注：在網路購物中，關聯銷售是網路購物提升銷售的一個重要的方式。相比於傳統的線下零售商，網路銷售的“關聯銷售”方式更多，也更加強大。通常來說，主要有“誘惑”、“引導”、“理解”三種招數。下面就看看盧凱如何解析和試用這三大招數吧。
2012年出現了這麼一個網際網路專用詞：“剁手族”，意指“網購花錢太多，立誓再網購就剁手的人”。先不提剁手是不是真的能夠控制住網購習慣，只看網購可 以讓消費者上癮，正說明網購充分滿足了消費者的需求，消費者對於網購的黏性也非常高。網購讓消費者欲罷不能，除了價格公道、購買方便、選擇眾多以外，我覺 得網路平臺上“關聯銷售”的天然優勢，也是一個重要原因。
關聯銷售，簡單說就是引導客戶在購買商品時，一次性地購買多種。我自己前天在某網站購物時，本來只想購買一條長褲，最後的訂單中卻包括了一條長褲、一雙襪 子和一條內褲。這就是商家利用“關聯銷售”的方法，引導客戶購物的結果。相對於傳統零售渠道，網路銷售平臺在“關聯銷售”這一領域，可以玩的手段要多得 多，也強大得多，這裡主要講3種常用招數，歸納為“誘惑”、“引導”、“理解”。
招數1：誘惑——捆綁優惠
捆綁優惠是指，當消費者按照一定的規則，購買兩件及以上商品時才能享受到的優惠政策。
如上圖所示為易迅的“隨心配”模組，相機詳情頁中，顯示一系列的捆綁優惠，只有在同時購買相機與其套裝中設定的另外一件商品時，才能享受到價格折扣。類似的捆綁優惠在京東、天貓等處也可以見到。
捆綁優惠線上下渠道的使用也很常見，在超市中經常可以看到用黃色膠帶捆綁在一起打折銷售的商品組合。但是在網路平臺上，捆綁優惠能夠做得更好：
更直觀：以上面易迅網的“隨心配”為例，在一個不大的頁面上，兩件商品、折扣力度、最終價格都很明晰地展示了出來。而線上下渠道中，很難有這樣普遍性而直觀的方式，讓客戶瞭解到促銷的具體內容。
更靈活：仍以“隨心配”為例，可以看到對同一件商品，可以建立多種優惠套餐，消費者可以根據需要選擇購買。這樣的靈活度是線下很難達到的。
更快速：在網路平臺中，可以很快速地建立出多個捆綁優惠套餐，消費者馬上就能看到。例如：某廠家規定同時購買其生產的手機與藍芽耳機就能夠享受折扣。在網路平臺上可以在半小時之內完成這一優惠的建立，而線上下，拋開系統設定不說，人員的培訓、促銷展示的製作也往往會耗時數天。
捆綁優惠這一招數，吸引消費者的是“優惠”，而將商品捆綁一起強行推銷了出去。這一招可以歸納為：誘惑。
招數2：引導——相關搭配
搭配針對商品的自然屬性，理解商品之間的相互關係，依據這一相互關係，引導消費者購買更多的商品。
由於搭配是基於商品之間的自然關係，消費者買單的機率會高很多。以京東商城的“推薦配件”模組為例，對於手機類產品，在這一模組中可以看到京東商城推薦的 貼膜、保護套、電池、藍芽耳機、充電器、資料線、移動電源、車載配件、耳機等其他種類商品。所推薦的其他商品，從商品型別上看，是與手機能夠互相配合使用 的。
相對於線下渠道，網路平臺上搭配功能的主要優勢在於：
更廣泛：以上面京東商城的“推薦配件”模組為例，對一款手機，在這個模組中搭配出了10件其他的商品（如有必要還可以搭配更多），而這一模組可以應用於幾乎所有商品上。而線上下渠道中，限於物理展示空間，不可能做到如此的廣泛。
搭配這一招數，吸引消費者的是商品之間的自然關係，讓消費者覺得搭配的商品也能用得著。這一招可以歸納為：引導。
引導和搭配這兩招可以綜合使用，效果更好。例如前面舉例的易迅“隨心配”模組，既有低價的誘惑，又有商品配件關係的引導，消費者自然更加滿意。
引導和搭配這兩招是網路平臺從線下渠道繼承並強化的。與線下所施展的招數相比，雖然威力更大，但其本質相同。而這第三招“推薦”則是線上平臺所獨有，線下渠道是學也學不來的。
