AB
AiBoss站
教程

Loomi

教程

用 Loomi AI 配置实时商品推荐:数据准备、规则设置与效果验证

面向电商与零售团队的实操教程:讲清 Loomi AI 实时商品推荐的三层架构、上线前需要准备的三类数据、推荐位与业务规则的配置方法、A/B 试点与指标基线测量流程,以及常见的数据质量与库存同步坑点。

Loomi AI 是 Bloomreach 的 AI 引擎,用来把电商站点上静态的「猜你喜欢」「买了又买」推荐位,换成基于实时行为数据、商品信息和业务规则动态生成的推荐结果。它适合商品数量多、渠道多、有清库存或推自有品牌诉求的零售与电商团队;如果目录很小、商品线高度专业、人工挑选已经够用,引入它的收益就有限。这篇教程按上线顺序讲清楚四件事:数据怎么准备、推荐位怎么配、规则怎么设、效果怎么验证。站内也有一个相关工具页可以参考:Loomi。

准备工作

Loomi AI 的推荐质量几乎完全取决于输入数据的干净程度。上线前需要把下面三类数据梳理清楚,缺哪一类,后面的规则配置都会打折扣。

客户数据

  • 用户 ID 与会话 ID,两者要能稳定关联,否则实时行为无法归到同一个人身上
  • 搜索查询词、页面浏览记录、购买历史
  • 客户分群与人群标签
  • 匿名首次访客的画像:没有登录、没有历史记录时,引擎仍需要基于当前会话行为给出推荐

商品数据

  • SKU、标题、描述、类目
  • 价格、毛利、库存状态
  • 商品属性:风格、颜色、版型、材质等,属性越结构化,语义相似度匹配越准
  • 商品图片

行为数据

  • 实时事件流:点击、搜索、加购、下单
  • 事件要带时间戳和会话标识,否则无法判断「当前正在看什么」

集成点

Loomi AI 原生对接的几类系统如下,接入前先确认自己用的是哪一类、走原生连接器还是 API:

系统类型可对接的对象
电商平台Shopify、Shopify Plus,以及通过 API 接入的自建平台
CDP 与 CRMSegment、mParticle、Treasure Data、Salesforce
分析工具Google Analytics、自建事件追踪
邮件与营销自动化Bloomreach Engagement、第三方平台

团队分工

这件事不是一个人能推完的,上线前把角色定下来:

  • 商品运营:配置业务规则、毛利优先级、季节性活动
  • 市场:把推荐结果铺到邮件、短信和各类营销活动中
  • 数据与分析:保证数据质量,监控推荐效果
  • 工程:接入 Loomi AI 的 API,维护数据管道
  • 电商运营:管理站点上各个推荐位的位置与展示

操作步骤

第一步:理解三层架构,确定每层要交付什么

Loomi AI 的工作方式可以拆成三层,配置工作也按这三层推进。

第一层:数据统一。引擎从电商平台、CDP、CRM 和分析工具中摄取客户数据,构建统一的购物者画像,内容包括实时会话行为(当前页面、搜索词、已浏览商品)、历史购买与浏览模式、人口属性与分群数据,以及匿名首次访客的画像。这一层的交付物是「每个访客都有一条可用的画像」,哪怕他是第一次来。

第二层:AI 处理。引擎用机器学习模型和大语言模型分析模式,识别出:经常一起购买的商品、相似顾客看过的商品、季节性与趋势信号、语义相似度。语义相似度这一项值得单独说明——它让「竖纹陶瓷花盆」和「肌理陶土盆」被识别为相近商品,而不是靠关键词硬匹配。

第三层:业务感知输出。引擎生成的推荐排序在相关性之外还要满足业务目标。商品运营可以施加的规则包括:优先高毛利商品、推自有品牌、清滞销库存、突出季节性系列、排除低库存商品。整个计算在毫秒级完成,所以推荐结果能随着顾客在站内的交互实时更新。

第二步:盘点适用场景,判断值不值得做

在投入集成之前,先对照下面几种情形判断自己的匹配度:

  • SKU 数量大:商品成千上万时收益最明显,因为引擎能自动发现人工规则发现不了的商品关联
  • 多渠道运营:需要在网站、邮件、短信、移动应用之间保持一致的推荐逻辑
  • 有库存驱动的目标:需要清积压、推自有品牌、管理季节性系列,同时还要做个性化
  • 以转化优化为核心:客单价提升直接改善盈利的品类,例如服饰、美妆、家居、食品杂货
  • 重视留存:订阅制或复购型业务,个性化推荐直接影响客户终身价值

反过来,商品目录很小、或者商品线高度专业、人工挑选已经足够精准的零售商,优先级可以往后放。

第三步:规划推荐位与对应的业务逻辑

推荐位不是越多越好,每个位置要有明确的意图。下面这张表是一套可以直接套用的配置框架,按「推荐类型 / 位置 / 业务逻辑」三列来定:

推荐类型位置业务逻辑
经常一起购买商品详情页(PDP)展示与当前浏览商品互补的品类,例如看牛仔裤时推荐腰带
为你推荐首页与邮件基于浏览历史和购买频次生成
相似商品商品详情页与搜索结果页匹配风格、颜色、版型等属性
趋势商品类目页展示高动销商品,同时给自有品牌留出毛利加权

