这些策略增强（或减少）给予每个用户的提示，并允许营销人员为他们想要接触的受众定制最佳信息。现代推荐系统允许营销人员选择适当的策略/过滤器来呈现推荐。您还可以设置“排除最近购买的商品”或“仅定位评级最高为 25 波兰兹罗提的产品”等规则来限制显示的产品。 还有一些适合特定站点的策略。例如，“一起查看”非常适合产品页面，因为它指的是已经展示的产品。“一起购买”适用于购物车页面，尤其是在用户将产品添加到购物车后。
连接上下文和意图
购买意愿低的用户通常是无法识别的新用户、来自搜索引擎或社交 购买电话营销通话清单 媒体的用户以及使用移动设备的用户。 具有中等购买意向的用户通常是可识别的重复访问者，他们直接或通过电子邮件活动访问网站并从台式计算机访问网站。 具有高购买意愿的用户过去曾进行过购买、将产品添加到购物车或直接在网站上搜索过产品。 这些意图级别分类反映在每个营销人员选择测试的策略和规则中。例如，对于购买意愿较低的用户，“一起搜索”策略可以鼓励他们发现和了解更多产品。另一方面，对于购买动机较高的用户，例如曾经购买过的用户，“一起购买”策略更适合。
数据和推荐系统
为了有效地实施推荐，需要系统自动捕获的隐式和显式数据来识别应 卡塞诺数据 向每个推荐用户显示的产品。推荐引擎可以收集每个用户的在线行为数据；网站收集自己的数据，但也可能使用外部来源的数据，例如 CRM 和线下购买数据。推荐系统拥有的数据越多，其定位策略就越强大。 用户数据类型 有效的工作建议需要访问以下类型的用户数据： 位置数据：用户所在的国家、地区、城市等 技术数据：设备类型、浏览器类型、操作系统等信息 人口统计数据——性别、年龄、婚姻状况等。