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。
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 | 5,000 | 225 | 225 ÷ 5,000 = 4.5% |
| 不展示 | 5,000 | 190 | 190 ÷ 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。
转化率:展示模块与不展示
示例月份,每组 5,000 次会话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。
- 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。 - 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。
- 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。
- 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。 - 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
- McKinsey & Company。The value of getting personalization right—or wrong—is multiplying(2021 年)。超过 70% 的消费者把个性化当作基本期待。2026-11-19 对照搜索摘要核对。
- 欧盟。Regulation (EU) 2016/679(GDPR),第 21 条第 2 至 3 款:反对为直接营销(含画像)而处理数据的权利。核对于 2026-11-19。
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。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

