在电商网站里进行商品推荐，可以提高整个网站商品销售的有效转化率，增加商品销量。通过用户已经浏览、收藏、购买的记录，更精准地理解用户需求，对用户进行聚类、打标签，推荐用户感兴趣的商品，帮助用户快速找到需要的商品，适时放大需求，售卖更加多样化的商品。甚至在站外推广时，能够做个性化营销。
商品推荐分为常规推荐、个性化推荐。常规推荐是指商家选择一些固定商品放在推荐位，或者基于商品之间的关联性，进行相关的商品推荐。例如：在用户买了奶瓶之后推荐奶粉。个性化推荐指基于用户购物习惯，根据商品特性来进行推荐。例如“看过此商品后的顾客还购买的其他商品”推荐项。
电商系统中的商品推荐位一般有：首页运营Banner最底部的位置（“猜你喜欢”或“为你推荐”）、购物车最底部的位置（“猜你喜欢”或“为你推荐”）、商品详情页中部（“看了又看”、“买了又买”、“为你推荐”等）、用户签到等位置。还有这两年兴起的内容电商，通过社区做内容来提高转化率。
电商推荐系统将收集的用户信息、产品信息及用户画像分类作为系统输入，利用适当的推荐算法和推荐方式，根据用户设定的个性化程度和信息发送方式，给用户提供个性化商品推荐。用户对推荐结果的点击浏览、购买的反馈结果，又可以作为优化系统推荐的参考。
完善的推荐系统一般由四部分组成，按照“采集”、“分析”、“推荐”的步骤，分为四大模块：采集用户信息的用户行为记录模块、分析用户喜好的用户行为分析模块、分析商品特征的商品分析模块，以及推荐算法模块。用户行为记录模块负责采集能反映用户喜好的行为，例如浏览、购买、评论、问答等；用户行为分析模块通过用户的行为记录，分析用户对商品的潜在喜好及喜欢程度，建立用户偏好模型；商品分析模块主要对商品进行商品相似度、商品搭配度、目标用户标签进行分析；推荐算法根据一定的规则从备选商品集合中筛选出目标用户最可能感兴趣的商品进行推荐。个性化商品推荐的图示结构如图3-21所示。
图3-21 个性化商品推荐
用户画像是根据用户特征（性别、年纪、地域等）、消费行为习惯（浏览、购买、评论、问答等）等信息进行抽象化，建立标签化的用户模型。构建用户画像的核心工作即是给用户“贴”标签，而标签是通过对用户行为记录分析而来的高度精炼的特征标识。推荐系统的难点，其中很大一部分就在于用户画像的积累过程极其艰难。用户画像与业务本身密切相关。在用户标签足够丰富并且多的时候，就可以对用户聚类，例如用“A/B/C/D等”几种典型用户画像来代表商城的目标用户，还可以将新用户进行归类这些典型用户画像中。
商品分析模块主要根据商品的类目品牌、商品属性、产品评论、库存、销售记录、订单数据、浏览收藏、价格等数据来分析商品相似度、商品搭配度（可人工调整），并且对商品贴上目标用户标签。
用户画像、商品分析模块的数据都是为推荐算法提供基础数据。商品推荐的算法有很多种，需要根据推荐结果反馈，不断优化模型。有时候还需要考虑人工因素的权重，例如自营商品排在前面、评分高的店铺优先推荐等。在推荐商品时，还有一些特殊推荐：“购买此商品的顾客也同时购买”、“看过此商品后顾客购买的其他商品”、“经常一起购买的商品”，都是基于商品进行的推荐。
需要注意的是，如果完全按照用户行为数据进行推荐，就会使得推荐结果的候选集永远只在一个比较小的范围内，所以在保证推荐结果相对准确的前提下，应按照一定的策略，去逐渐拓宽推荐结果的范围，给予推荐结果一定的多样性。
在大数据时代，商品推荐模块虽然在一定程度上进行了精准营销，以提高商品转化率，但是与推荐的准确性有些相悖的，是推荐的多样性。有时候会出现推荐混乱的情况，并且引起用户反感。例如某用户曾经浏览过某款电视，结果后台系统连续一个月都给该用户推荐这款电视；甚至更糟的是，在某用户购买过手机之后，后台系统还不断向该用户推荐其他手机。出现这种问题，主要是因为推荐算法做得不够到位。在很多用户行为数据没有收集处理、商品关联度没做好的情况下就盲目推荐商品。