我国网络购物用户规模8.12亿占网民整体80.3%（来源：中商产业研究院）。由此可见，网络购物逐渐成为人们普遍选择的一种消费方式。作为连接买卖双方的服务方，电商平台掌握了海量的用户数据，用户数据作为一种宝贵的资源支撑和优化企业的经营决策。本文将以“淘宝”为例，探讨淘宝app如何利用用户数据实现基于个性化推荐的精准营销。淘宝API接口包含多种类型，各方各面的数据应用，如淘宝商品页详情的数据，价格，SKU，规格，主图，描述，商品上下架，热销商品等。

多种手段全面“榨取”用户信息

1． 用户信息类型的全面性

淘宝所收集的用户信息类型[1]包括：

(1) 基本信息：包括个人姓名、性别、出生年月、家庭住址、单位地址、个人电话号码、电子邮箱、邮编、创建用户名和密码等等；

(2) 身份信息：包括身份证、驾驶证、护照、军官证等等；

(3) 订单信息：包括购买人和收货人名称、收货地址、收货人电话号码等等与订购相关的任何信息；在交付货物文件上的签名；网站账户与账户信息等等；

(4) 位置信息：包括行程信息、定位信息、住宿信息等等；

(5) 支付信息：包括订单支付详情、支付方式等；

(6) 财务信息：包括银行卡、交易和消费记录、以及账户余额、优惠券等等；

(7) 日志信息：包括 IP 地址、浏览器的类型、网站浏览记录、软件使用记录、点击记录、使用的语言、访问日期和时间等；

(8) 设备信息：包括硬件型号、设备地址、操作系统类型等等；

(9) 来自第三方的信息：从网站关联方、合作伙伴及其他独立第三方来源获取的关于用户的个人信息。

2． 收集手段的多样性

通过阅读淘宝的《隐私权政策》，可以总结出以下几种淘宝收集用户信息的主要方式：

(1) 用户为顺利达成交易而主动提供：包括基本信息、身份信息等；

(2) 用户完成购物行为后系统自动生成：包括订单信息、支付信息等；

(3) 利用cookie追踪技术收集用户日志信息：包括用户的浏览及搜索行为信息等；

(4) 嵌入SDK（软件工具开发包）以收集用户的设备信息；

(5)从网站关联方、合作伙伴及其他独立第三方来源获取关于用户的个人信息。

投放程序化广告和算法推荐广告，实现精准营销

1.  与第三方app达成战略合作，站外投放程序化广告

程序化广告是指广告主通过数字平台从受众的匹配的角度由程序自动化完成展示类广告的采买和投放，并实时反馈投放分析的一种广告投放方式，实现了整个数字广告的自动化[2]。例如，你在淘宝看了一个耳机的商品，关闭淘宝后登录抖音浏览短视频，一段时间后你在抖音上接收到了一条关于耳机的广告推送，刚好是之前在淘宝看到的那条。这便是一条程序化广告。

程序化广告运作流程[3]

DMP架构图[3]

下面用通俗易懂的话来解释程序化广告的运作流程。

当我们在抖音浏览视频时，抖音会不时推送广告，我们假设该广告是实时竞价广告。当我们刷到这个广告位时，抖音通过广告实时交易平台（ADX）同时向N个平台发送消息，告知有可出售的广告位，请各个需求方平台（DSP）参与竞价。

抖音在发送消息时携带用户信息，用户信息有唯一的广告标识符。淘宝在收到消息时，以此广告标识符与自身数据管理平台（DMP）内的用户画像进行核对，发现该用户存在且与平台某种产品的匹配度很高，则会出高价购买该广告位，赢得该广告位该次广告的展示权。然后，将需要投放的商品信息广告内容返回给抖音。最终，抖音将此条广告精准推送给用户。程序化广告的投放机制较无差别投放的传统广告而言，真正实现了“只把广告投放给对的人”，大大提升了广告主的营销效率和广告效果。