配置时注意每个位置的意图不要重叠。商品详情页放「相似商品」是为了留住还在比较的顾客,放「经常一起购买」是为了拉高客单价,两者混在一起会让推荐结果失去方向。

第四步:设置业务规则

在推荐排序之上叠加业务约束,常见的有五类:

  1. 高毛利商品优先:在相关性接近的候选集里,把毛利更高的商品排前面
  2. 自有品牌加权:给自有品牌商品一个排序提升
  3. 清库存:对积压 SKU 提高曝光权重
  4. 季节性系列:在对应季节给特定系列加权
  5. 低库存排除:库存低于阈值的商品直接从推荐池中剔除,避免推荐出去却买不到

规则之间会互相冲突,例如「清库存」和「高毛利优先」可能指向不同商品。上线前先排好优先级,并在试点阶段观察实际排序结果是否符合预期。

第五步:建立基线并做试点

不要一上来就全量铺开。按下面的节奏推进:

  1. 测基线:上线前用 2 到 4 周记录当前各项指标的表现
  2. 小流量试点:把 Loomi AI 推荐先投放到一部分流量上,是否采用 A/B 测试方式可以按团队条件决定
  3. 逐周对比:前 8 周按周对比指标变化
  4. 调规则:根据哪些规则真正带来了收入,回头调整商品运营配置
  5. 全量:确认提升成立后,再扩到全部流量

第六步:确定要追踪的指标

指标分三组,建议在试点开始前就定好口径。

收入类

  • 平均订单金额(AOV):衡量推荐商品在购物车和结算环节带来的提升
  • 每位访客收入(RPV):衡量推荐对整体收入的影响
  • 转化率:观察推荐是否改善了结算完成率

互动类

  • 点击率(CTR):与推荐位产生交互的购物者比例
  • 加购率:推荐结果最终进入购物车的比例
  • 购买率:推荐结果最终成交的比例

留存类

  • 客户终身价值(CLTV):个性化推荐是否提高了复购频次
  • 复购率:推荐是否带来了回访
  • 邮件互动:由 Loomi AI 推荐驱动的邮件打开率与点击率

一个完整示例

下面用两个典型场景把上面的步骤串起来。这两个场景覆盖了「拉高客单价」和「拉动复购」两条主线,多数零售团队都能对号入座。

场景一:服饰品牌用交叉销售提升客单价

背景。一个中端服饰品牌在网站和移动端销售服装、配饰和鞋履。原来的「买了又买」推荐位对所有人展示同样的 10 个商品,不管顾客正在看什么。

问题表现。

  • 顾客在看男士夏季衬衫,推荐位里却是冬季外套
  • 搜索历史和推荐结果之间没有任何关联
  • 互补商品目录很大,但客单价一直没变化
  • 人工调整商品运营规则要花好几周

配置方案。按第三步的框架落地四个推荐位:商品详情页放「经常一起购买」,展示与当前商品互补的品类;首页和邮件放「为你推荐」,基于浏览历史与购买频次生成;商品详情页和搜索结果页放「相似商品」,匹配风格、颜色、版型;类目页放「趋势商品」,展示高动销商品并给自有品牌做毛利加权。

结果。推荐结果能随每个顾客的会话实时调整;交叉销售建议带来了更高的客单价;季节性和毛利导向的商品在符合顾客意图时排序更靠前;邮件活动复用同一套 AI 逻辑,跨渠道保持一致;商品运营团队花在人工规则更新上的时间减少了一半。

场景二:食品杂货配送用补货推荐拉动留存

背景。一家食品杂货配送服务商要面向复购客户推荐补货商品。

做法。系统追踪购买历史,估算顾客通常多久会再次购买某类消耗品,例如咖啡、意面、牛奶。顾客登录时,Loomi AI 在合适的补货窗口把顾客以前买过的商品推到前面。

结果。客单价提升,流失率下降。这个场景的关键在于「补货窗口」的估算要准:推得太早,顾客家里还有存货;推得太晚,顾客已经在别处下单了。

注意事项

数据质量是前置条件,不是上线后再补的事

三层架构里第一层出问题,后面两层都会失真。上线前先做一次数据审计:客户数据、商品目录、行为事件追踪三块分别检查完整性和一致性。商品属性缺失会让语义相似度匹配退化,事件缺时间戳会让实时推荐变成「猜」。

库存同步必须实时

推荐位把顾客带到缺货商品页,是这类系统最常见的体验事故。配置「排除低库存商品」规则的同时,确认库存状态的数据同步频率能跟上,否则规则拿到的是过期数据。

规则冲突要提前排优先级

清库存、推自有品牌、保毛利这三个目标经常指向不同商品。规则叠加后如果没人管优先级,排序结果会变得不可解释,商品运营也没法判断该调哪一条。

效果数字因业务而异

Bloomreach 公布的数据是客户通常能看到每位访客收入(RPV)提升 20%、商品运营时间减少 50%,但实际结果会随行业、目录规模和实施深度变化。不要把这个数字当成承诺,以自己的基线测量为准。具体功能、配额与价格请以官网当前信息为准。

试点范围要能代表整体

如果试点只投放在某一类目或某一个渠道,得出的结论未必能推广到全站。选择试点流量时,尽量让它覆盖主要的商品类型和顾客分群。

跨渠道一致性需要单独验证

网站、邮件、短信、移动应用共用同一套推荐逻辑是这套方案的价值之一,但各渠道的数据回流节奏不同。上线后要分别检查每个渠道的推荐结果是否真的同步更新,而不是只有网站端在动。