球迷刚买完一件主队球衣，为什么AI不应该马上继续给他推荐第二件同款？

付款成功后的两分钟，他最不需要看到什么

这个场景并不罕见。很多体育商城的推荐系统，把“浏览、加购、购买”都当作兴趣信号，而且购买的权重最高。于是一个刚刚买下主场球衣的球迷，在模型眼里就成了“对主场球衣兴趣最强的人”，接下来的每一个推荐位都会优先给他看这件球衣。

问题出在模型不知道一件事：这次购买已经完成了。对于大多数球迷来说，一个赛季买一件主场球衣就足够了，除非他要换号码、送人或者收藏。购买完成之后，他对“这件商品”的需求在短期内几乎归零，但他对“这支球队”“这位球员”“下一场比赛”的兴趣并没有消失，反而可能正处在最高点。

所以推荐系统需要把两类信号分开：一类是“他喜欢什么”，一类是“他现在处在什么状态”。前者回答兴趣，后者回答时机。一个知道用户刚完成购买的系统，会把同款商品从推荐候选里暂时移除，转而寻找和这次购买相关、但不重复的东西。

球衣不是纸巾：不同商品的复购节奏完全不同

判断“买完之后该推什么”，先要理解购买周期（Purchase Cycle）和商品类型（Product Type）。体育商品大致可以按复购节奏分成几类，下面是一组示例划分：

这张表的意义在于：同样是“买完就推同款”，对能量胶可能是对的，对球衣几乎一定是错的。一个推荐引擎如果不区分商品类型，就只能用一套规则对待所有商品，结果就是在该提醒的时候沉默，在不该打扰的时候反复出现。

买完球衣以后，兴趣往哪里走

回到那位刚买了主场球衣的球迷。他的下一步兴趣大概率在这几个方向：

• 补全这次购买：他买的是空白球衣还是印了号码？如果是空白的，印号服务是最自然的下一步；配套的球裤、球袜也在同一个场景里。
• 跟随球员（Athlete）：他印的是哪位球员的号码，就说明他关注这位球员。这位球员的训练服、签名周边、相关内容都比“另一件主场球衣”更有意义。
• 跟随赛事（Event）：如果两周后有一场客场焦点战，客场球衣和便携的观赛配件会变得相关；如果下周就是主场，围巾和门票比任何服装都更贴近需求。
• 跟随家庭：如果他的历史订单里出现过儿童尺码，儿童款球衣可能是他会为孩子买的第二件，而不是给自己买的第二件。

还有两个细节很影响体验。一是尺码：他刚买的是L码，后续推荐的服装应当默认展示L码的库存和价格，而不是把一个L码已售罄的商品推到他面前。二是价格（Price）：他选的是球迷版而不是球员版，说明他对价格有自己的判断，推荐一件价格高出两倍的球员版纪念款，点击率可能不低，但转化往往很差。

什么情况下，再推一次同款反而是对的

说“不要马上推第二件同款”，并不是说同款永远不能再出现。有几种情况，同款再次出现是合理的，而系统需要能识别出来：

• 送礼信号：他在下单时填写了另一个收货地址，或者选了礼品包装，说明这次购买可能不是给自己的，那么他自己的那一件可能还没有买。
• 收藏信号：他过去有购买同一赛季多个号码、或者多次购买限量版的记录，说明他是收藏型用户，同系列的其他号码对他确实有吸引力。
• 家庭信号：历史订单中长期同时出现成人码和儿童码，那么成人款买完以后，儿童款是一个真实的后续需求。
• 售后信号：他发起了换码或退货，这时重新推荐同款的正确尺码，是在帮他完成购买，而不是重复推销。

这些情况都有一个共同点：推荐同款的理由来自新的证据，而不是来自“他买过所以他喜欢”这条惯性。没有新证据时，默认就应该把已购商品从推荐位里拿掉，并设置一个与该商品复购周期相匹配的冷却期。球衣的冷却期可以长到下一个赛季发售，球袜这样的消耗品则可能只有几周。

连续三年买主场球衣的人，最近开始看跑鞋

再看一个更复杂的模拟场景。某位用户过去三个赛季，每年新球衣发售的第一周都会下单主场球衣，订单记录非常整齐。但最近三个月，他的行为出现了变化：频繁浏览跑鞋和速干服，在APP里报名了两场城市跑步活动，上个月买了一块运动手表，对球队内容的打开次数也在下降。

