电子商务网站销售排行榜设计思考

2012-05-17 09:00637

在当当上买书，买了自己想要的书后，想再挑选几本其他领域（例如银行会计学原理）的经典图书看看。对于自己熟悉领域内的图书挑选相对容易，基本上通过朋友间推荐、Blog、Twitter、SNS、专业论坛等的口碑方式较容易得知那些图书被大家所推荐。但对于自己并不熟悉领域的图书的优劣就无从判定了。通过豆瓣、关联推荐、关键词搜索等方式找了半天也没找到合适的图书，闲逛时候方向了当当的“当当榜”，使用了一下，效果还不错，找到了几本不错的图书。

一般来说，我对图书的选购都是通过如下一些方法：

1）、标签/关键词搜索法：如果知道内容的标签/关键词，则在当当、亚马逊、豆瓣上以关键词进行搜索，然后在搜索结果中一条一条遍历，根据评分、评价内容等来判定是否值得购买。

2）、关联推荐法：通过豆瓣/当当、亚马逊上图书的相关推荐来查找

3）、分类遍历浏览法：如果不知道明确的标签或关键词，则通过当当、亚马逊分类浏览方式进行遍历查看，然后结合评分、点评内容来决定是否值得购买。

4）、Web2.0 新媒体法：通过搜索引擎、Twitter、专业论坛、SNS社区以及业务专业人士的Blog等方式，看那些图书被极力推荐。

5）、销售榜单法：查看各大网站的销售排行榜单，看那些图书是热销的、评分高的等

当然这些方法并非完全独立的，各种方法之间很多时候是结合使用的。

相对于其他方法的优缺点有众多人专业人士在长篇累牍地讨论，销售排行榜的设计问题很少有人谈及，很值得深入思考和讨论，因此记录一下不成体系的思考。

1、销售排放榜作用

1）、展现网站精品，帮助用户决策

2）、体现流行趋势，引导用户消费

3）、作为运营指标，优化运营效率

2、榜单设计

在几大电子商务网站中，只有当当把排行榜单独出来放在一级导航菜单，并且在排行榜分类上也更多层次、多维度，而其他的网站的排行榜基本上只是简单的分类销售排行榜或是根本没有排行榜概念。或许这些网站觉得销售排行榜毫无价值，没必要像当当那样投入大量精力去优化这一部分的用户体验。

对我而言，“当当榜”还是挺有用的，通过“当当榜”我发掘了几本不错的图书。相对于以前原封不动抄袭亚马逊而言，当当的这一“原创”做法还是值得称赞的。

下图是粗略的“当当榜”的结构。

2.1、榜单设计标准

怎样设计一个好的榜单不是我关心的内容，我比较感兴趣的是：一个好的榜单设计的标准应该是怎样的呢？

个人觉得，一个好的榜单的标准应该是：多维度、多层次展现网站产品的精品内容，帮助用户快速挖掘出有价值的产品

多维度

所谓多维度是指榜单应当从多个维度来描述榜单产品的内容，满足用户多视角对比需求，包括：

1）、时间序列：以不同时间段形式来展现榜单内容，或是不分时间段（累计榜）形式来展现

2）、Web2.0元素：包括用户评分、收藏数、搜索数、点击数、标签（tag）、用户群、分享数、评论数等

3）、销售量

4）、产品类别

5）、趋势

6）、产品组合

7）、专题

8）、地域

等等

多层次

所谓多层次是指榜单的展现应该以层次化的形式逐级细化，符合用户由粗到细、由总到分的浏览习惯。

例如“当当榜”的五星图书榜->历史类->累计榜->TOP50

整体说来，按照我这标准当当榜做得还是不错的。

2.2、用户体验及产品设计

只不过在产品设计及用户体验上，“当当榜”尚有许多值得改进的地方，例如：

1）、各榜单内容只是在“当当榜”才有入口，其实如果各产品详情页面左侧的推荐栏中能够放入当当榜的内容，对于促成用户决策还是很有帮助的。

2）、“当当榜”如果能够与诸如各大出版社联合发布图书排行榜，进而成为业内权威的排行榜，对于当当而言也是一种宝贵的品牌资源。

3）、在目前的EDM中有“当当榜”的链接，但对于大部分人并没有太大感觉，可以在EDM中根据用户兴趣突出“当当榜”对应推荐内容

4）、“当当榜”可以适当采用一些图形化的形式来展现相关的趋势，这比数字更加直观明了。

2.3、系统榜单 VS. 用户榜单

目前“当当榜”的榜单内容应该是通过OLAP方式由系统根据模型汇总统计出来的，这种方式姑且叫“系统榜单”。系统榜单更擅长反应系统以往及当下销售的热点产品，在用户互动上并不是很强。

由于电子商务与社区结合是一种趋势，因此如果能够结合社区活动，以专题、投票、小组等形式推出用户自定义榜单，例如“产品经理必读的十大图书”、“架构师必读的十大图书”等，对于活跃社区气氛、加强与用户互动、促进用户购买还是很有意义的。这一点可以学习Twitter lists的设计理念。

2.4、榜单与推荐系统

榜单与推荐系统本身并不矛盾，两者的目标都是帮助用户发掘有价值的资源。原来在研究推荐引擎时候一直关注推荐引擎的关联算法、协同过滤算法等机器算法，其实榜单内容既可以作为推荐数据源之一，也可以一定程度上缓解推荐算法的“冷启动”等问题。