推薦位佈局設計：首頁／詳情頁／購物車該怎麼放

摘要：推薦位設計的三個決策是：放在哪個頁面、推薦什麼內容、佔多少注意力。首頁承接弱意圖做探索，詳情頁輔助決策做同類與搭配，購物車做連帶成交，搜尋結果頁要謹慎混排；每個推薦位都要有位級指標，並用蠶食度量確認它帶來的是增量而不是流量搬家。

推薦系統的演算法討論很多，但決定實際收益的往往是更樸素的問題：推薦位放在哪裡、展示什麼、佔多大地方。同一個演算法，放在購物車頁做連帶推薦可能顯著增量，放在搜尋結果頁首位混排則可能直接破壞相關性。本文按頁面逐個拆解推薦位設計：每個位置的使用者意圖是什麼、適合什麼類型的推薦、數量上限在哪裡、用什麼指標驗收，最後給出跨推薦位的流量配比與蠶食度量方法。

關鍵要點

推薦位的第一原則是匹配頁面意圖：使用者帶著什麼目的來到這個頁面，推薦就補什麼資訊。
首頁推薦是弱意圖探索場：品類推薦與人氣商品為主，點擊率天然偏低，不要用詳情頁的指標去考它。
詳情頁推薦做決策輔助：相似商品幫比價，搭配商品幫湊單，兩類分開呈現，不混排。
購物車推薦是轉化率最高的位置之一：低決策成本的連帶商品 + 庫存緊張提示，收益直接。
搜尋結果頁慎放推薦位：意圖明確時混排傷害相關性信任；零結果與寬泛詞才適合補位。
每個推薦位單獨記帳，並用「跨入口轉化」確認增量——總轉化上漲而跨入口轉化不動，多半是流量搬家。

一、推薦位的三個決策

設計一個推薦位，先回答三個問題。

放在哪。 判斷依據是頁面意圖與使用者狀態：這個頁面上使用者在想什麼、卡在哪、缺什麼資訊。推薦位應該出現在「使用者有需求但頁面資訊不足」的縫隙裡。

推什麼。 內容類型要跟隨頁面意圖：探索型位置推品類與人氣，決策型位置推同類與替代，成交型位置推連帶與補貨。類型放錯，演算法再好也救不回來。

佔多少。 推薦位過大會擠掉主內容，過小又沒有曝光。常用的約束是「推薦位不得把頁面主任務的完成路徑擠出首屏」，並給每個推薦位設數量上限，避免頁面變成推薦拼盤。

三個決策共同的原則是：推薦位是對頁面主任務的補充，不是競爭者。判斷競爭與否要看數據：加入推薦位後，頁面主轉化指標是升是降。

二、首頁：弱意圖的探索場

首頁使用者目標模糊，推薦位的任務是激發興趣，而不是精確命中。

推薦什麼： 品類導航式推薦（按使用者興趣排序的品類入口）、人氣與新品精選、基於歷史行為的「繼續瀏覽」。這裡適合放「寬而穩」的內容——個人化品類排序比單品推薦更適合首頁，因為單品命中機率低，品類入口即便不點也有導航價值。

放多大： 首屏給品牌與主行動，推薦模組放首屏下方或首屏右側的次要區域。用詳情頁的點擊率標準考核首頁推薦是常見誤判——意圖越弱，推薦點擊率越低，各位置應有自己的基線。

驗收指標： 首頁推薦模組點擊率、從推薦進入後的深度（是否繼續瀏覽到商品頁）、首頁跳出率變化。

三、詳情頁：決策輔助

詳情頁使用者意圖明確（正在評估這件商品），推薦位做的是輔助決策。

相似／同類推薦：幫助比價與比較，回應「還有沒有別的選擇」。放在詳情頁中下部。注意排序要考慮相似度的底線——把不相關的爆款混進相似位，短期點擊好看，長期使用者會學會忽略這個模組。

搭配推薦：回應「還缺什麼」，連帶購買的主戰場（買手機殼推鋼化膜）。搭配邏輯要符合真實使用場景，純按毛利排搭配會很快被使用者識破。

湊單與換購：面向已決策的使用者推低決策成本的小件。這個位置對客單價的提升直接而穩定。

驗收指標： 各模組點擊率、加購率、連帶成交率，以及詳情頁主轉化率是否因推薦位而受損——推薦模組過多的詳情頁，常見症狀是主商品加購率下降。

四、購物車與結算頁：臨門一腳

購物車頁的使用者已表達明確購買意向，是推薦轉化率最高的位置。

推薦什麼： 低決策成本的連帶商品（耗材、配件、常與購物車內商品同購的品類）、湊單商品（針對滿減門檻）、以及庫存與優惠提示（「購物車內某商品庫存緊張」）。推薦內容要與購物車內商品強相關——此處的相關性要求高於任何位置，使用者對「購物車頁推無關商品」的容忍度極低。

放多大： 一到兩個模組，位於結算按鈕下方或側欄。絕不能把結算按鈕擠到需要滾動尋找的位置——Baymard Institute 對結算流程的研究反覆驗證，結算路徑上的每一點摩擦都會被放棄率放大。