除此之外，抖音赶上“直播带货”的热潮，与淘宝达成战略合作，开通商品一键直达淘宝的功能，这无疑大大促成了淘宝的成交量。

2.  “榨干”用户数据全部价值，站内投放算法推荐广告

网购平台中商品不计其数，用户的特点与偏好各不相同，要实现精准营销，必须展现符合他们个性化需求的商品。用户使用淘宝app过程中会产生浏览、购买等行为，这些行为会被淘宝记录，进一步对这些数据进行分析，从中得知消费者的购物喜好、时间偏好、购物习惯等信息进而进行个性化算法推荐广告的投放。

例如，今年“双十一”淘宝推出的一键分享购物车功能背后就是由推荐算法支撑，即找到与目标用户A购物喜好相似的用户B，将用户B分享的购物车内容推送至目标用户A功能界面，帮助用户A找到消费目标，进而刺激其消费。

“双十一”一键分享购物车功能界面

网购平台最常用的经典个性化推荐算法有协同过滤、基于关联规则的推荐和基于内容/知识的推荐和混合推荐[4]。

（一）协同过滤

协同过滤的核心思想是根据与目标用户的兴趣偏好相似的最近邻的偏好来进行推荐。下面主要介绍基于用户的协同过滤和基于项目的协同过滤。

基于用户的协同过滤先找出k个与目标用户相似的用户，再根据预测模型对相似用户喜欢的物品进行评分，然后过滤掉目标用户已经消费过的物品，最后将剩余物品按照预测评分排序，选取评分最高的前n个物品进行推荐。假设现在有甲、乙、丙三位用户，甲喜欢商品 A、B、C，乙喜欢商品 D，丙喜欢商品 B、C，那么算法会觉得甲和丙两位的用户喜好比较相似，然后将商品 A 推荐给用户丙。

基于项目的协同过滤是业界应用最广的推荐算法之一，它通过计算项目间两两的相似性，然后目标用户对某个项目的评分可以根据其对相似项目的评分来预测，之后再对预测评分进行排序，选取评分最高的前n个商品进行推荐。也就是说，与用户喜欢的商品相似的产品他可能也会喜欢。

（二）基于关联规则的推荐

通过分析用户历史购物篮中的商品集合，找到商品之间关联关系的关联算法，根据商品之间的关系，找出顾客的购买行为，进而在用户下一次购物时推荐与其喜欢的商品相关联的商品，这便是基于关联规则的推荐算法。

（三）基于内容/知识的推荐

基于内容/知识的推荐算法是根据历史信息（如评价、分享、收藏的文档）构造用户偏好文档，计算推荐项目与用户偏好文档的相似度，将最相似的项目推荐给用户。算法根据用户浏览记录、商品评价、购物车或收藏夹中宝贝等，推断用户需求和爱好，向用户推荐相关商品。比如我们在淘宝浏览完一些商品后关闭平台，当我们再次打开时就会发现，首页的“淘宝头条”向我们呈现的都是与之前浏览过的商品相类似的商品。

（四）混合推荐

混合推荐是通过加权、变换、混合、特征组合和层叠等方式将多个算法技术融合计算和推荐，弥补单一算法的缺陷，从而获得更优的推荐效果。混合推荐算法是为解决单一推荐算法所存在的问题而提出的。如协同过滤推荐算法、基于内容的推荐算法和基于上下文感知推荐算法等均存在各自的局限性，而混合推荐算法可以将单个或多个推荐算法通过某种方法进行融合以达到取长补短的推荐效果[5]。

结语

综上所述，无论是程序化广告还是算法推荐广告，都是先对一定的用户数据进行挖掘、分析，然后再向用户进行商品推荐。所以，用户数据对于网购平台来说至关重要。可以预见，未来很长一段时间，以用户数据为导向的营销手段都将是电商平台提升业绩的财富密码。