TapCub 正式上线:统计、分析、客服一个平台免费用
增长与运营

个性化购物体验:三个层次、所需数据和衡量方法

个性化购物体验是店铺根据每位购物者做过的事,改变展示的内容。了解三个层次、各自需要的数据、带显著性检验的算例,以及隐私的边界。

艾玛·柯林斯 发布于 2026 年 11 月 19 日 10 分钟阅读 增长与运营
示例数据:每组 5,000 次会话,225 对 190 个订单,相对提升 18.4%,值 868 美元毛利,但 z 值 1.75(p ≈ 0.08)意味着每组还需要约 12,700 次会话才能确定。示例数据

个性化购物体验,是店铺根据谁在看、做过什么,改变展示什么和展示的顺序。它的效果取决于你对行为的理解:购物者浏览了什么、加购了什么、复购了什么,决定了该展示什么。下面讲从简单规则到个人推荐的三个层次、各自需要的数据、一个可复算的测试,以及隐私的限制。

读完你会知道

  • 先做上下文规则和分群;商品层面的推荐需要小店铺没有的购买历史
  • 用同期对照组测试并检查显著性:每组 5,000 次会话的 18.4% 提升还不能下结论(p ≈ 0.08)
  • 用你能向购物者解释的第一方行为数据,并尊重对画像的反对

什么算个性化购物体验?

个性化购物体验,是指店铺根据谁在看、做过什么,改变展示什么、按什么顺序、带什么信息。浏览过跑鞋的回访者,先看到跑鞋;从礼物指南活动进来的新访客,先看到礼品系列。商品本身没有变,变的是选择和顺序。

有三个常被混在一起的概念,值得分开:

  • 分群把购物者分成组,每组同样对待(例如 90 天没下单的客户)。见客户细分分析。
  • 个性化用你已知的信息,为一个群体或一个人改变体验。
  • 超个性化用机器学习实时地、一次针对一位购物者、综合许多信号来做。这部分在超个性化里讲;本文是它之前的一步,对多数店铺来说,这一步才真正有回报。

本文的核心观点:个性化的效果,取决于你对行为的理解有多清楚。 如果你说不清人们浏览了什么、加购了什么、复购了什么,就无法决定推荐什么,任何工具都帮不了你。

个性化有哪三个层次?

多数店铺可以在一个下午从最基础的层次做起,并且要先把前面的做好,才有资格去碰最后一层。每一层比前一层需要更多数据,也要更小心。

层次改变什么需要什么数据投入主要风险
上下文规则币种、语言、配送提示、按设备显示的横幅、新访客与回访者位置、设备、访客是否来过几小时对位置或语言猜错
分群层按冠军、有风险的买家等分组定制首页模块、邮件、优惠或信息订单历史、品类浏览、来源几天到几周分群太粗,没有意义
个人层为每位购物者推荐和排序商品每个人在商品层面的浏览、加购和购买几周到几个月,通常需要专门工具过度个性化;新用户数据太薄

选择的经验规则:如果每月订单不到几百单,就留在前两层。商品层面的推荐需要足够的购买历史才能找到规律,低于这个量级,每个品类的畅销榜表现差不多,还不用维护。每一层要问的问题都一样:关于这位购物者,我今天已经知道什么、能据此做什么?

层次改变什么需要的数据主要风险
上下文规则币种、语言、按设备的横幅位置、设备、新访客或回访者猜错
分群层按组定制模块、邮件或优惠订单历史、品类浏览分群太粗
个人层为每位购物者推荐商品层面的浏览、加购、购买过度个性化、数据太薄

每月订单不到几百单时,留在前两层。

个性化究竟需要什么数据?

