首页

线下商场和互联网平台的用户画像更多的是对用户的人口属性和行为特征进行分析，从而提供更好的商品货架排列方式或更加精准的内容推送。

历史订单累计超过1000个的店铺，通过后台的订单报表对用户画像进行基础性分析的成功率比较高。

除了购物本身，买家还可以利用亚马逊提供的各类功能进行一定程度的社交，如留下Review和Feedback 进行提问和回复等。

完成价格时间分布分析与价格地区分布分析以后，卖家就可以开始分析用户价格敏感度了。价格敏感度是指用户对价格的接受程度，用户敏感度越高，越难接受高价商品;用户敏感度越低，越容易接受高价商品。

一般我们国内电商和互联网行业对用户画像了解较多，因为这些行业与用户联系十分密切，产品本身是建立在用户需求上的，卖家必须清晰地了解用户需求和产品品类之间的差异。只要解决好用户画像的问题，就可以获取更多的流量。

虽然产品画像也可以辅助卖家进行选品，但与用户画像不同，它更多的是从产品本身的属性出发，通过关联分析等方法挑选出成本合适且热销概率更高的产品。

产品画像的实质是通过数据化的方法，从产品本身的属性出发，更加全面地了解产品本身及市场状况，从而加强对服装类目的认知，摆脱经验化和数据化的局限。这种方法不仅可以帮助卖家提升选品能力，还能提升运营效率。

产品画像可以分为店铺产品画像和平台产品画像。因为卖家对店铺产品更熟悉，所以店铺产品画像的构建也比较容易，简单来讲就是通过记录店铺产品的类目、成本重量、历史销售和物流等信息，并且匹配前台的销售状况和链接的生命周期来构建。此时,卖家可以通过四象限分析法，对店铺不同产品的利润情况和其他因素进行对比从而为后期的运营工作提供借鉴。

服装类目产品的基础信息体系繁杂，不仅包含供应链端面料、工厂、货期、采购成本等信息，还包含销售端竞品数量、市场容量、生命周期、买家评价等信息。

亚马逊A9算法中很重要的一块是基于物品的协同过滤算法，简单来说就是将产品的特征进行匹配，将产品推送给浏览过类似产品的用户。