收集 Cookie 或设备标识符，则个性化行为跟踪需要明确同意。您的同意横幅必须准确地将推荐个性化描述为数据用例。 Rebuy、LimeSpot 和 Nosto 等工具都发布了符合 GDPR 的数据处理协议。

CCPA（加利福尼亚州）：客户有权选择不“出售”个人数据。与第三方推荐工具共享行为数据可能符合资格。仔细审查您的数据处理协议，并根据需要实施“请勿出售我的个人信息”链接。

弃用 Cookie：Chrome 的第三方 Cookie 更改加速了第一方数据的价值。通过您自己的 Shopify 商店像素收集的行为数据（与客户帐户绑定）比基于 cookie 的跟踪更持久。鼓励创建帐户以建立更强大的行为档案。

---

高级细分：超越“适用于所有人的一种算法”

按客户生命周期阶段划分的高性能推荐策略：

大多数第三方推荐引擎通过自己的分段工具或通过 Klaviyo/Segment 集成支持分段级别配置。

---

常见问题

在人工智能建议发挥作用之前，我需要多少行为数据？

为了使协同过滤有意义地发挥作用，您通常需要 1,000 多个购买事件。低于该阈值，请使用基于内容的匹配（产品相似性）和手动策划的畅销书列表。大多数 Shopify 商店在稳定流量的 3 至 6 个月内达到协同过滤阈值。

Shopify 的原生搜索和发现应用程序是否足够，或者我是否需要第三方工具？

本机应用程序非常适合年收入低于 50 万美元且目录简单的商店。一旦您需要行为细分、A/B 测试、售后追加销售或电子邮件源集成，Rebuy 或 Nosto 等第三方工具可提供明显更好的结果。每月大约 200 多个订单的投资回报率通常证明工具成本是合理的。

如果配置不当，AI 推荐会影响转化吗？

是的。不相关的推荐（在猫玩具页面上显示狗粮）会造成认知摩擦，并可能降低转化率。过于激进的追加销售弹出窗口会增加跳出率。最常见的错误是显示太多建议——几乎在每个 A/B 测试中，有 3-4 个项目的表现优于 8-12 个项目。

如何防止推荐显示缺货产品？

每个主要的推荐工具都与 Shopify 实时库存同步。在工具设置中启用此功能 - 它通常是一个标有“隐藏缺货产品”或“库存感知建议”的切换开关。通过暂时将产品脱销并确认它在 5-10 分钟内从推荐小部件中消失来验证其是否有效。

从实施到可衡量的投资回报率的预期时间表是多少？

预计需要 4-6 周才能获得具有统计意义的 A/B 测试结果。初始 AOV 提升通常在 2 周内可见，但不要根据早期数据进行优化。允许 30-45 天的数据收集时间，然后再运行 30 天的正式 A/B 测试，然后得出结论或更改配置。

推荐适用于 B2B Shopify 商店吗？

是的，有调整。 B2B 买家经常批量采购并已建立产品清单。不要关注“经常一起购买”，而是关注“重新订购”提示、“您所在行业的其他客户购买过”和“数量折扣级别”建议。 Rebuy 和 Nosto 都支持 B2B 特定的推荐规则。

---

后续步骤

正确实施 AI 产品推荐需要的不仅仅是安装应用程序，还需要一致的数据策略、深思熟虑的 A/B 测试基础设施以及持续的销售监督。 5% AOV 提升和 25% AOV 提升之间的差异几乎完全在于实施质量。

ECOSIRE 的 Shopify AI 自动化服务 涵盖端到端推荐引擎实施：工具选择、配置、A/B 测试设置、细分策略和持续性能优化。我们与所有收入层级的 Shopify 商家合作，从 DTC 品牌到 Shopify Plus 企业帐户。

与我们的 Shopify 团队联系，获取根据您的目录大小和流量量身定制的推荐引擎审核和实施路线图。