先从第一方行为数据开始,也就是购物者在你自己店里做的事。它比人口属性更相关,也不依赖第三方。不必用上全部信号,挑你能据此行动的。

信号来源能拿来做什么要注意
浏览的页面和品类页面浏览下次访问时展示他们看过的品类敏感品类不要用浏览信号
站内搜索词搜索事件调整结果顺序;修复无结果的搜索搜索文本可能含个人信息
加购、移出购物车事件提醒;隐藏已买的商品别提醒正在结账的人
购买历史订单最近、频次、消费分组;补货时机只适用于已登录或已识别的客户
来源和活动UTM、来源页让落地页信息和活动一致不要过度迎合某一个活动
设备和国家浏览器数据版式、语言、币种、配送限于访客预期之内
客服对话聊天找出反复出现的问题,放到页面上回答分析时不带个人细节

衡量方面,电商分析讲了整个店铺该追踪哪些事件。这里有一个限制很重要:匿名访客没有可以跨设备使用的历史,所以基于购买的个性化,只有在购物者登录或结账之后才能做。

算例:个性化模块真的能提升订单吗?

示例数据:一家店给回访者展示「接着上次看」模块,内容是他们最近浏览的品类。上线之前,它把一个月里 10,000 次回访会话随机分成相等的两组,每组 5,000,追踪订单。所有数字都是虚构的。

分组会话订单转化率
展示模块5,000225225 ÷ 5,000 = 4.5%
不展示5,000190190 ÷ 5,000 = 3.8%
  • 相对提升:4.5% ÷ 3.8% − 1 = 18.4%
  • 测试中多出的订单:225 − 190 = 35
  • 平均订单金额 62 美元、毛利率 40%:35 × 62 美元 × 40% = 每 5,000 次会话多出 868 美元 毛利

先别庆祝,要检查这个差距是不是比随机波动更大。每组 5,000 次会话时,标准的两比例检验得到 z 值约 1.75,p 值约 0.08。这是有提示、但在通常的 5% 水平上还不能下结论。要以 80% 的检验力发现这么大的差别(3.8% 对 4.5%),每组大约需要 12,700 次会话,所以这个测试大约还需要两倍半的流量,才能做决定。

由此得出三点:

  • 小测试里看到的提升,是继续测试的理由,不是上线后就不再衡量的理由。
  • 换算成钱是每 5,000 次会话 868 美元,所以每月 10,000 次回访会话约 1,736 美元毛利,这还没扣工具成本和维护时间。
  • 如果这个模块是对所有人展示、再和上个月对比,18.4% 里就混进了季节性。有一个同期对照组,这个数字才可信。
app.tapcub.com

转化率:展示模块与不展示

示例月份,每组 5,000 次会话
展示模块4.5%
不展示3.8%
示例数据
示例数据:每组 5,000 次会话,225 对 190 个订单,相对提升 18.4%,值 868 美元毛利,但 z 值 1.75(p ≈ 0.08)意味着每组还需要约 12,700 次会话才能确定。

哪个分群该用哪种处理?

分群层正是 RFM(最近一次购买、购买频次、消费金额)分群发挥作用的地方。它按每个客户最近何时买、买得多频繁、花了多少来排名并分组,评分方法见 RFM。然后按组决定处理方式,而不是对所有人发同一条信息。

分群他们是谁可以试的处理不要做
冠军最近买过、买得多、花得多提前体验、新品优先给他们不需要的折扣
忠诚定期购买补货提醒、会员福利信息过多
新客刚完成首次购买引导:保养、使用、第二次购买的建议一下子推太多促销
将沉睡购买在变慢展示他们之前看过的商品、一条提醒马上给大折扣
有风险以前常买、现在沉默带着回来理由的召回信息假装什么都没发生
沉睡长期不活跃低成本唤醒一次,然后停止频繁发邮件

这些处理只是可以测试的起点,并不保证有效;这张表之所以有用,是因为每一行都写明了这类购物者有什么不同,行动由此推出。

怎样个性化而不越界?

当购物者看不出为什么被展示某样东西时,个性化就不再有用,开始让人觉得被冒犯。几条可行的规则:

  • 只用购物者预期你知道的信息。 展示他们昨天看过的那件外套没问题;提到他们在私下聊天里说过的事就不行。
  • 敏感品类不要用。 健康、金融等话题要格外小心;不要从浏览行为里推断。
  • 让关闭变得容易。 按欧盟法律,个人有权反对用于直接营销的画像,一旦反对你就必须停止(GDPR 第 21 条第 2 款和第 3 款)。这适用于营销邮件和基于画像的优惠。
  • 优先用第一方数据。 那是你自己采集的、用途购物者能理解的数据。
  • 不要过度个性化。 如果每个模块每次访问都变,购物者就没法两次找到同一样东西。保持导航稳定,在其中个性化选择。

以上是一般性信息,不是法律意见;规则取决于你的购物者在哪里。

哪些错误会让个性化失败?