驗收指標： 推薦位加購率、連帶成交率、購物車到支付的轉化率變化（必須確認推薦位沒有拖慢結算）。

五、搜尋結果頁：謹慎混排

搜尋頁是意圖最強的頁面，推薦位在這裡要極其克制。

明確查詢時：結果相關性就是一切，推薦位混排進結果清單會直接破壞「查什麼出什麼」的信任。要放也只放在結果清單下方或側欄的獨立區域，視覺上與主結果明確區隔。

零結果與寬泛詞時：這是搜尋頁適合推薦補位的場景——查不到時給相關品類推薦、熱銷補位，把「白來一趟」變成「順便看看」。零結果補位是搜尋與推薦協同的典範接縫，站內此前的零結果優化專題給出了具體的補位策略。

驗收指標： 補位模組的點擊率與挽回成交率，以及主結果首位點擊率是否受影響。

六、流量配比與蠶食度量

多個推薦位並存後，真正的問題是：它們帶來的到底是增量，還是互相搬流量。

配比上，給每個推薦位設初始曝光權重，再按位級收益動態調整：點擊率與轉化貢獻雙高的位置加配額，雙低的降配額或下線。Netflix 的推薦架構實踐把線上計算的場景化決策作為核心能力，同一個思路落在營運側就是：推薦內容的分配要根據即時場景動態調整，而不是靜態鋪滿。

度量上，除了各推薦位的點擊與轉化，必須看跨入口指標：使用者從 A 位進入、最終在 B 位或主路徑成交的比例。判斷增量的方法在站內搜尋推薦協同專題中已展開：總轉化上漲而跨入口轉化不動，多數只是流量在入口間重新分配；跨入口轉化上升，才說明各位置在互相導流。另一個實用信號是「人均瀏覽深度」——增量型推薦位會拉深瀏覽，蠶食型的只會改變點擊的入口分佈。

七、常見誤區

頁面推薦位越鋪越多：每個位都有一點收益，疊加起來主路徑轉化持續下滑，總帳反而虧損。設總量上限。
所有位置用同一套策略：演算法統一輸出、位置只是換皮，忽視頁面意圖差異，弱位置拖垮強位置。
只考核點擊率：點擊率高不等於貢獻大，湊單位置的點擊天然高、金額天然小，要按位設指標組合。
忽視蠶食：新增推薦位後總轉化漲了就宣布成功，實際是把自然成交歸了功。上蠶食度量。

常見問題

問：首頁推薦位應該推單品還是推品類？

答：以品類與場景為主，單品為輔。首頁使用者意圖弱，單品命中率低，品類入口即便使用者不點也承擔導航價值；單品精選適合作為補充模組展示人氣與新品。用詳情頁推薦位的點擊率基線去要求首頁推薦，是常見的誤判來源。

問：詳情頁的相似商品與搭配商品可以混在一個模組裡嗎？

答：不建議。兩類內容的使用者任務不同——相似商品服務比價與替代決策，搭配商品服務連帶購買，混排會讓「想比價」的使用者被搭配品干擾。分開兩個模組、分開命名（「看了又看」「搭配購買」），各自的點擊與轉化也才能分開歸因。

問：購物車頁放推薦位會不會影響結算轉化？

答：取決於位置與內容。推薦模組放在結算主按鈕下方或側欄、內容強相關、模組數量控制在一到兩個時，通常帶來連帶成交且不傷結算；把結算按鈕擠出首屏、或推無關商品引流出購物車，就會直接拖累支付轉化。上線前後盯「購物車到支付轉化率」這個主指標。

問：搜尋結果頁裡的推薦位怎麼放才不傷體驗？

答：明確查詢時不混排進結果清單，只放在清單下方或側欄的獨立區域；零結果與寬泛查詢時開放補位，給相關品類與熱銷推薦。判斷標準是主結果的相關性信任不受損——首位點擊率與改詞率回升，就說明補位策略需要收緊。

問：推薦位數量有沒有經驗上限？

答：按頁面主任務的重要性反向設置：詳情頁主任務是評估主商品，推薦模組以兩到三個為宜；購物車頁一到兩個；首頁可以多一些，但單屏不超過一個主推薦模組。經驗法則：新增一個推薦位前，先確認現有位級的收益曲線沒有掉頭向下。

問：怎麼判斷新增的推薦位是真增量還是搶了別處的流量？

答：看三組數據：位級指標（點擊、加購、成交）、頁面主任務指標（主轉化是否受損）、跨入口指標（推薦位與主路徑之間的互相導流比例）。總轉化上漲而跨入口轉化持平，多數是流量搬家；跨入口轉化上升且主任務指標不降，才是可歸因的增量。

關於通智雲

通智搜尋面向本文描述的推薦與搜尋場景，提供分場景的召回與排序能力，支援零結果補位、購物車連帶與跨入口行為回流，推薦位策略可按位置分別配置與驗收。通智雲（TENGENCE）是 AI 時代的企業增長引擎，專注公域引流獲客與私域轉化成交；核心產品為通智 GEO（GEO + SEO 雙引擎）與通智搜尋。

資料來源

Netflix TechBlog《System Architectures for Personalization and Recommendation》：離線、近線與線上三層架構的劃分，線上層支援按場景即時調整推薦分配。
Baymard Institute《Checkout Usability》研究專題：結算路徑摩擦與放棄率的系統性研究，支撐購物車推薦位的位置約束。
Nielsen Norman Group《Conversion Rates: How to Measure and Improve》：轉化效果須按細分位置與行為路徑分別解讀的方法論依據。