如果推荐系统只看历史订单，它会得出结论：这是一个忠诚的主队球衣用户，新赛季球衣上架时应该第一个通知他。这个判断不能算错，但它漏掉了更重要的信息——他的生活方式正在变化，跑步正在成为新的兴趣重心。

AI识别这种变化，依靠的不是某一次浏览，而是几类信号同时出现：

1. 跨品类浏览持续增加：不是偶然点开一次跑鞋，而是连续数周在跑步品类里停留。
2. 行为从“看”变成“做”：报名跑步活动、购买运动手表，这些行为比浏览更能说明兴趣是真的。
3. 原有兴趣在变淡：对球队内容的打开频率下降，比赛日的访问不再集中。

识别出来以后，也不意味着要把他从“球迷”改标成“跑者”。更合理的是让两种身份并存：跑步装备进入他的主推荐位，同时保留球队相关的推荐，但形式可以变——比如带有球队配色的跑步帽、球队官方组织的球迷跑活动。新赛季球衣上架时，仍然值得通知他，只是不必在他每次打开商城时都把球衣放在第一屏。反过来，如果系统过度反应，看到他买了一块运动手表就把所有球队商品从推荐里撤掉，也会犯另一种错误：他可能只是在为一场半程赛做准备，赛后兴趣又会回到球队身上。因此兴趣权重的调整最好是渐进的，每隔一两周根据新的行为重新评估一次，而不是一次性切换。这类“下一次更可能买什么”的判断，AI怎么判断球迷下一次买球衣、球鞋还是装备里有更具体的拆解。

动态推荐：用户、球队、球员、赛事、商品和时间一起决定

把前面的内容归纳一下，一个体育电商推荐系统在决定推什么时，至少要同时考虑六个因素，可以写成一个简单的思路：

动态推荐 = User + Team + Athlete + Event + Product + Time

• User 用户：他的历史订单、尺码、价格带、当前状态（刚买完、正在比较、长期未访问）。
• Team 球队：他支持哪支球队，球队近期状态如何，是连胜还是低谷。
• Athlete 球员：他关注哪位球员，这位球员是否刚刚转会、受伤或创造纪录。
• Event 赛事：接下来有哪些比赛，是主场、客场、德比还是决赛。
• Product 商品：商品类型、复购周期、库存与尺码余量、是否即将换季。
• Time 时间：赛季（Season）处在什么阶段，距离新球衣发布还有多久，是否临近节假日。

赛季这个因素尤其容易被忽略。如果新赛季球衣三个月后就要发布，这时候给一位老球迷全价推荐旧赛季球衣，是在消耗他的信任；但如果把旧款放进清仓专区，推给价格敏感、还没有球衣的新球迷，就是合理的库存消化。同一件商品，对不同的人、在不同的时间，推荐价值完全不同。

欧宝体育的Recommendation Engine就是按这个思路组织候选和排序的：先按购买状态和复购周期过滤掉不该出现的商品，再结合球员、赛事和赛季时间给剩下的商品排序，最后用库存和尺码余量做一次校验，避免推出去的东西用户根本买不到。

一个模拟的推荐位对比

还是那位刚买完主场球衣（L码、球迷版、印了某前锋号码）的球迷，下周末有一场主场比赛。以下是示例数据下两种推荐逻辑的首屏对比：

右侧的推荐不一定每一项都更“准”，但它至少没有把四个位置浪费在一个已经被满足的需求上。

怎么验证推荐不是在重复过去

推荐逻辑改了以后，要用数据确认它是在变好，而不只是在变复杂。建议在A/B测试中重点观察以下几项：

• 已购商品曝光占比：用户最近30天已买商品在推荐位中出现的比例，应该明显下降。
• 跨品类转化：购买球衣后30天内，用户在配件、门票、训练装备等其他品类的购买是否增加。
• 退货与换码率：尺码默认正确以后，服装退货和换码申请是否减少。
• 推送关闭率：重复推荐减少后，用户关闭推送或取消关注的比例是否下降。

只看点击率是不够的。重复推荐一件用户刚买过的球衣，点击率有时并不低，因为用户会点进去确认“是不是我买的那件”，但这种点击不会带来任何购买。关于为什么单纯的关联购买规则撑不起体育推荐，可以继续看为什么“买了这个的人还买了那个”不够做体育电商推荐。

推荐不是重复用户过去买过什么，而是在理解他已经拥有什么之后，找到他接下来真正会需要的东西。下一步值得做的，是把“刚完成购买”这个状态真正接入推荐链路，并单独追踪购买后30天的跨品类表现，这比再优化一轮点击率模型更能看出推荐是否在理解球迷。