招數3：理解——智慧推薦
智慧推薦是當前被炒得很熱門的“大資料”的最常見應用形式之一，它對消費者在網路上的活動資料（包括瀏覽、購買、評價等）進行分析整理，判斷消費者的行為特徵，從而“智慧”地為消費者推薦商品。
Amazon的智慧推薦系統是為大家所熟知的，其首頁上沒有膏藥般的促銷資訊，而是會根據每一位訪問者的瀏覽記錄、購買記錄等為每一位消費者“個性化”生成推薦資訊。而在商品詳情頁（itemdetailpage）中，也會根據商品的被購買記錄計算出與其相關的商品。
On-lineFM站點也會使用智慧推薦演算法，向其聽眾推薦歌曲。例如豆瓣電臺，使用者對每一首歌都可以標記“喜歡”、“跳過”，而豆瓣電臺在播放下一首歌時，會基於聽眾之前對每一首歌的操作，推薦聽眾最可能喜歡的歌曲。
智慧推薦系統的演算法是當前“大資料”方向的研究熱點，粗略分其大類，有兩種：
第一類：基於內容的推薦
這類演算法是基於所分析資料的一系列不相關的特徵資料或者類似性質，尋找較高屬性相似度的資料。在計算時，需要對原始資料通過特徵提取的方法獲得物件內容特徵資料，系統基於使用者所操作物件的特徵提取使用者的興趣。
最著名的基於內容的推薦系統由PandoraRadio所使用。PandoraRadio的工作人員會為每一首歌從各個方面打上標籤（作曲、演唱、年代、 曲風等，據稱有上百個標籤），並且使用者的反饋也會對這些標籤的權重有所影響。而PandoraRadio則會依據這些標籤來為使用者推薦歌曲。
目前，這種基於內容的推薦系統使用範圍並不廣，這一系統的主要障礙在於特徵提取。以PandoraRadio為例，他們需要成立一個專門的團隊，負責聽每一首歌，並打上標籤。這樣的人力成本投入過高，且擴充套件性不夠。
第二類：協同過濾
協同過濾推薦是當前使用較多的技術，其基本思想非常易於理解，我覺得可以總結為“物以類聚，人以群分”，簡單來說就是類似的人喜歡類似的商品，而喜歡相似 商品的人，往往也有著一些共同點。網際網路上使用者的一舉一動，都可能被背後的計算機系統記錄下來，用作協同過濾分析的資料。
以一個比較簡單的例子來說明協同過濾的原理。下表為4個人對於6部電視劇的評價結果。可以看到，沒有任何兩個人的打分結果是一樣的，也沒有一部電視劇的得分結果是相同的。
但是，如果把某一位使用者的評分當作一個多維向量的話，我們就可以得到4個向量，並看作使用者的特徵。
Ben=[5,5,3,0,5,5]
Tom=[5,0,4,0,4,4]
John=[0,3,0,5,4,5]
Fred=[5,4,3,3,5,5]
在六維空間裡，這4個向量的夾角即代表了使用者的相似度，夾角越小，相似度越高。在例子來源處詳細介紹了利用矩陣的奇異值分解法計算向量相似度的方法，得到的結果如右上圖所示，可見Ben與Fred對電視劇的口味最為相似。
協同評價推薦系統的最大優點在於，計算機不需要真正地“理解”其所推薦的內容，而且是依賴於大量人群的互動資料。在這個資訊爆炸、計算機能力充足的時代，協同評價系統得到了非常廣泛的應用。但協同評價同樣有著一定的侷限性：
依賴於大量的資料，當資料量較少（新品）時，推薦精度不夠；
當前的推薦系統需要處理數以百萬計的客戶及商品，其計算量非常龐大，對於計算能力及演算法的要求非常高；
相對於數以百萬計的商品，大部分消費者的互動資料只會涉及其中不到1%的商品，也就意味著互動資料矩陣極為稀疏（99%以上為空），演算法設計困難。
不管是哪種推薦系統，依靠的都是豐富的消費者應用資料，並據此作出滿足消費者潛在隱性需求的推薦。可以說，相對於其他的關聯銷售方式，推薦系統能夠從某種程度上“理解”消費者的需求，因而也會受到越來越多的重視。
自：天下網商