  • 一上来就做个人层。 在还没有上下文规则和干净的事件设置之前就买推荐引擎,你得到的是一个昂贵的畅销榜。
  • 只按人口属性个性化。 年龄或位置很难说明一个人现在想要什么;浏览和购买的内容说明得多。
  • 没有同期对照组。 没有对照组,数字里的提升会把季节性和活动混在一起。
  • 太早解读提升。 上面的算例里 18.4% 还不显著。
  • 推荐购物者已经买过的商品。 隐藏已购商品,消耗品除外,那里时机才是重点。
  • 忘了新访客和匿名访客。 多数流量没有历史;给他们一个好的默认,而不是空位。

怎样在 TapCub 里建立行为画像?

TapCub 不做店铺的个性化。它没有推荐引擎,不改变你页面展示的内容,不做 A/B 测试,也不发邮件。它展示个性化所依赖的行为,并衡量它有没有效果。下面是把上面的算例放进 TapCub 走一遍。

  1. 追踪购物事件。 确保商品浏览、加购和购买都已发送(见追踪电商购买)。用 tapcub.login 登录的访客会出现在 全端分析 › 用户 › 用户,有按天排列的浏览和购买时间线。
  2. 建立分群。 在 全端分析 › 用户 › 分群与标签 里,用你的购买事件和金额属性创建 RFM 分群。它每天刷新,把客户分成十个桶,从冠军到沉睡;步骤见跑 RFM 分析。匿名访客没有档案,所以不在分群里。
  3. 看分群的行为。 在 全端分析 › 行为分析 › 行为分析 里,把分群作为群组放进漏斗,看冠军和有风险的客户在哪里分叉,例如每个群组从品类页走到购买能走多远。
  4. 衡量测试。 在你自己的测试工具里做分流,把变体展示给其中一组。给订单事件带上 variant 这样的属性,然后在 全端分析 › 行为分析 › 行为分析 里比较两组的订单转化。TapCub 给出数字;样本量、显著性检验和毛利计算由你来做。
  5. 认清边界。 TapCub 不决定谁看到什么,不推荐商品,也不留出随机组。处理动作发生在你的店铺或邮件工具里;TapCub 是你查看它有没有改变数字的地方。

常见问题

什么是个性化购物体验?

它是店铺根据购物者是谁、做过什么,改变展示内容和顺序的体验。改变可以简单到换币种,也可以复杂到每人一套商品推荐。关键在于它基于你能向购物者解释清楚的信息。

个性化购物需要什么数据?

先从第一方行为开始:浏览的页面和品类、搜索、加购和购买历史,再加来源和设备。基于购买的个性化,需要购物者通过登录或结账被识别。用你今天能据此行动的信号,而不是你能采集到的全部信号。

个性化购物有什么好处?

做得好,商品更容易找到、信息更相关,可能提升转化和复购。McKinsey 报告称,超过 70% 的消费者把个性化当作基本期待。在你自己的店里,好处要像算例那样,对照一个对比组来衡量。

怎样个性化而不让人觉得被监视?

只用购物者预期你知道的信息,比如他们浏览过的商品,敏感品类不用,让退出变得容易。欧盟法律明确规定了反对用于直接营销的画像的权利。如果你没法向购物者解释为什么他们会看到某样东西,就不要展示。

怎么衡量个性化有没有效果?

在同一时期,把看到个性化体验的购物者和相似但没看到的一组对比,比较订单和毛利,而不是点击。上线前先检查差距是否比随机波动大,上线后保留一个小的留出组继续运行。

另见:网站个性化步骤:从分群到量出提升。

资料来源

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

艾玛·柯林斯

产品分析师

聚焦事件分析、转化漏斗与用户留存,用清晰的指标定义和分析框架解释产品表现。

看清分群背后的行为

RFM 分群、用户时间线和按分群的漏斗,都在一个项目里。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie