它既是一门艺术，也是一门科学。典型的研究领域围绕市场篮子分析（也称为亲和力分析），这是数据挖掘领域的子集。这种系统中的典型组件包括主驾驶员项目的标识和亲和力项目的标识（附件加售，交叉销售）。
请记住，他们必须挖掘的数据源…
- 购买的购物车=来自真实人在真实物品上花费的真实钱=强大的数据及其大量。
- 物品已添加到购物车，但被放弃了。
- 在线定价实验（A / B测试等），他们以不同的价格提供相同的产品并查看结果
- 包装实验（A / B测试等），在这些实验中，他们以不同的“组合”提供不同的产品，或打折各种商品组合
- 愿望清单-专门针对您的内容-总体而言，它可以像其他购物篮分析数据流一样对待
- 推荐网站（识别您来自何处可以提示其他感兴趣的项目）
- 停留时间（您单击返回并选择其他项目之前的时间）
- 您或您社交网络/购买圈子中的人的评分-如果您对自己喜欢的事物进行评分，您将获得更多您喜欢的事物，并且如果您单击“我已经拥有”按钮进行确认，他们会为您创建一个非常完整的个人资料
- 人口统计信息（您的送货地址等）-他们知道您的孩子，您自己，您的配偶等在您的一般地区受欢迎的信息。
- 用户细分=您是否在不同月份为幼儿购买了三本书？可能有一个孩子或更多..等等
- 直销点击率数据-您是否从他们那里收到电子邮件并点击了？他们知道这是哪封电子邮件，您单击了什么，以及是否因此购买了它。
- 会话中的点击路径-您查看了什么，无论它是否放入购物车
- 最终购买商品前浏览商品的次数
- 如果您与实体店打交道，他们可能还会有您的实际购买历史记录（例如，玩具或我们在网上的东西以及实体商店）
- 等等等等等等
幸运的是，人们的行为举止相似，因此，他们对总体上的购买人口了解得越多，他们就会知道将卖和不卖什么，并且每笔交易和每一个评级/愿望清单的添加/浏览都使他们知道如何更个性化地制定建议。请记住，这可能只是推荐结果的全部影响的一小部分，等等。
现在，我对亚马逊的业务方式一无所知（从来没有在那里工作过），而我所要做的只是谈论解决在线商务问题的经典方法-
我曾经是负责Microsoft数据挖掘和分析的项目经理。产品称为Commerce Server。我们在Commerce
Server中提供了使人们能够构建具有类似功能的网站的工具.....但是销量越大，数据越好，模型越好-
亚马逊是巨大的。我只能想象在一个商业驱动的站点中使用具有这么多数据的模型是多么有趣。现在，这些算法中的许多算法（例如始于商务服务器的预测器）已经直接在Microsoft
SQL中运行。
您应该拥有的四个主要方法是：
- 亚马逊（或任何零售商）正在查看大量交易和大量人员的汇总数据……这使他们甚至可以为网站上的匿名用户提供很好的推荐。
- 亚马逊（或任何经验丰富的零售商）将跟踪已登录用户的行为和购买情况，并使用这些信息在海量汇总数据的基础上进一步完善。
- 通常，有一种方法可以过度使用累积的数据，并对特定行业的产品经理（例如拥有“数码相机”垂直行业或“浪漫小说”垂直行业或类似行业的人）“建议”控制，是专家
- 经常会有促销交易（例如，索尼，松下，尼康，佳能，冲刺或Verizon向零售商支付额外的钱，或者在较大数量或其他种类的商品中提供更好的折扣），这将导致某些“建议”上升到最高的频率比其他最高的频率更高-在此背后总有一些合理的业务逻辑和商业原因，旨在使每笔交易更多或降低批发成本等。
在实际执行方面？几乎所有大型在线系统都可以归结为一系列管道（或过滤模式实现或工作流等，您称其为“您将要说的”），这些管道允许由一系列应用某种形式的模块的上下文进行评估。商业逻辑。
通常，页面上的每个单独的任务都会与一个不同的管道相关联-
您可能有一个建议“包装/加售”的管道（例如，与您要查看的商品一起购买），另一个有“替代”的管道（即，购买）而不是您正在查看的东西），另一个从您的愿望清单中拉出最紧密相关的商品（按产品类别或类似商品）。
这些流水线的结果可以放置在页面的各个部分（滚动条上方，滚动下方，左侧，右侧，不同的字体，不同大小的图像等）上，并进行测试以查看执行结果最好。由于您使用的是易于使用的即插即用模块，这些模块定义了这些管道的业务逻辑，因此最终在道德上等同于乐高积木，这使得在构建另一个管道时可以轻松地从想要应用的业务逻辑中进行选择。这样可以加快创新速度，进行更多实验，并最终获得更高的利润。
有没有帮助？希望能给您一点点了解，这对于几乎所有电子商务网站-
不仅仅是亚马逊来说，通常是如何工作的。亚马逊（从与在那工作的朋友交谈）非常依赖数据，并不断衡量其用户体验的有效性以及价格，促销，包装等。它们是一家非常成熟的在线零售商，很可能处于领先地位他们使用了许多算法来优化利润-
那些可能是专有秘密（您知道像肯德基秘密香料的配方）并且因此而被保证。
